UNDER-DETERMINED SPEECH SEPARATION USING GMM-BASED NON-LINEAR.pd...

在处理欠定情况下的语音分离问题时，常规的信号处理方法往往难以应对因房间混响效应和麦克风数量少于语音信号源数量而产生的复杂混音场景。本篇论文提出了一种基于高斯混合模型（Gaussian Mixture Model，GMM）的频域非线性波束形成器来解决这一挑战。 我们需要理解什么是欠定情况下的语音分离。在信号处理领域，当混合信号的数量超过独立信号源的数量时，该问题被称为过定问题，而在信号源数量超过混合信号数量时，问题则被称为欠定问题。欠定问题在语音分离中尤为棘手，因为在这种情况下，我们需要从混合信号中提取出多个独立信号源，而且这些信号源之间可能存在复杂的重叠与干扰。尤其是当环境存在混响或信号源数量多于麦克风数量时，分离任务的难度会显著增加。 在欠定语音分离中，盲分离是一种非常重要的技术，即在没有先验知识（如信号源数量或位置）的情况下进行信号分离。本文提出的非线性波束形成器便是盲分离技术的一种应用，它能够在不知道说话人数目的情况下，实现语音源的分离。 高斯混合模型（GMM）是一种概率模型，用于表示一组数据是通过若干个高斯分布的叠加而成的，每个高斯分布可以看作是数据的一个“簇”。在语音分离中，GMM被用来建模每个频率分量中观察到的概率密度。该模型可以通过期望最大化（Expectation-Maximization，EM）算法来学习获得。EM算法是一种迭代算法，能够在混合分布中找到最优参数。 该非线性波束形成器的核心思想是将信号在频域内进行处理，并利用每个高斯成分的线性最小方差无失真响应（Minimum-Variance Distortionless Response，MVDR）波束形成器进行分离。具体来说，该波束形成器将每个高斯成分对应的MVDR波束形成器作为一组基础波束形成器，通过后验概率（即每个时间-频率点的对应高斯成分的概率）来确定每个基础波束形成器的相对贡献，这些基础波束形成器的加权和即构成了所提出的非线性波束形成器。由于它是基于线性MVDR波束形成器的加权和，因此该非线性波束形成器同样具有无失真的特性。 模拟实验的结果表明，在存在房间混响效应的欠定混合情况下，该非线性波束形成器能成功地分离出语音源，并且几乎不会引入任何失真。这使得它在实际应用中，如助听器、人机交互、监视和免提电话等领域有着极大的应用潜力。 在应用方面，使用麦克风阵列可以更好地利用目标信号源和干扰源在空间中不同位置的特点。在没有足够空间信息的情况下，传统方法通常难以有效分离出目标信号源。而基于GMM的频域非线性波束形成器则提供了一种有效的分离途径，尤其是在信号源数量超过麦克风数量的场景中。 总结来看，本文提出的方法不仅有效地解决了欠定情况下语音分离的问题，而且提供了对未来可能的推广——正定盲解卷积的一种可能方向。这种方法在信号处理领域具有重要的理论意义和广泛的应用前景。随着该技术的进一步发展和优化，有望在多领域为信号分离带来新的突破。