view in publisher's site

Underdetermined blind separation of overlapped speech mixtures in time-frequency domain with estimated number of sources

Noise suppression and the estimation of the number of sources are two practical issues in applications of underdetermined blind source separation (UBSS). This paper proposes a noise-robust instantaneous UBSS algorithm for highly overlapped speech sources in the short-time Fourier transform (STFT) domain. The proposed algorithm firstly estimates the unknown complex-valued mixing matrix and the number of sources, which are then used to compute the STFT coefficients of corresponding sources at each auto-source time-frequency (TF) point. After that, the original sources are recovered by the inverse STFT. To mitigate the noise effect on the detection of auto-source TF points, we propose a method to effectively detect the auto-term location of the sources by using the principal component analysis (PCA) of the STFTs of noisy mixtures. The PCA-based detection method can achieve similar UBSS outcome as some filtering-based methods. More importantly, an efficient method to estimate the mixing matrix is proposed based on subspace projection and clustering approaches. The number of sources is obtained by counting the number of the resultant clusters. Evaluations have been carried out by using the speech corpus NOIZEUS and the experimental results have shown improved robustness and efficiency of the proposed algorithm.

جداسازی کور underdetermined مخلوط شده با هم پوشانی در حوزه زمان - فرکانس با تعداد تخمینی از منابع

کاهش نویز و تخمین تعداد منابع دو مساله عملی در کاربردهای جداسازی منبع کور (UBSS)هستند. در این مقاله یک الگوریتم UBSS لحظه‌ای قوی برای منابع با همپوشانی بسیار همپوشانی در حوزه زمان کوتاه تبدیل فوریه (STFT)ارایه می‌شود. الگوریتم پیشنهادی ابتدا ماتریس مخلوط با مقدار نامعلوم و تعداد منابع را تخمین می‌زند، که سپس برای محاسبه ضریب STFT منابع مربوطه در هر نقطه زمان - فرکانس (TF)استفاده می‌شود. پس از آن، منابع اصلی توسط STFT معکوس بازیابی می‌شوند. برای کاهش اثر نویز بر روی تشخیص نقاط auto -، ما یک روش را برای شناسایی موثر محل auto منابع با استفاده از تحلیل اجزای اصلی (PCA)of های نویزی پیشنهاد می‌کنیم. روش تشخیص مبتنی بر فرآیند می‌تواند به عنوان بخشی از روش‌های مبتنی بر فیلترینگ، نتیجه UBSS مشابهی بدست آورد. مهم‌تر از آن، یک روش کارآمد برای تخمین ماتریس مخلوط مبتنی بر افکنش های زیر فضا و روش‌های خوشه‌بندی است. تعداد منابع با شمارش تعداد خوشه‌های حاصل به دست می‌آید. Evaluations با استفاده از پیکره زبانی NOIZEUS انجام شده‌است و نتایج تجربی، استحکام و کارایی الگوریتم پیشنهادی را بهبود بخشیده‌است.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.