DE69925905T2

DE69925905T2 - Blinde trennung von quellen durch faltung mit hilfe eines vielfachdekorrelationsverfahrens

Info

Publication number: DE69925905T2
Application number: DE69925905T
Authority: DE
Inventors: Lucas Parra; Douglas Clay SPENCE
Original assignee: Sarnoff Corp
Current assignee: Sarnoff Corp
Priority date: 1998-04-08
Filing date: 1999-04-08
Publication date: 2006-05-11
Anticipated expiration: 2019-04-09
Also published as: EP1070390A1; US6167417A; CN1307747A; JP4394832B2; WO1999052211A1; DE69925905D1; AU5265399A; KR100561659B1; EP1070390B1; JP2002510930A; KR20010042537A; CN100514856C

Description

Die Erfindung betrifft die Signalverarbeitung und insbesondere betrifft die Erfindung ein Verfahren und eine Vorrichtung zum Ausführen einer Signaltrennung, wobei eine Mehrfachdekorrelationstechnik verwendet wird.
Hintergrund der Erfindung
Eine zunehmende Anzahl von Forschern haben in letzter Zeit Techniken veröffentlicht, welche eine Blindquellentrennung (blind source separation, BSS) ausführen, d.h. Trennen eines zusammengesetzten Signals in seine die Bestandteile bildenden Komponentensignale, ohne vorherige Kenntnis dieser Signale. Diese Techniken finden in verschiedenen Anwendungen, wie zum Beispiel der Spracherkennung, wobei eine Mehrzahl von Mikrofonen verwendet wird, dem Entfernen von Übersprechen in Mehrkanalkommunikationen, der Mehrwegekanalidentifikation und -angleichung, der Ankunftsrichtungs-(direction of arrival, DOA-)Abschätzung in Sensorarrays, der Verbesserung von Beamforming-Mikrofonen für Audio-Anwendungen und passives Sonar und die Entdeckung von unabhängigen Quellensignalen in verschiedenen biologischen Signalen, wie zum Beispiel EEG, MEG und ähnlichen Verwendung. Viele dieser BSS-Techniken erfordern eine statistische Abhängigkeit zwischen den Komponentensignalen (oder nehmen diese an), um die Signale genau zu separieren. Zusätzlicher theoretischer Fortschritt in der Signalmodellierung hat neue Techniken hervorgebracht, welche das Problem des Identifizierens statistisch unabhängiger Signale aufgreifen – ein Problem, welches im Herz der Quellentrennung liegt.
Die grundlegende Quellentrennungsaufgabe wird einfach durch Annahme von d_s statistisch unabhängigen Quellen s(t) = (s₁(t), ☺, s_ds(t)]^T beschrieben, welche in einem linearen Medium gefaltet und gemischt wurden, was zu d_x Sensorsignalen x(t) = (x₁(t), ☺, x_ds(t)]^T führt, welche zusätzliches Sensorrauschen n(t) aufweisen können. Das gefaltete rauschbehaftete Signal wird im Zeitraum durch die folgende Gleichung (als ein Vorwärtssmodell bekannt) dargestellt:
Quellentrenntechniken werden so verwendet, daß d_xd_sP Koeffizienten der Kanäle A identifiziert werden und daß letztlich ein geschätztes ŝ(t) für die unbekannten Quellensignale bestimmt wird.
Alternativ kann das gefaltete Signal gefiltert werden, wobei ein inverses finites Impulsantwort-(FIR-)Modell verwendet wird, welches durch die folgende Gleichung (als das Rückwärtsmodell bekannt) dargestellt wird:
In dieser Darstellung muß eine BSS-Technik die inversen FIR Komponenten W so abschätzen, daß die Modellquellensignale u(t) = [u₁(t), ☺, u_du(t)]^T statistisch unabhängig sind. Ein Ansatz zur Durchführung der Quellentrennung unter der Bedingung statistischer Unabhängigkeit wurde in Weinstein et al., „Multi-Channel Signal Separation by Decorrelation", IEEE Transaction on Speech and Audio Processing, Band 1, Nr. 4, Seiten 405–413, 1993 diskutiert, wo für nicht stationäre Signale ein Satz von Bedingungen zweiter Ordnung spezifiziert ist, welche eindeutig die Parameter A in dem Vorwärtsmodell bestimmen. Jedoch wird in der Veröffentlichung von Weinstein et al. kein bestimmter Algorithmus zum Durchführen der auf Nichtstationarität basierenden Quellentrennung gegeben.
Frühe Arbeiten in der Signalverarbeitungsgemeinschaft hatten vorgeschlagen, die gemessenen Signale zu dekorrelieren, d.h. gemessene Korrelationen für mehrere Zeitverzögerungen zu diagonalisieren. Für ein unmittelbares Mischen, auch als der konstante Verstärkungsfall bezeichnet, wurde gezeigt, daß es für eine Dekorrelation nicht-weißer Signale ausreichend ist, mehrfache Filterabgriffe zu verwenden, so daß die Quellensignale wiederhergestellt werden. Jedoch erzeugt diese Technik für gefaltete Mischungen von Breitbandsignalen keine eindeutige Lösung und tatsächlich können Quellenabschätzungen erzeugt werden, welche dekorreliert aber nicht statistisch unabhängig sind. Wie von Weinstein et al. in der oben zitierten Veröffentlichung klar identifiziert, werden zusätzliche Bedingungen benötigt, um eine eindeutige Lösung von statistisch unabhängigen Quellen zu erhalten. Um statistisch unabhängige Quellensignale zu finden, ist es notwendig, Statistiken von höherer als zweiter Ordnung aufzunehmen, da statistische Unabhängigkeit erfordert, daß nicht nur das zweite, sondern alle höheren Kreuzmomente verschwinden.
Im Faltungsfall haben Yellin und Weinstein in „Multichannel Signal Separation: Methods and Analyses", IEEE Transaction on Signal Processing; Band 44, Nr. 1, Seiten 106–118, Januar 1996 Bedingungen für Mehrfach-Abgriffkreuzmomente höherer Ordnung aufgestellt, welche das Entfernen von Faltungsübersprechen ermöglichen. Obwohl die Optimierungskriterien sich natürlich auf höhere Dimensionen erstrecken, hat sich die bisherige Forschung auf einen zweidimensionalen Fall konzentriert, da ein Mehrkanal-FIR-Modell (siehe Gleichung 2) mit einer richtig gewählten Architektur, wobei abgeschätzte Vorwärtsfilter verwendet werden, invertiert werden kann. Daher war das Auffinden einer stabilen Näherung für das Vorwärtsmodell für höhere Dimensionen illusorisch.
Diese Techniken aus dem Stand der Technik arbeiten in Computersimulationen im allgemeinen zufriedenstellend, jedoch arbeiten sie für echte Signale, zum Beispiel Audiosignale, unzulänglich. Man könnte spekulieren, daß die Signaldichten der echten Signale nicht die hypothetisch angenommenen Strukturen aufweisen, daß die Statistiken höherer Ordnung zu Abschätzungsinstabilitäten führen oder daß eine Verletzung der Stationaritätsbedingung für das Signal ungenaue Lösungen verursachen können.
EP 0 565 479 A1 lehrt ein weiteres Verfahren zum Trennen eines gemischten Signals in eine Mehrzahl von Komponentensignalen.
Daher gibt es in dem Fachgebiet ein Bedürfnis nach einer Trenntechnik für blinde Quellen, welche eine Faltungssignal-Dekorrelation genau ausführt.
Zusammenfassung der Erfindung
Die Erfindung ist in den unabhängigen Ansprüchen 1, 5 und 11 definiert.
Die Nachteile des Standes der Technik werden durch ein Verfahren und eine Vorrichtung überwunden, welche eine Blindquellentrennung durchführen, wobei eine Faltungssignal-Dekorrelation durch gleichzeitiges Diagonalisieren von Statistiken zweiter Ordnung bei mehreren zeitlichen Perioden verwendet wird. Insbesondere akkumuliert die Erfindung eine Länge (Segment) eines Eingangssignals, welche eine Mischung von unabhängigen Signalquellen aufweist. Die Erfindung teilt dann die Länge des Eingangssignals in eine Mehrzahl von Perioden (Fenstern) mit Länge T und wendet eine diskrete Fouriertransformation (DFT) über jede Periode mit Länge T auf das gemischte Signal an. Danach verarbeitet die Erfindung mit Hilfe eines Computers K Kreuzkorrelations-Leistungsspektren, welche jeweils über N der Perioden mit Länge T gemittelt sind. Die Kreuzkorrelations-Leistungswerte verwendend, verarbeitet ein Gradientenabstiegsprozeß mit Hilfe eines Computers die Koeffizienten eines FIR-Filters, welches die Quellensignale innerhalb des Eingangssignals effektiv trennt durch gleichzeitiges Dekorrelieren der K Kreuzkorrelations-Leistungsspektren. Um eine genaue Lösung zu erreichen, ist der Gradientenabstiegsprozeß darauf beschränkt, daß die Werte der Filterkoeffizienten im Zeitraum nur bestimmte Werte annehmen können, d.h. die Zeitraum-Filterkoeffizientenwerte W(τ) sind innerhalb der Periode der Länge T auf Null beschränkt für jede Zeit τ > Q << T. Auf diese Weise wird das sogenannte „Vertauschungsproblem" gelöst und es wird eine eindeutige Lösung für die FIR-Filterkoeffizienten so berechnet, daß ein Filter, welches hergestellt wird, wobei diese Koeffizienten verwendet werden, die Quellensignale effektiv trennt.
Im allgemeinen ist die Erfindung als eine Softwareroutine realisiert, welche in einem Speichermedium gespeichert ist und welche auf einem Computersystem für allgemeine Zwecke ausgeführt wird. Jedoch ist eine Hardwarerealisierung aus der folgenden detaillierten Beschreibung offensichtlich.
Die vorliegende Erfindung findet in einem Spracherkennungssystem als ein Signalvorprozessorsystem zum Dekorrelieren von Signalen verschiedener Quellen Anwendung, so daß ein Spracherkennungsprozessor die verschiedenen Sprachsignale, die von der Erfindung getrennt wurden, verwenden kann. Als Reaktion auf die Sprachsignale kann der Spracherkennungsprozessor dann Computerbefehle oder Computertext erzeugen.
Kurze Beschreibung der Zeichnungen
Die Lehren der vorliegenden Erfindung können leicht durch Betrachten der folgenden detaillierten Beschreibung in Verbindung mit den begleitenden Zeichnungen verstanden werden, in denen:
1 ein System zum Ausführen einer Softwarerealisierung der vorliegenden Erfindung zeigt,
2 ein Flußdiagramm eines Verfahrens der vorliegenden Erfindung ist,
3 einen Graph der von der vorliegenden Erfindung erzeugten Filterkoeffizienten im Frequenzraum darstellt und
4 einen Graph der von der vorliegenden Erfindung erzeugten Filterkoeffizienten im Zeitraum darstellt.
Um das Verständnis zu erleichtern, wurden, wo immer möglich, identische Bezugszeichen verwendet, um identische Elemente, welche den Figuren gemeinsam sind, zu bezeichnen.
Detaillierte Beschreibung
Die vorliegende Erfindung schätzt Werte der Parameter W für das Rückwärtsmodell aus Gleichung 2, durch Annahme nicht stationärer Quellensignale und durch Verwendung einer Fehlerquadrat-(least squares, LS-)Optimierung ab, so daß W sowie die Signal- und Rauschleistungen abgeschätzt werden. Die Erfindung transformiert das Quellentrennungsproblem in den Frequenzbereich und löst gleichzeitig ein Quellentrennungsproblem für jede Frequenz.
1 zeigt ein System 100 zur Realisierung des Quellentrennungsverfahrens der vorliegenden Erfindung. Das System 100 weist eine gefaltete Signalquelle 126 auf, welche das Signal bereitstellt, das in seine Komponentensignale zerlegt werden soll und ein Computersystem 108, welches die Mehrfachdekorrelationsroutine 124 der vorliegenden Erfindung ausführt. Die Quelle 126 kann irgendeine Quelle von gefalteten Signalen aufweisen, aber sie ist anschaulich so gezeigt, daß sie ein Sensorarray 102, einen Signalprozessor 104 und eine aufgenommene Signalquelle 106 aufweist. Das Sensorarray weist einen oder mehrere Übertrager 102A, 102B, 102C, wie zum Beispiel Mikrofone, auf. Die Übertrager sind mit einem Signalprozessor 104 verbunden, welcher eine Signaldigitalisierung ausführt. Ein digitales Signal ist zur Signaltrennung und zur weiteren Verarbeitung mit dem Computersystem 108 verbunden. Eine aufgenommene Signalquelle 106 kann optional eine Quelle der gefalteten Signale bilden, welche eine Trennung erfordern.
Das Computersystem 108 weist eine zentrale Verarbeitungseinheit (central processing unit, CPU) 114, einen Speicher 122, Unterstützungsschaltkreise 116 und eine Eingabe/Ausgabe-(I/O)-Schnittstelle 120 auf. Das Computersystem 108 ist im allgemeinen durch die I/O-Schnittstelle 120 mit einer Anzeige 112 und verschiedenen Eingabeeinrichtungen 110, wie zum Beispiel einer Maus und einer Tastatur, verbunden. Die Unterstützungsschaltkreise weisen im allgemeinen bekannte Schaltkreise, wie zum Beispiel einen Cachespeicher, Stromversorgungen, Taktschaltkreise, einen Kommunikationsbus und ähnliches auf. Der Speicher 122 kann einen zufälligen Zugriffsspeicher (random access memory, RAM), einen Nurlesespeicher (read only memory, ROM), ein Diskettenlaufwerk, ein Bandlaufwerk und ähnliches oder irgendeine Kombination von Speichereinrichtungen aufweisen. Die Erfindung ist als die Mehrfachdekorrelationsroutine 124 realisiert, welche in dem Speicher 122 gespeichert ist und von der CPU 114 ausgeführt wird, so daß das Signal von der Signalquelle 126 verarbeitet wird. Daher ist das Computersystem 108 ein Computersystem für allgemeine Zwecke, welches ein Computersystem für bestimmte Zwecke wird, wenn die Routine 124 der vorliegenden Erfindung ausgeführt wird. Obwohl ein Computersystem für allgemeine Zwecke zur Veranschaulichung als eine Plattform zur Realisierung der Erfindung gezeigt ist, werden Fachleute realisieren, daß die Erfindung auch als Hardware als ein anwendungsspezifischer integrierter Schaltkreis (application specific integrated circuit, ASIC), ein integrierter digitaler Signalverarbeitungs-(DSP-)Schaltkreis oder eine andere Hardwareeinrichtung oder -einrichtungen realisiert sein kann. Daher kann die Erfindung als Software, Hardware oder eine Kombination aus Software und Hardware realisiert sein.
Das dargestellte Computersystem 108 weist darüber hinaus einen Spracherkennungsprozessor 118, zum Beispiel eine Spracherkennungsschaltkreiskarte oder eine Spracherkennungssoftware, auf, welcher so verwendet wird, daß die Komponentensignale, welche die Erfindung von dem gefalteten Signal extrahiert, verarbeitet werden. Daher kann ein Konferenzraum, der eine Mehrzahl von sprechenden Leuten und Hintergrundrauschen aufweist, mit mehreren Mikrofonen 102 überwacht werden. Die Mikrofone 102 erzeugen ein zusammengesetztes Sprachsignal, welches eine Trennung in Komponentensignale erfordert, wenn ein Spracherkennungssystem verwendet werden soll, so daß die Sprache jeder Person in Computertext oder in Computerbefehle umgewandelt wird. Das zusammengesetzte Sprachsignal wird gefiltert, verstärkt und von dem Signalprozessor 104 digitalisiert und mit dem Computersystem 108 verbunden. Die CPU 114, welche die Mehrfachdekorrelationsroutine 124 ausführt, trennt das zusammengesetzte Signal in seine Signalkomponentenbestandteile. Von diesen Bestandteilkomponenten kann Hintergrundrauschen leicht entfernt werden. Die Bestandteilkomponenten ohne Rauschen werden dann an den Spracherkennungsprozessor 118 übertragen, um die Komponentensignale in Computertext oder Computerbefehle zu verarbeiten. Auf diese Wei se führt das Computersystem eine Signalvorverarbeitung oder Konditionierung für den Spracherkennungsprozessor 118 durch, während die Mehrfachdekorrelationsroutine 124 ausgeführt wird.
2 zeigt ein Flußdiagramm der Mehrfachdekorrelationsroutine 124 der vorliegenden Erfindung. Bei Schritt 200 wird das gefaltete (gemischte) Signal eingegeben, das Signal wird in eine Mehrzahl von Fenstern zergliedert, welche T-Datenpunkte des Eingangssignals X(t) aufweisen und die Routine erzeugt einen diskreten Fouriertransformations-(DFT)-Wert für jedes Fenster χ(t), d.h. einen DFT-Wert für jedes Fenster von Proben der Länge T.
Bei Schritt 202 verwendet die Routine 124 die DFT-Werte, um K Kreuzkorrelations-Leistungsspektren zu akkumulieren, wobei jedes der K-Spektren über N Fenster von Proben der Länge T gemittelt ist.
Für nicht-stationäre Signale hängen die Kreuzkorrelations-Abschätzungen von der absoluten Zeit ab und werden in der Tat von einem Abschätzungssegment (einer NT-Periode) zu dem nächsten variieren. Die Kreuzkorrelations-Abschätzungen, die mit Hilfe eines Computers in Schritt 204 verarbeitet werden, werden dargestellt als:
wobei: χ(t + nT, ν) = FFTX(t + nT), X(t) = [x(t) – x(t + T – 1)]und χ(ν) ist die FFT des Eingangssignals innerhalb eines Fensters, welches T Abtastwerte enthält. Daher verarbeitet die Routine bei Schritt 204 eine Matrix für jede Zeit t und für jede Frequenz ν und summiert dann all die Matrizenkomponenten mit jeder anderen Matrizenkomponente. Die Schritte 206, 208, 210 und 212 iterieren die Korrelationsabschätzung aus Schritt 204 von n = 0 bis N und k = 0 bis K, um die K Spektren zu erzeugen.
Gleichung 5 kann dann zu einer Matrixdarstellung vereinfacht werden: R ^x(t, ν) = A(ν)Λs(t, ν)AH(ν) + Λn(t, ν). (6)
Wenn N ausreichend groß ist, können Λ_S(t, ν) und Λ_n(t, ν) aufgrund der Signalunabhängigkeitsannahme als diagonale Matrizen modelliert werden. Damit Gleichung 6 für verschiedene Zeiten linear unabhängig ist, ist es notwendig, daß Λ_s(t, ν) sich mit der Zeit ändert, d.h. die Signale nicht stationär sind.
Die Kreuzkorrelations-Abschätzungen aus Gleichung 6 verwendend, berechnet die Erfindung die Quellensignale, wobei Kreuzleistungsspektren verwendet werden, welche die folgende Gleichung erfüllen: Λs(t, ν) = W(ν)(R ^x(t, ν) – Λn(t, ν))WH(ν). (7)
Um unabhängige Bedingungen für jede zeitliche Periode zu erhalten, werden die zeitlichen Perioden im allgemeinen so gewählt, daß sie nicht überlappende Abschätzungszeiten für R ^_x(t_k, ν), d.h. t_k = kTN. Wenn aber die Signale ausreichend schnell variieren, können überlappende Abschätzungszeiten verwendet werden. Darüber hinaus können die Fenster einander überlappen, obwohl die Fenster T im allgemeinen sequentiell sind, so daß jeder DFT-Wert aus Signalinformation erhalten wird, welche auch in dem vorhergehenden Fenster enthalten war. In einem Audiosignal-Verarbeitungssystem wird der bestimmte Wert von T basierend auf den Raumakustiken des Raums, in welchem die Signale aufgenommen werden, ausgewählt. Zum Beispiel benötigt ein großer Raum mit vielen Wiederhallphasen ein langes Fenster T, so daß die Erfindung eine wesentliche Menge von Signalinformation verarbeiten kann, um eine Quellensignaltrennung zu erreichen. Der Wert N wird im allgemeine durch die Menge von für die Verarbeitung verfügbaren Daten bestimmt. Typische Werte sind N = 20, T = 1024 Abtastwerte und K = 5.
Das erfindungsgemäße Verfahren berechnet einen Mehrpfadkanal W (d.h. die Tap-Werte eines mehrdimensionalen FIR-Filters), welcher gleichzeitig Gleichung 7 für K Näherungsperioden, zum Beispiel 2 bis 5 Näherungsperioden zum Verarbeiten von Audiosignalen, erfüllt. Solch ein Verfahren wird bei Schritten 214, 216, 218 (zusammen ein Filterparameter-Abschätzungsprozeß 224) durchgeführt und es wird dargestellt, wobei eine Fehlerquadratabschätzungsprozedur wie folgt verwendet wird:
wobei E(k, ν) = W(ν)(R ^χ(k, ν) – Λn(k, ν))WH(ν) – Λs(k, ν).
Zur Vereinfachung wurde eine Kurzformnomenklatur in Gleichung 8 verwendet, wobei Λ_s(k, ν) = Λ_s(t_k, ν) und Λ_s = Λ_s(t₁, ν), ☺, Λ_s(t_K, ν) und die gleiche vereinfachte Notation auch auf Λ_n(t, ν) und R_x(t, ν) anwendbar ist.
Um die Parameter W zu erzeugen, wird ein Gradientenabstiegsprozeß (gradient descent) 224 (welcher die Schritte 214, 216, 218 und 220 aufweist) verwendet, der die Werte von W iteriert, wenn die Kostenfunktion (8) minimiert wird. In Schritt 216 werden die W-Werte aktualisiert zu W^neu = W^alt – ∇_WE, wobei ∇_WE der Gradientenschrittwert ist und μ eine Wichtungskonstante ist, welche die Größe der Aktualisierung steuert.
Genauer bestimmt der Gradientenabstiegsprozeß die Gradientenwerte wie folgt.
B(k, ν) ≡ R ^x(k, ν) – Λn(k, ν) (13)
Wenn Gleichung 11 Null ist, kann die Routine explizit die Parameter Λ_s(k, ν) lösen, während Parameter Λ_n(k, ν) und W(ν) mit einer Gradientenabstiegsregel berechnet werden, d.h. es werden mit jedem Durchgang durch die Routine neue Werte von Λ_s(k, ν) und W(ν) berechnet, bis die neuen Werte von W(ν) nicht sehr von den alten Werten von W(ν) verschieden sind, d.h. W konvergent ist.
Es ist darauf hinzuweisen, daß Gleichung 8 eine zusätzliche Beschränkung der Filtergröße im Zeitbereich aufweist. Bis auf diese Beschränkung würde es so aussehen, daß die verschiedenen Frequenzen ν = 1, ..., T unabhängige Probleme darstellen. Die Lösungen W(ν) jedoch sind auf solche Filter beschränkt, welche keine zeitliche Reaktion unter τ > Q << T aufweisen. Effektiv parametrisiert die Routine Td_s, d_x Filterkoeffizienten in W (ν) mit Qd_sd_x Parametern W(τ). In der Praxis werten die Werte von W im Frequenzbereich, bei Schritt 214 erzeugt, zum Beispiel W(ν), dann wird bei Schritt 218 eine FFT auf diese Frequenzbereichswerte angewandt, so daß die Werte von W(ν) in den Zeitbereich umgewandelt werden, zum Beispiel W(τ). Im Zeitbereich wird jeder W-Wert, welcher zu einer Zeit größer als eine Zeit Q auftritt, zu Null gesetzt und alle Werte in dem Bereich unter Q werden nicht angepaßt. Die angepaßten Zeitbereichswerte werden dann umgewandelt, wobei eine inverse FFT zurück in den Frequenzbereich verwendet wird. Durch Nullsetzen der Filterantwort in dem Zeitbereich für alle Zeiten größer als Q wird die Frequenzantwort des Filters geglättet, so daß bei jeder Frequenz eine eindeutige Lösung leicht bestimmt wird.
3 zeigt eine Darstellung zweier Frequenzantworten 302A und 302B und 4 zeigt eine Darstellung ihrer entsprechenden Zeitbereichsantworten 304A und 304B. Die kleinsten Fehlerquadratlösungen für die Koeffizienten werden gefunden, wobei ein Gradientenabstiegsprozeß bei Schritt 224 ausgeführt wird, so daß ein iterativer Ansatz verwendet wird, um die richtigen Werte von W zu bestimmen. Nachdem der Gradient in Gleichung 10, wie in Schritt 220 identifiziert, „flach wird", wendet die Routine bei Schritt 222 die berechneten Filterkoeffizienten auf ein FIR-Filter an. Das FIR-Filter wird so verwendet, daß die Abtastwerte des (gemischten) Eingangssignals x(t) in der zeitlichen Periode KNT in der Länge gefiltert wird. Das FIR-Filter erzeugt in Schritt 226 die dekorrelierten Komponentensignale des gemischten Signals. Dann erhält die Routine bei Schritt 228 die nächste KNT Anzahl von Abtastwerten zur Verarbeitung und fährt bei Schritt 200 fort, die nächsten KNT Abtastwerte zu filtern. Die vorangegangenen KNT Abtastwerte werden aus dem Speicher entfernt.
Wie oben erwähnt, sind die Gradientengleichungen so begrenzt, daß sie in dem Unterraum möglicher Lösungen mit W(τ) = 0 für τ > Q << T bleiben. Dies ist wichtig, da dies eine notwendige Bedingung dafür ist, daß Gleichung 8 eine gute Näherung erreicht.
In praktischen Anwendungen, wie zum Beispiel der Spracherkennungs-Signalvorverarbeitung, erhöht die erfindungsgemäße Routine im wesentlichen die Leistungsfähigkeit der Spracherkennungsgenauigkeit, d.h. die Wortfehlerrate wird um 5 bis 50% verbessert und erreicht in einigen Fällen die Fehlerrate, welche erreicht wird, wenn kein Rauschen vorhanden ist. Fehlerratenverbesserung wurde gezeigt, wenn ein gewünschtes Sprachsignal entweder mit Musik oder mit einem anderen Sprachsignal als Hintergrundrauschen kombiniert ist.
Obwohl verschiedene Ausführungsformen, welche die Lehren der vorliegenden Erfindung verwenden, gezeigt und detailliert hierin beschrieben wurden, können Fachleute leicht viele andere abweichende Ausführungsformen konstruieren, welche dennoch diese Lehren verwenden, solange sie innerhalb des Schutzbereichs der anhängenden Ansprüche liegen.

Claims

Verfahren für das Trennen eines gemischten Signals in eine Mehrzahl von Komponentensignalen, das die Schritte aufweist: (a) Erzeugen einer Mehrzahl von diskreten Fourier-Transformationswerten (DFT) (200), wobei ein DFT-Wert für je T Abfragen des gemischten Signals erzeugt wird, (b) Erzeugen einer Kreuzkorrelationsschätzmatrix, die über N der DFT-Werte gemittelt ist (204), (c) Wiederholen von Schritt (b) K-mal, um eine Mehrzahl von Kreuzkorrelationsschätzwerten zu erzeugen (208, 210), (d) Berechnen unter Verwendung eines Gradientenabstiegsprozesses (gradient descent process) (224) einer Mehrzahl von Filterkoeffizienten für ein Filter mit endlicher Impulsantwort (FIR) unter Verwendung der Kreuzkorrelationsschätzwerte, (e) Filtern des gemischten Signals unter Verwendung des FIR-Filters mit den berechneten Filterkoeffizienten (222), um das gemischte Signal in die Mehrzahl von Komponentensignalen zu separieren.
Verfahren nach Anspruch 1, wobei Schritt (d) weiterhin die Schritte aufweist: (d1) Transformieren der Filterkoeffizienten von dem Frequenzraum in den Zeitraum, (d2) Nullen aller Filterkoeffizienten mit einem Wert ungleich Null für jede Zeit, die größer als eine vorbestimmte Zeit Q ist, um eingestellte Zeitraumfilterkoeffzienten zu erzeugen, wobei Q kleiner als T ist, und (d3) Transformieren der eingestellten Zeitraumfilterkoeffizienten von dem Zeitraum in den Frequenzraum, um die Filterkoeffizienten zu erzeugen, die in dem Gradientenabstiegsprozeß verwendet werden.
Verfahren nach Anspruch 1, wobei die Kreuzkorrelationsschätzwerte in Schritt (b) erzeugt werden unter Verwendung der folgenden Gleichung:
wobei χ(t, ν) das gemischte Signal im Frequenzraum ist.
Verfahren nach Anspruch 3, wobei der Gradientenabstiegsprozeß die Funktion
minimiert, wobei E(k, ν) eine Fehlerfunktion ist.
Vorrichtung für das Trennen eines gemischten Signals in eine Mehrzahl von Komponentensignalen, die aufweist: eine Einrichtung für das Erzeugen einer Mehrzahl von diskreten Fourier-Transformationswerten (DFT), wobei ein DFT-Wert für je T Abfragen des gemischten Signals erzeugt wird, eine Einrichtung für das Erzeugen einer Mehrzahl von Kreuzkorrelationsschätzwerten unter Verwendung der DFT-Werte, einen Gradientenabstiegsprozessor für das Berechnen einer Mehrzahl von Filterkoeffizienten für ein Filter mit endlicher Impulsantwort (FIR) unter Verwendung der Kreuzkorrelationsschätzwerte, und ein Filter für das Filtern des gemischten Signals unter Verwendung des FIR-Filters mit den berechneten Filterkoeffizienten, um das gemischte Signal in die Mehrzahl von Komponentensignalen aufzuteilen.
Vorrichtung nach Anspruch 5, wobei der Gradientenabstiegsprozessor weiterhin aufweist: einen ersten Transformierer für das Transformieren der Filterkoeffizienten vom Frequenzraum in den Zeitraum, eine Einrichtung für das Nullen aller Filterkoeffizienten mit einem Wert ungleich Null für jede Zeit, die größer als eine vorbestimmte Zeit Q ist, um eingestellte Zeitraumfilterkoeffizienten zu erzeugen, wobei Q kleiner als T ist, und einen zweiten Transformierer für das Transformieren der eingestellten Zeitraumfilterkoeffizienten vom Zeitraum in den Frequenzraum, um die Filterkoeffizienten, die in dem Gradientenabstiegsprozeß verwendet wurden, zu erzeugen.
Vorrichtung nach Anspruch 5, wobei die Kreuzkorrelationsschätzwerte unter Verwendung der folgenden Gleichung erzeugt werden:
wobei χ(t, ν) das gemischte Signal im Frequenzraum ist.
Vorrichtung nach Anspruch 5, das weiterhin ein Spracherkennungssystem (118) aufweist für das Verarbeiten zumindest eines der Mehrzahl von Komponentensignalen.
Vorrichtung nach Anspruch 5, das weiterhin aufweist: eine Mehrzahl von Mikrofonen (102), die das gemischte Signal erzeugen.
Vorrichtung nach Anspruch 5, wobei der Gradientenabstiegsprozessor die Funktion minimiert:
wobei E(k, ν) eine Fehlerfunktion ist.
Computerlesbares Speichermedium, das ein Programm (124) enthält, das, wenn es auf einem Allzweckcomputersystem (108) abläuft, veranlaßt, daß das Allzweckcomputersystem ein spezielles Computersystem wird, das ein Verfahren durchführt für das Auftrennen eines gemischten Signals in eine Mehrzahl von Komponentensignalen, das die Schritte aufweist: (a) Erzeugen einer Mehrzahl von diskreten Fourier-Transformationswerten (DFT) (200), wobei ein DFT-Wert je T Abfragen des gemischten Signals erzeugt wird, (b) Erzeugen einer Kreuzkorrelationsschätzmatrix, die über N der DFT-Werte (204) gemittelt ist, (c) Wiederholen von Schritt (b) K-mal, um eine Mehrzahl von Kreuzkorrelationsschätzwerten zu erzeugen (208, 210), (d) Berechnen einer Mehrzahl von Filterkoeffizienten unter Verwendung eines Gradientenabstiegsprozesses (224) für ein endliches Impulsantwortfilter (FIR) unter Verwendung der Kreuzkorrelationsschätzwerte, und (e) Filtern des gemischten Signals unter Verwendung des FIR-Filters mit den berechneten Filterkoeffizienten (222), um das gemischte Signal in die Mehrzahl von Komponentensignalen aufzuteilen.
Computerlesbares Medium nach Anspruch 11, wobei Schritt (d) des Verfahrens weiterhin die Schritte aufweist: (d1) Transformieren der Filterkoeffizienten vom Frequenzraum in den Zeitraum, (d2) Nullen aller Filterkoeffizienten mit einem Wert ungleich Null für jede Zeit, die größer als eine vorbestimmte Zeit Q ist, um einen eingestellten Zeitraumfilterkoeffizienten zu erzeugen, wobei Q kleiner als T ist, und (d3) Transformieren der eingestellten Zeitraumfilterkoeffizienten vom Zeitraum in den Frequenzraum, um die Filterkoeffizienten zu erzeugen, die in dem Gradientenabstiegsprozeß verwendet werden.
Computerlesbares Medium nach Anspruch 11, wobei die Kreuzkorrelationsschätzwerte in Schritt (b) erzeugt werden unter Verwendung der folgenden Gleichung:
wobei χ(t, ν) das gemischte Signal im Frequenzraum ist.
Computerlesbares Medium nach Anspruch 11, wobei der Gradientenabstiegsprozeß die Funktion minimiert:
wobei E(k, ν) eine Fehlerfunktion ist.