单通道盲源分离方法专利检索-盲源分离信号处理专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

单通道盲源分离方法

阅读：678发布：2020-05-11

IPRDB可以提供单通道盲源分离方法专利检索，专利查询，专利分析的服务。并且本发明提供一种单通道盲源分离方法，通过训练阶段，给定不同源语音信号训练样本Ti，求得对应的初始身份子字典Di和初始公共子字典Dc，从而得到包括初始身份子字典Di和初始公共子字典Dc的联合字典，采用优化函数迭代更新联合字典；采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数；根据子字典和稀疏向量恢复各个源信号；针对联合字典区分能力不强产生的“交叉投影”问题，本发明采用高区分性的联合字典，相比于其他的基于稀疏表示的单通道盲源分离算法，减少了源干扰，分离质量有了明显提高。，下面是单通道盲源分离方法专利的具体信息内容。

权利要求

1.一种单通道盲源分离方法，其特征在于：包括以下步骤，S1、训练阶段，给定不同源语音信号训练样本Ti，求得对应的初始身份子字典Di和初始公共子字典Dc，从而得到包括初始身份子字典Di和初始公共子字典Dc的初始联合字典，采用优化函数迭代更新联合字典；

S2、分离语言信号，采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数；根据子字典和稀疏向量恢复各个源信号。

2.如权利要求1所述的单通道盲源分离方法，其特征在于：步骤S1具体为，S11、由不同源训练样本训练得到初始联合字典；

S12、固定初始联合字典D，得到训练样本在初始联合字典上的稀疏向量；

S13、固定当前稀疏向量，通过优化函数更新得到联合字典。

3.如权利要求2所述的单通道盲源分离方法，其特征在于：步骤S11中，得到包括初始身份子字典Di和初始公共子字典Dc的初始联合字典具体为，通过K-SVD方法训练得到身份子字典Di，该字典训练的形式如下：其中Di是通过训练得到的具有归一化原子的字典，α是Ti在字典Di上的投影系数；

拼接两个训练样本T＝[T1,T2]，DCT字典作为初始字典，通过K-SVD方法训练得到公共子字典Dc，拼接得到初始联合字典D＝[D1,D2,Dc]。

4.如权利要求2所述的单通道盲源分离方法，其特征在于，步骤S12中，当固定初始联合字典D时，选取稀疏编码BP算法更新得到稀疏编码系数，使用如下优化函数更新编码系数：min||Xi||1,

subject to Ti＝DXi (4)

式中“1”表示1-范数，即稀疏矩阵Xi的每一列非零元素的绝对值之和。

5.如权利要求2所述的单通道盲源分离方法，其特征在于：步骤S13中，优化函数为：其中，

这里重建误差由F-范数衡量，J是提出的目标函数，r(D,Xi,Ti)是第i个说话人的交叉投影惩罚项，式(2)中D＝[D1,D2,...,Dm,Dc]表示训练的联合字典，Dm是第m个说话人的身份子字典，Dc是公共子字典；Ti(i＝1,2,...,m)表示纯净声源的训练样本；Xi表示Ti在D上的稀疏向量矩阵；表示系数Xi与子字典Di对应的稀疏系数；表示系数Xi与子字典Dj对应的稀疏系数；表示系数Xi与子字典Dc对应的稀疏系数；α是权重向量。

6.如权利要求1-5任一项所述的单通道盲源分离方法，其特征在于：步骤S2中，采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数具体为，当使用含有公共子字典的联合字典时，方程为D′×E′＝s，s是两个源语音信号的混合信号，E'＝[E1，E2，Ec]，E1,E2和Ec分别是D'1,D'2和Dc上的s的稀疏投影系数，通过求解如下方程来得到稀疏投影系数E′：s.t.||E'||0≤K (8)

其中K是稀疏度，即矩阵E'非零元素的个数。

7.如权利要求5所述的单通道盲源分离方法，其特征在于：步骤S2中，根据子字典和稀疏向量恢复各个源信号具体为，将混合信号在训练好的联合字典上稀疏表示后，使用子字典D1和D2上的响应加公共子字典Dc上一定比例的响应来恢复各个源信号，当得到稀疏编码矩阵E′时，通过式(9)计算得到估计的源语音信号

其中，α是权重向量。

8.如权利要求7所述的单通道盲源分离方法，其特征在于：α设置为0.1，1-α设置为0.9。

说明书全文

单通道盲源分离方法

技术领域

[0001] 本发明涉及一种单通道盲源分离方法。

背景技术

[0002] 单通道盲源分离(single-channel blind source separation,SCBSS)是指从一维混合信号中恢复出多维源信号的过程。相比于普通的盲源分离，单通道盲源分离仅有一路观测信号，这是一个病态的问题，解决起来极其困难。但是，单通道盲源分离仅仅只需要使用一路传感器来接收信号，系统相对简单，成本比较低廉。相比传统盲源分离算法，单通道盲源分离在现实领域的适用性更广，在生物医学信号处理、阵列信号处理、语音识别和图像处理、通信等领域有着广阔的应用前景和实际意义。

[0003] 获取信号在过完备字典下的稀疏表示或稀疏逼近的过程叫做信号的稀疏分解，通过信号的稀疏分解可以得到信号的简洁表达。信号的稀疏表示已经被应用到信号处理的许多方面，尤其是在语音信号压缩感知、欠定盲源分离等问题中。稀疏表示理论目前是SCBSS最流行的技术之一，主要包括包括字典训练和分离两个部分。其中，稀疏联合字典的构造是基于稀疏分解的单通道盲源分离最重要的环节，也是本发明研究的重点，因为它直接影响着分离信号的质量。即混合信号表达的大空间由多个子空间构成，每个子空间能够最大可能地表达某一个源的信号，那么通过稀疏系数和所对应子空间的基就可以重构出单个源的信号，实现信号分离。典型的训练字典方法包括非负矩阵分解(non–negative matrix factorization，NMF)，K-SVD等。这些字典学习的方法是利用特定源信号的训练样本学习对应的子字典，即每个来源的字典都是独立训练的，能够使得字典具有一定的区分性。基于稀疏表示的单通道盲源分离的分离质量取决于联合字典的区分性。如果联合字典的区分性不高，就会导致分离效果不佳。这意味除了期望每个字典都能很好地表示相应的源，我们还期望子字典和其他子字典之间有一定的区分性。

[0004] 区分性字典学习理论在模式分类(pattern classification，PC)和人脸识别 (face recogniton，FR)等领域运用广泛，并且取得了很大的成功。Bao等人提出一种可区分字典学习(discriminative dictionary learning，DDL)算法，通过优化函数减少字典间的交叉相干性，以实现联合字典具有区分能力的目的。Pearlmutter等人采用范数优化算法，通过训练获得说话人的稀疏字典，再将训练得到的字典合并得到混合字典，最后通过范数优化算法求得各源语音信号的稀疏投影向量，由此重构得到分离语音信号。在最近提出的用于SCBSS的联合字典(contruct joint dictionary,CJD)中，我们首先使用与每个说话者相对应的源语音信号来学习身份子字典。然后我们丢弃两个同一子词典之间的相似原子，并使用这些相似的原子构造一个共同的子词典。

[0005] 上述方法都取得了一定的分离效果，但是它们没有利用不同源信号之间的关系去抑制不同子字典的原子之间的相似性。在实际中，不同源信号之间总是存在一些相似的成分，降低了不同身份子词典的区分能力，产生了字典间互干扰引起的“交叉投影”问题。即当混合语音信号在联合字典下表示时，某个源的信号在其他源对应的子字典上会产生响应，导致分离效果较差。

发明内容

[0006] 本发明的目的是提供一种单通道盲源分离方法解决现有技术中存在的由于稀疏联合字典区分能力不强产生的“交叉投影”的问题。

[0007] 本发明的技术解决方案是：

[0008] 一种单通道盲源分离方法，包括以下步骤，

[0009] S1、训练阶段，给定不同源语音信号训练样本Ti，求得对应的初始身份子字典Di和初始公共子字典Dc，从而得到包括初始身份子字典Di和初始公共子字典Dc的初始联合字典，采用优化函数迭代更新联合字典；

[0010] S2、分离语言信号，采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数；根据子字典和稀疏向量恢复各个源信号。

[0011] 进一步地，步骤S1具体为，

[0012] S11、由不同源训练样本训练得到初始联合字典；

[0013] S12、固定初始联合字典D，得到训练样本在初始联合字典上的稀疏向量；

[0014] S13、固定当前稀疏向量，通过优化函数更新得到联合字典。

[0015] 进一步地，步骤S11中，得到包括初始身份子字典Di和初始公共子字典 Dc的初始联合字典具体为，

[0016] 通过K-SVD方法训练得到身份子字典Di，该字典训练的形式如下：

[0017]

[0018] 其中Di是通过训练得到的具有归一化原子的字典，α是Ti在字典Di上的投影系数；

[0019] 拼接两个训练样本T＝[T1,T2]，DCT字典作为初始字典，通过K-SVD方法训练得到公共子字典Dc，拼接得到初始联合字典D＝[D1,D2,Dc]。

[0020] 进一步地，步骤S12中，当固定初始联合字典D时，选取稀疏编码BP算法更新得到稀疏编码系数，使用如下优化函数更新编码系数：

[0021] min||Xi||1,

[0022] subject to Ti＝DXi (4)

[0023] 式中“1”表示1-范数，即稀疏矩阵Xi的每一列非零元素的绝对值之和。

[0024] 进一步地，步骤S13中，优化函数为：

[0025]

[0026] 其中，

[0027]

[0028] 这里重建误差由F-范数衡量，J是提出的目标函数，r(D,Xi,Ti)是第i个说话人的交叉投影惩罚项，式(2)中D＝[D1,D2,...,Dm,Dc]表示训练的联合字典， Dm是第m个说话人的身份子字典，Dc是公共子字典；Ti(i＝1,2,...,m)表示纯净声源的训练样本；Xi表示Ti在D上的稀疏向量矩阵；表示系数Xi与子字典Di对应的稀疏系数；表示系数Xi与子字典Dj对应的稀疏系数；表示系数Xi与子字典Dc对应的稀疏系数；α是权重向量。

[0029] 进一步地，步骤S2中，采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数具体为，

[0030] 当使用含有公共子字典的联合字典时，方程为D'×E'＝s，s是两个源语音信号的混合信号，E'＝[E1，E2，Ec]，E1,E2和Ec分别是D'1,D'2和Dc上的s的稀疏投影系数，通过求解如下方程来得到稀疏投影系数E'：

[0031]

[0032] s.t.||E'||0≤K (8)

[0033] 其中K是稀疏度，即矩阵E'非零元素的个数。

[0034] 进一步地，步骤S2中，根据子字典和稀疏向量恢复各个源信号具体为，[0035] 将混合信号在训练好的联合字典上稀疏表示后，使用子字典D1和D2上的响应加公共子字典Dc上一定比例的响应来恢复各个源信号，当得到稀疏编码矩阵 E'时，通过式(9)计算得到估计的源语音信号

[0036]

[0037] 其中，α是权重向量。

[0038] 进一步地，α设置为0.1，1-α设置为0.9。

[0039] 本发明的有益效果是：与传统的字典学习方法比较，该种单通道盲源分离方法，充分利用语音信号的自身特性，从不同源信号的共性和差异性出发，构造优化函数抑制稀疏表示系数中的非对应部分。使得声源的不同成分尽可能投影在与其对应的身份子字典上，同时声源的相似成分投影在其公共子字典上，削弱“交叉投影”的现象以便信号可以更好地分离。针对联合字典区分能力不强产生的“交叉投影”问题，本发明采用高区分性的联合字典，相比于其他的基于稀疏表示的单通道盲源分离算法，减少了源干扰，分离质量有了明显提高。

附图说明

[0040] 图1是本发明单通道盲源分离方法的说明框图。

[0041] 图2是实施例中源信号分离的说明示意图。

[0042] 图3是实施例中分离效果随权重向量α的变化情况的示意图。

[0043] 图4是实施例中分离效果随权重向量1-α的变化情况的示意图。

[0044] 图5是实施例中分离的语音示意图。

[0045] 图6是实施例中分离效果随子字典原子数的变化情况的示意图。

具体实施方式

[0046] 下面结合附图详细说明本发明的优选实施例。

[0047] 实施例

[0048] 实施例的单通道盲源分离方法，引入一个含相似信息的公共子字典，通过构造新的优化函数来对子字典之间的关系进行约束，进一步提高身份子字典的差异性。使各个说话人样本的独特成分尽可能多地被与其对应的身份子字典进行稀疏表示，而相关性较大的成分尽可能多地被公共子字典进行稀疏表示，当通过该联合字典表示源信号时，可以有效地避免交叉投影问题，来提高语音分离的质量。

[0049] 一种单通道盲源分离方法，如图1，包括以下步骤：

[0050] S1、训练阶段。给定不同源语音信号训练样本Ti，求得对应的初始身份子字典Di和初始公共子字典Dc，从而得到包括初始身份子字典Di和初始公共子字典Dc的联合字典，采用优化函数迭代更新联合字典。

[0051] 实施例的新的优化函数的提出。相比于现有的基于字典学习的单通道盲源分离算法，实施例方法将每个源信号的自身特性分成两部分，一部分为不同说话人样本的独特特征，另一部分为不同说话人样本之间的公共特征。其中说话人样本的独特特征是互相独立的。相应地，对于不同的说话人，联合字典包括三部分：说话人各自的子字典以及用来表示不同说话人相似性的公共子字典。

[0052] 为了构建出具有强区分性的联合字典，进一步提高身份子字典的差异性。在训练过程中，实施例方法通过构建合适的目标函数对子字典之间的关系进行约束，使各个说话人样本的独特成分可能多地被与其对应的子字典进行稀疏表示，而相关性较大的成分尽可能多地被公共子字典进行稀疏表示。

[0053] 这里，为了不失一般性，基于m个说话人的情况展开讨论。假设Ti是第i 个源信号的训练样本，其对应的子字典Di，相应的稀疏表示系数是 X＝[X1,X2,...,Xm,Xc]T。为了提高算法的分离性能，必须抑制源信号之间的交叉投影。为此，提出一个新的目标函数，如式(1)所示：

[0054]

[0055] 其中，

[0056]

[0057] 这里重建误差由F-范数衡量，J是提出的目标函数，r(D,Xi,Ti)是第i个说话人的交叉投影惩罚项，上式中D＝[D1,D2,...,Dm,Dc]表示训练的联合字典，Dm是第m个说话人的身份子字典，Dc是公共子字典；Ti(i＝1,2,...,m)表示纯净声源的训练样本；Xi表示Ti在D上的稀疏向量矩阵；表示系数Xi与子字典Di对应的稀疏系数；表示系数Xi与子字典Dj对应的稀疏系数；表示系数Xi与子字典Dc对应的稀疏系数；α是权重向量。

[0058] 值得注意的是，在公式(2)的第一项中，不同的源训练信号应当由对应的身份子字典和公共子字典稀疏地表示。这个惩罚项主要考虑到了具有一定区分能力的身份子字典和含公共信息的公共子字典，这就保证了联合字典的全面性。考虑“交叉投影”问题的存在，在第二项约束一个训练信号在另一个身份子字典上产生的交叉投影。也就是说，当一个源信号在联合字典上稀疏表示时，在其他子字典上的表示应尽可能地少，以便降低交叉投影的影响。在这里以两个源信号混合为例，定义稀疏矩阵E＝[E1,E2,Ec]T，其中E1、E2和Ec是混合信号 s分别在身份子字典D1，D2和公共子字典Dc的稀疏系数。将混合信号s在训练好的联合字典上稀疏表示后，就可以用子字典上的响应加上共同子字典上一定比例的响应来恢复各个源信号。源分离模块如图2所示。

[0059] 步骤S1具体为，

[0060] S11、由不同源训练样本训练得到初始联合字典。实施例从中国科学院自动化研究所汉语语音库中选取2个不同性别说话人Ti，对于每一个说话人，每人一共有150句话的语音数据样本，此信号的采样频率为16kHz，每帧信号取 256个采样点。

[0061] 选取DCT字典作为初始字典，用单个声源信号样本Ti作为训练数据，通过K-SVD方法训练得到身份子字典Di，该字典训练的形式如下：

[0062]

[0063] 其中Di是通过训练得到的具有归一化原子的字典，α是Ti在字典Di上的投影系数。

[0064] 拼接两个训练样本T＝[T1,T2]，DCT字典即离散余弦变换字典作为初始字典，通过K-SVD方法训练得到公共子字典Dc，拼接得到初始联合字典D＝[D1,D2,Dc]。

[0065] S12、固定初始联合字典D，得到训练样本在初始联合字典上的稀疏向量。当固定初始D时，选取稀疏编码BP算法更新得到稀疏编码系数。实施例用下面的优化函数更新编码系数：

[0066] min||Xi||1,

[0067] subject to Ti＝DXi (4)

[0068] 式中“1”表示1-范数，即稀疏矩阵Xi的每一列非零元素的绝对值之和。

[0069] S13、固定当前稀疏向量，通过优化函数更新得到联合字典。当固定编码系数时，实施例用下面的优化函数来更新联合字典：

[0070]

[0071] 其中，

[0072]

[0073] 为了解决这个优化问题，实施例引入矩阵Qi,i＝1,2,3，和其中0表示全零矩阵，I表示单位矩阵。因此，式(6)可以
写成

[0074]

[0075] 在新的误差函数中，只有联合字典是未知的，当更新联合字典的时候，身份子字典和公共子字典就能同时得到更新。式(5)所示的优化问题可以用拟牛顿方法来实现。拟牛顿法只需要目标函数的梯度而不需要二阶导数的信息，所以这类方法往往性能优于最速下降法和牛顿法。实施例选取拟牛顿法中的有限记忆BFGS算法(L-BFGS)来求解上述优化问题。

[0076] S2、分离语言信号，采用稀疏编码算法求解混合信号在联合字典下的稀疏投影系数；根据子字典和稀疏向量恢复各个源信号。

[0077] 解决SCBSS的方法可以转化为解决方程D×E＝s，其中D是联合字典，s 是混合信号。当使用含有公共子字典的联合字典时，方程可以修改为D'×E'＝s。 s是两个源语音信号的混合信号，E'＝[E1，E2，Ec]，E1,E2和Ec分别是D'1,D'2和Dc上的s的稀疏投影系数。通过求解方程来得到E'，其中，其中K是稀疏度，即矩阵E'非零元素的个数。这里使用BP算法来解决这个优化问题。

[0078] 将混合信号在训练好的联合字典上稀疏表示后，就可以使用子字典D1和D2上的响应加公共子字典上一定比例的响应来恢复各个源信号。当得到E'时，可以通过式(9)计算得到估计的源

[0079]

[0080] 语音信号。其中α是权重向量，对重构信号的值有很大影响。为了得到最优的分离效果，通过实验比较了权重向量α对语音分离算法的性能影响，实验数据记录如图3，图4所示。图3显示了男性-SNR随着权重变化的曲线。可以得到结论，当α设置为0.1时，分离性能最佳。同时图4显示了女性-SNR随着权重变化的曲线，当1-α设置为0.9时，分离性能最佳。

[0081] 实验评估

[0082] 分别采用传统的K-SVD字典训练算法、基于DDL方法、基于CJD方法以及基于实施例提出的新的优化函数的联合字典学习方法进行实验，对语音的分离效果作出评价，并从分离质量分析方法的优劣。并对影响分离效果的字典大小进行实验，从分离的源信号的信噪比分析选取合适的字典尺寸。

[0083] 为了比较各种语音分离算法的性能，证明实施例所提算法旳有效性，需要衡量不同算法语音分离性能的好坏。采用信号与噪声的信噪比(Signal-to-Noise Ratio，SNR)作为衡量指标。信噪比越高表明分离的源信号失真越小，分离性能越佳。由于字典大小对实施例提出的算法有很大的影响，所以将子字典的原子数分别设置为384，512，640，768，896，帧长为256，分别求出不同字典大小下的男性-SNR，女性-SNR和平均SNR，比较它们的分离效果。为了描述方便，把实施例提出的优化函数学习联合字典的单通道盲源分离算法称为NJDL(new optimization method for joint dictionary learning)。

[0084] 一、不同算法的分离性能比较

[0085] 将实施例提出的算法与基于K-SVD，DDL字典学习方法和CJD构建公共字典方法的SCBSS进行了比较。客观上，根据式(10)求解信噪比来衡量源信号的重构效果。实施例提出的SCBSS算法的分离效果如图5所示，从图5中可以看出本发明可以很好的从混合信号中将源信号分离出来，很接近源语音信号的波形图。

[0086]

[0087] 其中，si是源语音信号，是si的源估计信号，实验数据记录在表1中。

[0088] 表1采用不同字典学习算法分离后的信噪比(dB)

[0089]SNR 男性女性平均
K-SVD 5.9214 0.2508 3.0861
DDL 8.0623 2.8803 5.4713
CJD 7.03 1.7436 4.3868
NJDL 8.4676 3.3059 5.8868

[0090] 从表1的实验结果中，可以看出，无论是男性-SNR，女性-SNR还是平均信噪比，实施例方法提出的SCBSS方法与基于K-SVD，DDL和基于CJD的 SCBSS方法相比总体上是优越的。与其他算法相比实施例方法将信号的个性分量和共性分量分开，有效地减少了源混淆。同时，较高的信噪比验证了学习联合词典的优越性。

[0091] 具体而言，与K-SVD方法相比，实施例方法对于男性语音信号的SNR提高了约2.5dB，对于女性语音信号提高了约3.0dB。与DDL中的方法相比，实施例方法对于男性语音信号提高了约0.4dB，对于女性语音信号提高了0.4dB。与CJD中的方法相比，实施例方法将男性语音信号的SNR提高约1.4dB，女性语音信号提高1.6dB。与K-SVD相比，平均提高了
2.8dB，与DDL相比提高了0.4dB，相比CJD提高了1.5dB。由此可以说明，相比其他的的算法，实施例提出的基于优化函数学习联合字典的单通道盲源分离算法可以明显提高分离性能。

[0092] 二、字典大小对分离性能的影响

[0093] 在下面的实验中，考察了实施例方法在不同字典大小下的分离效果。子字典的大设置为l×c，联合字典的大小为l×3c。将原子数分别设为为384，512， 640，768和896，帧长大小都设为256。实验联合字典D的大小分别为 256×1152，256×1536，256×1920，256×2304和256×2688。

[0094] 图6显示了不同字典大小下的男性和女性信号分离效果。从图6中可以看出，它显示当子字典列从384增加到786时，男性SNR略有增加。这主要是因为实施例方法中字典原子的数量与分离性能密切相关。更多的字典原子意味着更多的原子可以有效地表示信号。也就是说，随着字典大小的增加，字典越来越完整地捕捉到两个独特和相似的源信号。从曲线上可以看到，当子字典中的原子数为768时，分离的信号SNR最高。从图6可以看出，女性SNR和平均 SNR的轨迹与轨迹一致男性SNR。与我们在实验的4.2小节的512字典大小的方法相比，本方法在字典原子为768时将男性SNR提高了大约0.4dB，并将女性SNR提高了大约0.5dB。从结果中，可以看到在子字典大小为256×768的情况下分离的最佳性能。这意味着通过选择合适的字典大小可以提高分离性能。可以得出结论，选择合适的字典大小以实现最佳分离性能更为重要，同时不可忽略的是字典原子数量的增加也会导致更多的时间花费。

[0095] 以上实验结果表明：与其他的算法进行比较，实施例所采用的基于新的优化函数的学习联合字典的单通道盲源分离算法可以有效地减小“交叉投影”的问题，提高分离语音效果。并且，通过选取合适的字典大小也会提升源语音的重构效果。

标题	发布/更新时间	阅读量
一种单通道盲源分离法-专利编号CN108231087A	2020-05-11	577
一种单通道盲源分离法-专利编号CN103106903B	2020-05-12	557
一种变步长自适应盲源分离方法及盲源分离系统-专利编号CN101819782A	2020-05-13	116
单通道信号盲源分离幅度校正方法-专利编号CN110807524A	2020-05-13	885
一种盲源分离方法-专利编号CN105404783A	2020-05-12	929
一种单通道盲源分离法-专利编号CN103106903A	2020-05-11	956
一种变步长自适应盲源分离方法及盲源分离系统-专利编号CN101819782B	2020-05-13	171
基于单源点检测的欠定盲源分离方法-专利编号CN108009584A	2020-05-12	481
单通道盲源分离方法-专利编号CN108875824A	2020-05-11	678
一种欠定语音盲源分离方法及装置-专利编号CN110534130A	2020-05-14	58

单通道盲源分离方法

单通道盲源分离方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式