趙祥坤 石莉 陳志國

摘 ?要： 詳細(xì)分析了ICA算法和ICA_R算法，并對ICA_R算法在音頻去噪的應(yīng)用中進(jìn)行改進(jìn)，通過實(shí)驗(yàn)對比證明了改進(jìn)后的ICA_R算法在對噪聲的消減上效果更好。

關(guān)鍵詞： 改進(jìn)的ICA_R;音頻識別;音頻去噪

中圖分類號： TP391 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.08.010

本文著錄格式：趙祥坤，石莉，陳志國，等. 改進(jìn)的ICA_R算法在音頻去噪中的應(yīng)用[J]. 軟件，2020，41（08）：34-36

【Abstract】： This paper analyzes the ICA algorithm and ICA_R algorithm in detail， and improves the ICA_R algorithm in the application ? ? of audio denoising. The experimental results show that the improved ICA_R algorithm has better effect on audio denoising.

【Key words】： Improved ICA-R; Audio-recognition; Audio denoising

0 ?引言

模擬及數(shù)字信號處理設(shè)備在采集、處理、傳輸?shù)浇邮請D像數(shù)據(jù)的過程中都極易受到噪聲的干擾[1]。由于噪聲的必然存在，對干擾噪聲的消減是圖像處理，模式識別等多領(lǐng)域處理的前提[2]。與圖像處理類似，語音信號的處理和識別同樣需要首先對噪聲進(jìn)行分析和消減。簡單的消減噪聲的方式有均值濾波，中值濾波，高斯濾波等[3-4]。

為處理多源信號線性混合的盲源分離，20世紀(jì)90年代逐漸發(fā)展起獨(dú)立分量分析技術(shù)，亦稱ICA（independent component analysis）[5]。ICA可以在未知的源信號分布及參數(shù)的條件下僅使用混合信號來分析源信號的各獨(dú)立成分，從而有效對音頻噪聲進(jìn)行消減[6]。由于ICA算法本身的高階統(tǒng)計性及其在消減噪聲時對其他信號的無破壞性使得在噪聲消減上ICA比傳統(tǒng)濾波、主成分分析等方法更有優(yōu)勢。相對于傳統(tǒng)去噪方法上的優(yōu)勢ICA也有明顯的不足，主要在于估計效率的低下以及幅值相位輸出順序的不確定[7]。將源信號中部分先驗(yàn)知識以參考信號的方式加入到ICA中，形成了參考獨(dú)立分量分析（ICA_R）算法[8]。本文探討ICA，ICA_R并對ICA_R算法進(jìn)行改進(jìn)，并比較算法在音頻去噪中的效果。

1 ?ICA算法分析

為了驗(yàn)證實(shí)驗(yàn)改進(jìn)后的ICA_R算法去噪的有效性，用ICA_R、改進(jìn)的ICA_R、PCA分別對圖4中的三個混合音頻信號進(jìn)行去噪處理，去噪后的效果圖分別如圖8，9，10所示，其中圖9中的“ICA_R1”是指改進(jìn)后的ICA_R算法，在本文中，改進(jìn)后的 ICA_R的公式（7）中的 取值為5。

5 ?結(jié)論

通過對圖3，8，9，10的比較可以看出，圖10中的PCA去噪后音頻信號的波形圖與純凈的源音頻信號的波形圖在形狀上相差甚遠(yuǎn)，這表明PCA對語音的去噪效果很不理想;ICA_R去噪后的音頻信號的波形圖在形狀上與純凈的源音頻信號的波形圖非常相似，但是幅值相差很大，無法進(jìn)行定量分析;改進(jìn)的ICA_R去噪后的音頻信號的波形圖與純凈的源音頻信號的波形圖基本相同，驗(yàn)證了本文改進(jìn)后去噪算法的有效性。

參考文獻(xiàn)

[1] 李楠宇， 柳翠寅. 射電日像儀的壓縮感知和臟圖高斯去噪[J/OL]. 四川大學(xué)學(xué)報（自然科學(xué)版）， 2019（06）.

[2] 黃英來， 任田麗， 趙鵬. VMD與PSO的樂器聲音識別[J]. 哈爾濱理工大學(xué)學(xué)報， 2018， 23（02）.

[3] 張新明， 程金鳳， 康強(qiáng)， 王霞. 迭代自適應(yīng)權(quán)重均值濾波的圖像去噪[J]. 計算機(jī)應(yīng)用， 2017， 37（11）.

[4] 王紀(jì)剛， 陳家新. 基于改進(jìn)濾波的Canny醫(yī)學(xué)圖像邊緣檢測算法[J]. 計算機(jī)測量與控制， 2013， 21（06）.

[5] Comon P. Independent component analysis， a new concept？ Signal Processing， 1994， 36（3）.

[6] Cichocki A and Amari S. Adaptive Blind Signal and Image Processing： Learning Algorithms and Applications. Chichester： John Wiley， 2003.

[7] 李鏡， 林秋華. 一種應(yīng)用幅值信息的一單元定點(diǎn)復(fù)數(shù)ICA-R算法[J]. 電子與信息學(xué)報， 2008（11）.

[8] 林秋華， 等. 基于參考獨(dú)立分量分析的語音增強(qiáng)方法[J]. 大連理工大學(xué)學(xué)報， 2006（06）.