王志強(qiáng), 王 濤, 金志文

(1. 上海大學(xué)通信與信息工程學(xué)院, 上海 200444;2. 中國(guó)人民解放軍 93216 部隊(duì), 北京 100085)

盲源分離是一種在信源以及傳輸模型未知的情況下, 僅通過(guò)傳感器采集到的混合信號(hào)來(lái)估計(jì)源信號(hào)的技術(shù). 該技術(shù)在語(yǔ)音信號(hào)處理、生物醫(yī)學(xué)、圖像處理、機(jī)械故障診斷等方面的應(yīng)用都發(fā)揮了重要作用. 尤其在語(yǔ)音信號(hào)處理中, 盲源分離技術(shù)為諸如語(yǔ)音識(shí)別等提供盡量“干凈”的單一聲源信號(hào), 從而提升后端技術(shù)的性能.

盲源分離問(wèn)題首次在1986 年由Jutten 等[1]提出, 在1994 年Comon[2]提出了獨(dú)立成分分析(independent component analysis, ICA)的概念, 同時(shí)指出ICA 的本質(zhì)和盲源分離是一樣的, 由此將盲源分離的研究轉(zhuǎn)化成了對(duì)ICA 代價(jià)函數(shù)的研究, 之后的大部分研究都是基于這種ICA 理論框架進(jìn)行的. 早期的ICA 已經(jīng)很好地解決了線性混合信號(hào)的分離, 但實(shí)際情況下語(yǔ)音的混合是卷積混合, 既有幅度的衰減又有時(shí)延, 而早期的線性混合ICA 不再適用于卷積混合模型, 分離性能也大大降低.

針對(duì)卷積混合信號(hào)的分離, 常見(jiàn)的做法是通過(guò)短時(shí)傅里葉變換將卷積問(wèn)題轉(zhuǎn)變?yōu)轭l域的乘積問(wèn)題, 然后在每個(gè)頻點(diǎn)上應(yīng)用ICA 算法, 得到相應(yīng)的解混矩陣對(duì)混合信號(hào)進(jìn)行分離. 頻域ICA 需要對(duì)每個(gè)頻點(diǎn)單獨(dú)進(jìn)行ICA, 因此每個(gè)頻點(diǎn)輸出的分離信號(hào)的幅度和次序具有不確定性. 對(duì)于幅度不確定性問(wèn)題, 只要能夠控制每個(gè)頻點(diǎn)的信號(hào)能量大小, 則一方面使得算法不會(huì)因?yàn)樾盘?hào)大小不受控制而無(wú)法收斂, 另一方面也使得各個(gè)頻點(diǎn)的分離矩陣的數(shù)值差異較小.在這種情況下, 信號(hào)的分離性能也不會(huì)受到明顯的影響[3]. 相比之下, 對(duì)分離性能影響更大的次序不確定性問(wèn)題是本工作研究的重點(diǎn).

目前, 針對(duì)頻域ICA 的次序不確定性問(wèn)題的解決算法大致可分為3 類: ①以某一聲源的方位信息作為先驗(yàn)信息, 約束整個(gè)迭代過(guò)程[4-6]; ②根據(jù)相鄰頻點(diǎn)包絡(luò)的相關(guān)性解決ICA 的次序不確定性問(wèn)題[7-8]; ③根據(jù)解混矩陣的相位特征修正次序問(wèn)題[9-11].

但上述算法有各自的局限, 因此本工作提出了一種新的解決次序不確定性問(wèn)題的方法. 針對(duì)眾多數(shù)據(jù)集、仿真混響環(huán)境和實(shí)際環(huán)境中的混合信號(hào)進(jìn)行分離實(shí)驗(yàn), 得到的結(jié)果均優(yōu)于已有算法.

1 頻域盲源分離算法

1.1 卷積混合模型

在盲源分離系統(tǒng)中,N個(gè)聲源和M個(gè)麥克風(fēng)放置在房間的不同位置, 麥克風(fēng)采集到的信號(hào)為源信號(hào)以不同方式混合后得到的信號(hào). 在實(shí)際環(huán)境中, 源信號(hào)si(t)為語(yǔ)音信號(hào)或噪聲信號(hào), 觀測(cè)信號(hào)xj(t)則為采集到的麥克風(fēng)信號(hào). 在本工作中, 聲源數(shù)和麥克風(fēng)數(shù)均設(shè)置為2,即N=M=2. 此時(shí), 源信號(hào)和觀測(cè)信號(hào)可以表示為

式中:hji(l)是第i個(gè)源信號(hào)到達(dá)第j個(gè)麥克風(fēng)的傳輸函數(shù). 此系統(tǒng)中, 在si(t)和hji(l)未知的情況下, 估計(jì)長(zhǎng)為L(zhǎng)的解混濾波器wji(l), 使得信號(hào)間盡可能獨(dú)立, 從而得到分離信號(hào)yi(t),

混合系統(tǒng)如圖1 所示.

圖1 混合系統(tǒng)Fig.1 Hybrid system

1.2 頻域ICA 的實(shí)現(xiàn)

對(duì)式(3)的左右兩端同時(shí)進(jìn)行短時(shí)傅里葉變換, 可以得到其頻域形式為

式中:f和τ分別為頻率和幀的序號(hào);s(f,τ)和x(f,τ)分別為源信號(hào)和觀測(cè)信號(hào)經(jīng)過(guò)傅里葉變換的結(jié)果; 而H(f)為在f頻點(diǎn)上的混合矩陣, 可以表示為

對(duì)式(4)的左右兩端進(jìn)行短時(shí)傅里葉變換, 可以得到其頻域形式,

采用信息最大化[12]和自然梯度下降[13]的方式迭代估計(jì)解混矩陣W(f), 迭代公式為

式中:η為迭代的步長(zhǎng);I為單位矩陣; H 表示共軛轉(zhuǎn)置;〈·〉l表示對(duì)l幀求平均;φ(·)是非線性激活函數(shù)[4,6],

在信號(hào)的每個(gè)頻點(diǎn)均進(jìn)行迭代, 得到每個(gè)頻點(diǎn)的W(f), 根據(jù)式(7)恢復(fù)得到分離信號(hào). 由于分離是在各頻點(diǎn)中獨(dú)立進(jìn)行的, 每一個(gè)頻點(diǎn)迭代出來(lái)的W(f)可能是在該頻點(diǎn)最優(yōu)的, 但沒(méi)有充分考慮到頻點(diǎn)內(nèi)部間的關(guān)系, 即相鄰頻點(diǎn)迭代得到的結(jié)果在包絡(luò)上或在相位特征上不應(yīng)有很明顯的跳變.

在頻域ICA 的實(shí)現(xiàn)過(guò)程中, 由于其每個(gè)頻點(diǎn)獨(dú)立進(jìn)行迭代的特點(diǎn), 不可避免地存在次序不確定性和幅度不確定性問(wèn)題. 本工作采用Nesta 等[5]的算法來(lái)解決幅度不確定性問(wèn)題, 著重討論了已有的解決次序不確定性問(wèn)題的算法, 并給出了新算法.

2 次序不確定性問(wèn)題與已有算法

將式(7)展開可以得到

由于各頻點(diǎn)獨(dú)立迭代的特點(diǎn), 會(huì)發(fā)生以下情況[9]: 當(dāng)頻點(diǎn)f=f1時(shí), 有Y1(f1) = ^S1(f1)和Y2(f1) = ^S2(f1); 而當(dāng)頻點(diǎn)f=f2時(shí), 有Y1(f2) = ^S2(f2)和Y2(f2) = ^S1(f2). 也就是說(shuō), 以信息最大化為準(zhǔn)則的迭代, 對(duì)觀測(cè)信號(hào)進(jìn)行了有效的分離, 但是分離結(jié)果間的次序無(wú)法始終滿足S1、S2這一次序, 這就導(dǎo)致了分離后的結(jié)果在逆傅里葉變換后, 在時(shí)域上依舊表現(xiàn)為未分離的情況. 如果對(duì)不同頻點(diǎn)的ICA 之間不建立一定的聯(lián)系, 那么ICA 在頻率上無(wú)法保證輸出的次序始終保持一致. 因此, 需要通過(guò)一定的后驗(yàn)信息[14]來(lái)對(duì)歸屬于相同源的頻點(diǎn)進(jìn)行分組, 以改善語(yǔ)音分離的性能.

基于頻域ICA 實(shí)現(xiàn)語(yǔ)音信號(hào)盲分離的整體框圖如圖2 所示.

圖2 基于頻域ICA 的語(yǔ)音信號(hào)盲分離系統(tǒng)框圖Fig.2 Diagram of speech signal blind separation system based on frequency domain ICA

2.1 到達(dá)時(shí)間差信息

通過(guò)方向信息來(lái)解決次序問(wèn)題是最為常見(jiàn)的對(duì)分離后的頻點(diǎn)進(jìn)行聚類的方法. 式(6)中混合矩陣H(f)可以看作是若干個(gè)聲源-麥克風(fēng)的沖激響應(yīng), 因此可以寫作

式中:|hij(f)|為第i個(gè)聲源到第j個(gè)麥克風(fēng)的幅頻響應(yīng);fk表示真實(shí)頻率;τij(f)表示對(duì)于頻點(diǎn)f從第i個(gè)聲源到第j個(gè)麥克風(fēng)的時(shí)間. 觀察H(f)的第一列, 可以計(jì)算出第一個(gè)聲源到2 個(gè)不同麥克風(fēng)的到達(dá)時(shí)間差(time difference of arrival, TDOA)信息. 對(duì)于第i個(gè)聲源, 到達(dá)2 個(gè)麥克風(fēng)的時(shí)延可以表示為

根據(jù)TDOA 信息可以很容易地將分離結(jié)果進(jìn)行聚類, 調(diào)整后使其分離輸出的順序始終保持一致. 但同時(shí)需要設(shè)定ε=ε0, 以保證將誤差在±ε之間的時(shí)延歸于同一類. 但是, 該方法需要估計(jì)的TDOA 信息足夠準(zhǔn)確, 因此在分離兩個(gè)同向聲源或聲源角度差距較小的情況下表現(xiàn)較差.同時(shí), 在信號(hào)的低頻成分中, 相位的差異性很小, 從而使得估計(jì)出的時(shí)延值不準(zhǔn)確; 而在高頻成分中估計(jì)TDOA 時(shí), 會(huì)出現(xiàn)空間混疊問(wèn)題, 這也是該方法的局限性.

本工作針對(duì)某些特殊情景中, 時(shí)延估計(jì)不準(zhǔn)而導(dǎo)致次序不確定性問(wèn)題無(wú)法解決的情況, 引入語(yǔ)音信號(hào)能量比的信息, 對(duì)次序問(wèn)題進(jìn)行進(jìn)一步修正, 具體見(jiàn)第3 章.

2.2 相鄰頻點(diǎn)包絡(luò)的相關(guān)性

利用相鄰頻點(diǎn)包絡(luò)相關(guān)性的算法, 是根據(jù)分離后的信號(hào)中屬于相同源的相鄰頻點(diǎn)間具有非常強(qiáng)的相關(guān)性這一特性提出的, 具體實(shí)現(xiàn)方式如下.

定義分離信號(hào)的包絡(luò)為

圖3 不同頻點(diǎn)上的包絡(luò)線Fig.3 Envelopes at different frequencies

由于無(wú)法保證信號(hào)的每個(gè)頻點(diǎn)包絡(luò)始終滿足強(qiáng)相關(guān)性, 因此通過(guò)遞歸的方式來(lái)對(duì)頻點(diǎn)的次序進(jìn)行修正會(huì)產(chǎn)生錯(cuò)誤, 甚至降低分離性能.

3 基于語(yǔ)音能量比的次序不確定性解決算法

上述兩種算法都有著各自的局限性. 首先, 利用相關(guān)性方法是不魯棒的, 由于需要逐一對(duì)相鄰頻點(diǎn)的次序進(jìn)行判斷, 當(dāng)在某一處頻點(diǎn)進(jìn)行誤判時(shí), 該方法會(huì)連帶影響之后的所有頻點(diǎn),進(jìn)而導(dǎo)致更多的頻點(diǎn)發(fā)生誤判. 其次, 利用方向信息的方法不夠準(zhǔn)確, 存在固有的無(wú)法解決同向干擾的缺陷, 同時(shí), 其精度受到TDOA 算法的影響較大, 在低信噪比以及信號(hào)的低頻和高頻處, 會(huì)存在誤判的情況[16-17].

本工作提出的算法是一種基于語(yǔ)音能量比來(lái)計(jì)算時(shí)頻掩模的算法, 同時(shí)利用空間和能量的信息來(lái)對(duì)次序進(jìn)行修正. 算法實(shí)現(xiàn)流程如圖4 所示.

圖4 次序問(wèn)題修正算法框圖Fig.4 Algorithm block diagram of solving permutation problem

經(jīng)過(guò)ICA 算法迭代后, 可以得到分離后的信號(hào)Y1和Y2. 假設(shè)矩陣A為最小化均方誤差E((X-AY)2)的結(jié)果, 可得

二值掩模pi(f,τ)便可以通過(guò)A計(jì)算得到

能量信息的引入有效解決了由于空間信息不準(zhǔn)確而對(duì)次序發(fā)生誤判的問(wèn)題. 本工作利用空間信息對(duì)次序問(wèn)題進(jìn)行修正, 利用了混合矩陣H(f)的第i列應(yīng)始終指向源i這一特性[6],

式中:h1(f)為H(f)的第一列;d1(f)為源1 的導(dǎo)向矢量;M為麥克風(fēng)數(shù),M= 2. 通過(guò)計(jì)算得到的pn和導(dǎo)向矢量dn, 定義次序問(wèn)題的置信度為

式中:α為0～1 之間的常數(shù), 是控制方向信息和能量信息重要程度的系數(shù). 在一般情況下,α=0.5. 當(dāng)遇到同向干擾, 存在較大的混響時(shí),α的值要適當(dāng)減小.

本工作提出的算法綜合能量以及方向信息對(duì)次序進(jìn)行判斷, 能夠很好地避免連帶效應(yīng); 同時(shí)又針對(duì)強(qiáng)混響、聲源同向下方向信息不準(zhǔn)確、差異不明顯的情況, 利用能量化的掩模對(duì)次序進(jìn)行修正.

可以發(fā)現(xiàn), 計(jì)算置信度時(shí)僅使用了H(f), 即只通過(guò)方向信息對(duì)分離信號(hào)的次序進(jìn)行修正,雖然避免了連帶效應(yīng)的產(chǎn)生, 但準(zhǔn)確性依舊受到TDOA 估計(jì)算法精度的影響, 并不能像本工作提出的算法一樣, 在方向信息不準(zhǔn)確時(shí), 依靠語(yǔ)音的能量比來(lái)對(duì)次序進(jìn)行準(zhǔn)確的修正.

式(24)中通過(guò)比較|[hi(f)]HX(f,τ)|的大小來(lái)計(jì)算二值掩模, 存在一定的局限性, 即比較的是^S1和^S2的大小, 只有在聲源與麥克風(fēng)的距離保持不變(^X= ^S)的前提下, Nesta 等[6]的算法才是合理的. 當(dāng)聲源與麥克風(fēng)的距離不同, 聲源處幅度的比較結(jié)果并不能替代麥克風(fēng)處幅度的比較結(jié)果. 在本工作提出的算法中, 使用aTi Y的比較結(jié)果來(lái)計(jì)算二值掩模更為合理, 因?yàn)榫仃嘇為最小化均方誤差E((X-AY)2)的結(jié)果, 所以aTi Y計(jì)算的是幅度修正后麥克風(fēng)處^X的結(jié)果. 通過(guò)比較麥克風(fēng)處^X的大小, 才能更好地對(duì)每個(gè)頻點(diǎn)的源歸屬進(jìn)行判斷, 這也是本工作的創(chuàng)新之處.

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)評(píng)估標(biāo)準(zhǔn)

為了驗(yàn)證本工作所提出的算法的性能, 通過(guò)Vincent 等[18]定義的BSS EVAL 標(biāo)準(zhǔn)來(lái)評(píng)估算法的分離性能, 通過(guò)語(yǔ)音質(zhì)量感知評(píng)估(perceptual evaluation of speech quality, PESQ)來(lái)評(píng)估分離后的語(yǔ)音質(zhì)量[19].

根據(jù)BSS EVAL 標(biāo)準(zhǔn), 分離后的信號(hào)^s可以看作

式中:s代表真實(shí)的源信號(hào);espat、einterf、eartif分別代表空間、干擾和人為因素所帶來(lái)的誤差. 衡量分離性能的指標(biāo)有信號(hào)偏差比(source-to-distortion ratio, SDR)、信號(hào)干擾比(source-to-interferences ratio, SDR)、系統(tǒng)誤差比(source-to-artifacts ratio, SDR)等. 本工作使用SDR 和SIR 作為客觀定量評(píng)估指標(biāo),

PESQ 是國(guó)際電信聯(lián)盟推薦的評(píng)價(jià)語(yǔ)音質(zhì)量的指標(biāo), 其將時(shí)域的語(yǔ)音信號(hào)轉(zhuǎn)換為響度譜, 然后比較“干凈”語(yǔ)音與估計(jì)語(yǔ)音之間的響度譜, 并給出估計(jì)信號(hào)的質(zhì)量評(píng)分, 評(píng)分范圍為-0.5～4.5 分.

4.2 實(shí)驗(yàn)1 與已有頻域ICA 算法性能對(duì)比

對(duì)SiSEC2011 數(shù)據(jù)集上的語(yǔ)音進(jìn)行分離,表1 展示了數(shù)據(jù)集中信噪比分布為-6～9 dB 數(shù)據(jù)分離后的SDR, 依次為Ozerov、Nesta 以及本工作提出算法的結(jié)果.

表1 SiSEC 數(shù)據(jù)集上的分離結(jié)果Table 1 Separation results in SiSEC dataset

由表1 可見(jiàn): 本工作提出的算法在3～9 dB 情況下, SDR 顯著優(yōu)于另外兩種算法; 而在-6～0 dB 情況下, SDR 與另外兩種算法接近. 這是因?yàn)樵趷毫拥男旁氡认?p1(f,τ)根據(jù)能量關(guān)系指向噪聲源, 次序判決出錯(cuò). 當(dāng)信噪比良好時(shí),p1(f,τ)與h1(f)共同指向主聲源, 次序判決正確, 可見(jiàn)本工作提出的算法在分離性能的表現(xiàn)上更為突出.

4.3 實(shí)驗(yàn)2 對(duì)比頻域ICA 次序問(wèn)題修正的算法

在本實(shí)驗(yàn)中, 頻域ICA 迭代算法保持相同, 僅改變次序修正算法, 來(lái)比較不同的次序修正算法對(duì)分離性能帶來(lái)的提升. 數(shù)據(jù)來(lái)自CHiME1 數(shù)據(jù)集. 如圖5 所示, 4 條折線分別為利用方向信息、頻點(diǎn)包絡(luò)相關(guān)性、Nesta 等[6]提出的次序修正的算法和本工作提出的算法在不同信噪比下計(jì)算得到的SIR. 圖6 顯示了已有算法與本工作提出的算法的PESQ 得分.α取值均為0.5.

圖5 4 種算法的SIRFig.5 SIR of four algorithms

圖6 4 種算法的PESQFig.6 PESQ of four algorithms

從整體上看, 本工作提出的算法優(yōu)于利用方向信息或相鄰頻點(diǎn)包絡(luò)相關(guān)性的算法.從SIR 表現(xiàn)來(lái)看, 本工作提出的算法僅在0 dB 時(shí)低于使用相鄰頻點(diǎn)包絡(luò)相關(guān)性的方法;從PESQ 得分來(lái)看, 本工作提出的算法僅在0 和-6 dB 時(shí)略低于相鄰頻點(diǎn)包絡(luò)相關(guān)性的方法和Nesta 等[6]的算法. 本工作提出的算法同時(shí)利用了方向和能量信息, 因此對(duì)于各個(gè)信噪比下的次序問(wèn)題的判斷會(huì)更加準(zhǔn)確. 而使用相鄰頻點(diǎn)包絡(luò)相關(guān)性的算法得到的SIR 變化快速是其魯棒性不強(qiáng)導(dǎo)致的. 在0 dB 處, 相鄰頻點(diǎn)間頻譜的相關(guān)性穩(wěn)定, 不容易發(fā)生誤判, 所以分離后的結(jié)果最優(yōu); 而在其他信噪比下, 當(dāng)有一處頻點(diǎn)發(fā)生誤判, 就會(huì)連帶影響到其他頻點(diǎn), 導(dǎo)致SIR 陡然下降. 從圖5 可以看出, 本工作提出的算法在確保魯棒性的前提下, 保證了次序問(wèn)題判斷的精度, 相比于其他算法, 顯著提升了分離性能.

對(duì)比Nesta 等[6]的次序置信度公式(24), 可以發(fā)現(xiàn)本工作提出算法的分離性能整體上優(yōu)于Nesta 算法, 可見(jiàn)加入能量比可顯著改善分離性能. 同時(shí)在-6～0 dB 的低信噪比的情況下,Nesta 算法在分離能力上都與利用方向信息的方法保持一致; 而在高信噪比下, 性能優(yōu)于利用方向信息的算法. 這是因?yàn)樵诟咝旁氡认? 迭代過(guò)程中的H(f)所指示的方向與TDOA 估計(jì)的導(dǎo)向矢量d(f)保持一致, 均為主聲源方向; 在低信噪比下, TDOA 估計(jì)的導(dǎo)向矢量d(f)可能會(huì)指向噪聲源方向, 與H(f)所指示的方向有較大的偏差, 影響了次序的判斷, 從而分離性能下降明顯.

4.4 實(shí)驗(yàn)3 不同α 和混響時(shí)間對(duì)算法分離性能的影響

如2.3 節(jié)所述,α是一個(gè)控制方向信息和能量信息重要程度的系數(shù), 而α在混響情況下會(huì)極大地影響算法的分離性能. 文獻(xiàn)[20]通過(guò)仿真的方式, 得到了聲源、麥克風(fēng)位置保持一致,混響時(shí)間(RT60)為0.4、0.8、1.2 s 的混合信號(hào), 具體麥克風(fēng)及聲源擺放位置如圖7 所示. 針對(duì)這3 個(gè)不同混響時(shí)間的混合信號(hào), 使用不同的α進(jìn)行分離, 結(jié)果如圖8 所示.

圖7 麥克風(fēng)及聲源擺放位置Fig.7 Location of microphones and sources

圖8 不同混響時(shí)間和α 得到的SDRFig.8 SDR comparing with different RT60 and α

由圖8 可見(jiàn), 隨著混響時(shí)間的增加, 分離的SDR 總體呈下降趨勢(shì). 在強(qiáng)混響的環(huán)境中, 多徑效應(yīng)使得估計(jì)得到的方向與真實(shí)方向有一定誤差, 從而導(dǎo)致算法在分離性能上有一定的下降. 但正如式(20)中顯示, 適當(dāng)?shù)販p小α, 在次序判決中降低方向信息所占的比重, 更多地依賴能量的信息, 會(huì)使分離性能有一定提升; 但當(dāng)α過(guò)小時(shí), 只依賴能量信息對(duì)次序進(jìn)行判決, 在低信噪比的情況下, 會(huì)帶來(lái)分離性能的下降. 因此, 對(duì)存在強(qiáng)混響以及空間混疊的混合信號(hào)進(jìn)行分離時(shí), 要降低α的取值.

4.5 實(shí)驗(yàn)4 實(shí)際環(huán)境中混合音頻的分離

為了進(jìn)一步檢驗(yàn)本工作所提算法的分離性能, 對(duì)實(shí)際環(huán)境中錄制的混合音頻進(jìn)行了實(shí)驗(yàn).實(shí)驗(yàn)設(shè)置如圖5 所示. 房間大小為8 m×7 m×5 m, RT60=0.8 s, 2 個(gè)麥克風(fēng)間距為8 cm, 聲源到麥克風(fēng)的距離控制在2.4 m, 且分別位于90°和135°方向. 聲源2 播放“干凈”的人聲數(shù)據(jù), 聲源1 播放干擾聲, 麥克風(fēng)以16 kHz 的采樣頻率得到含噪語(yǔ)音信號(hào). 圖9 為混合信號(hào)以及分離信號(hào)的時(shí)域波形和頻譜圖, SDR=10.4.

圖9 混合信號(hào)以及分離信號(hào)的時(shí)域波形和頻譜圖Fig.9 Waveforms and spectrograms of mixed and separated signals

5 結(jié)束語(yǔ)

本工作提出了一種解決頻域ICA 次序不確定性問(wèn)題的算法, 對(duì)于SiSEC 與CHiME 數(shù)據(jù)集, 在分離性能上均比已有算法有所提升. 對(duì)已有的解決次序不確定性的若干種算法與本工作提出的算法進(jìn)行了比較, 分析了各算法的優(yōu)劣, 并通過(guò)實(shí)驗(yàn)進(jìn)行了相應(yīng)的說(shuō)明. 同時(shí), 在實(shí)際環(huán)境中進(jìn)行了數(shù)據(jù)的采集與處理, 驗(yàn)證了本工作提出的算法對(duì)實(shí)際環(huán)境中的混合信號(hào)依然有著優(yōu)異的分離能力. 實(shí)驗(yàn)結(jié)果表明, 本工作提出的基于語(yǔ)音信號(hào)能量比和方向性的算法有效解決了頻域獨(dú)立成分分析中的次序不確定性問(wèn)題, 有效保護(hù)了目標(biāo)語(yǔ)音信號(hào), 而對(duì)干擾信號(hào)進(jìn)行了有效抑制.