二、课题关键问题及难点：
盲信号分离在近年来已成为信号处理领域的一个研究热点，盲分离在无线通信、雷达、声纳、语音信号处理、医学信号处理和图形增强鞥方面有着广泛应用。混合语音信号的分离是盲分离的重要内容，也是信号处理领域的一个难题，他在回波对消和电视会议等领域有着重要的应用。
传统的盲源分离算法有预白化处理步骤，因此其算法复杂度高，性能和效率较低。本课题将讨论基于时频域分布的盲分离算法，采用快速联合对角化方法，省去了传统方法的预白化处理步骤，因此就降低了算法的计算复杂度，提高了其性能和执行效率。
目前国际国内对盲源分离问题的研究工作仍处于不断发展阶段，新理论、新方法还在源源不断地涌现。
[1]赵力.语音信号处理[M].北京：机械工业出版社，2003：271-284
[2]胡可，汪增福.一种基于时频分析的语音卷积信号盲分离算法.电子学报. 2006,34（7）:：1246-1254
[3]Parra L,Spence C,Convolutive blind source separation of nonstaionary sources,IEEE Trans. On Speech and Audio Processing,PP.320-327,May 2000.
[8]桂国华，蔡青，贾鹏.一种简化的语音信号盲分离算法.通信与广播电视.2004,2,1-6
[9]张雄伟，程亮，杨吉斌.现代语音处理技术及应用，北京：机械工业出版社，2003.8
[10]苏野平，何亮，杨容震，朱晓刚.一种改进的基于高阶累积量的语音信号算法.电子பைடு நூலகம்报. 2002,30，（7）：956-958
[11]李雪霞，冯久远.一种混沌信号的盲分离方法.物理学报.2007,56（2）：701-706
[12]马明，沈越泓，许魁.一种基于通论非线性模型的语音盲分离方法.声学与电子工程. 2007,2:18-21
[13]李大辉，李长荣，杨阳.一种改进的瞬时混合语音信号盲分离.大庆石油学院学报.2007,31（4）：80-83
虽然盲源分离理论方法在最近20年已经取得了长足的发展，但是还有许多问题有待进一步研究和解决。首先是理论体系有待完善。实际采用的处理算法或多或少都带有一些经验知识，对于算法的稳定性和收敛性的证明不够充分。盲源分离尚有大量的理论和实际问题有待解决，例如多维ICA问题、带噪声信号的有效分离方法、如何更有效地利用各种先验知识成功分离或提取出源信号、一般性的非线性混合信号的盲分离、如何与神经网络有效地结合、源信号的数目大于观察信号的数目时ICA方法等。另外，盲源分离可同其他学科有机结合，如模糊系统理论在盲分离技术中的应用可能是一个有前途的研究方向；盲源分离技术与遗传算法相结合，可以减少计算复杂度，提高收敛速度。如何有效提高算法对源信号统计特性的学习和利用也需要进行深入研究。
签字：年月日
四、方案论证：
本课题将从以下几方面着手探讨混合语音信号分离技术：
1、对混合语音信号分离的现状和发展水平进行分析；
2、对盲语音信号的分离的实现过程有初步认识，回顾独立分量分析方法，选择自己熟练掌握的合适的ICA算法。
3、建立数学模型，完成相关的计算，进行软件设计。
4、在计算机上实现MATLAB仿真，检测该方案的可行性，最后对该方案做出总结分析。
在盲信号处理过程中，为了减少计算量，提高系统效率，通常需要经过预处理。预处理一般包括中心化和白化。中心化是使信号的均值为零。由于在一般情况下所获得的数据都具有相关性，所以通常都要求对数据进行初步的白化处理，因为白化处理可去除各观测信号之间的相关性，从而简化后续独立分量的提取过程。
要实现盲语音信号的分离，要对独立量分析做深入的了解，独立学习ICA算法，通过对各种算法进行分析比较选择合适的进行深入学习来完成本课题的实现。
五、进度安排：
第1周：查找资料，了解课题内容，准备撰写开题报告，完成项目的理论准备；
第2周：撰写开题报告；
第3-4周：熟悉MATLAB的使用，提交开题报告、完成外文翻译；
第5-7周：上机试验；
第8-10周：软件设计；
第11-12周：软件调试；
第13-14周：撰写论文；
六、指导教师意见：
签字：年月日
七、教研室（或开题审查小组）意见：
山东建筑工程学院毕业论文开题报告
班级：姓名：
论文题目
盲语音信号分离的实现及抑噪分析
一、选题背景和意义：
近些年来，混合语音信号分离成为信号处理领域的一个研究热点。在信号处理中我们经常遇到这样的问题，如何从一组未知的随机信号经过一组混合系统得到的观测信号种恢复出这些原始信号，如果重构过程中没有混合系统和原始信号的先验知识，我们就称该过程为盲分离。其理论也不断运用到图像、通讯、医学等领域
[4]李立峰，张建立.盲信号分离算法的研究.通信对抗.2005：13-14
[5]金辉，陈晓曙.基于二阶统计量的多经混合语音分离算法.现代电子时代. 2005（24）,43-46
[6]何文雪，王林，谢剑英.一种基于视频分析的盲信号分离方法.系统仿真学报. 2005,17（1）：196-198,202
[7]邓伟.混合语音识别系统的一种新的简化神经网络结构.数据采集与处理. 2002,17（1）：25-28
三、调研报告（或文献综述）：
盲源分离( Blind Source Separation: BSS)技术是现代信号处理领域中一个崭新的研究方向。盲源分离是指在信号源和传输信道完全或部分未知情况下,只利用传感器阵或天线阵的观测来分离、提取源信号的信号处理理论。近年来,它已成为信号处理领域的一个研究热点。盲源分离在无线通信、阵列信号处理、语音信号分离、图像处理、生物医学、地震勘探、雷达和声纳、噪声消除等领域有着广泛的应用。混合语音信号的分离是盲源分离的重要内容,也是信号处理领域中的一个难题。
1986年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现2个独立源信号混合的分离。这一开创性的论文在信号处理领域中揭开了新的一章，即盲源分离问题的研究。
其后二十几年来，对于盲信号分离问题，学者们提出了很多的算法，每种算法都在一定程度上取得了成功。从算法的角度而言，BSS算法可分为批处理算法和自适应算法；从代数函数和准则而言，又分为基于神经网络的方法、基于高阶统计量的方法、基于互信息量的方法、基于非线性函数的方法等。
在语音方面的应用包括有多个人说话构成的声音环境下，从多个话筒接收到的声音信号就是所谓的鸡尾酒会问题，它是指人们在嘈杂环境中或者是在许多人同时说话的情况下有辨识自己感兴趣的声音的能力引起研究者的兴趣。而我们所研究的混合语音信号分离急速虽然不能失信是计算机具有和人类一样的听觉，但是通过该技术却能使原本相互混叠的语音信号相互剥离，来作为语音识别的预处理，从而使得噪声环境下结合多说话人情形下的语音识别的实现成为可能。