语音信号识别基于盲源信号分离的实现

3．2 软件实现
Matlab仿真成功后，还需要用硬件来实现。这里以选用ADSP_BF533为例进行阐述。其流程图如图3所示。在用DSP编程实现时，其常见问题首先是白化处理中要用到特征值分解，采用的方式是进行多次QR分解。

为了使人耳可以分辨出不同的声音，观测时间应该足够大，在AD1836采集频率为48kHz时，采集约为22s的声音信号，其需要处理的数据长度为48K×22b，约为一百万个点。在常规的程序设计中，对此信号的处理就需要定义长度为一百万的数组，这远远的超出了内存容量，故其解决方案是直接访问(包括读写)存储在SDRAM中的数据，并把原来程序中的数组运算修改为针对每个元素的运算。每个元素均可直接访问SDR-AM，而不必将保存在SDRAM中的数据通过数组的方式传递到内存中。这就相当于用时间换取内存空间。
AD1836采集的数据为24位的二进制有符号整形数据。为了提高精度，减小误差，应选用32位而不是16位的数据格式进行处理。从24位到32位的转换可采用的方案如下：
对于负数：


其次，为了保证处理过程中的精度，还可选择将data转为float运算的方法。
一般地，处理完的数据数值很小，范围在(-10，10)之间，而播放时必须经过D／A，但D／A本身的热噪声会带来很大的误差，信噪比显然无法容忍。对此，其解决办法是将处理完的数据乘以较大的数值，这样，声音信号的相对值并没有发生改变，因而播放时可达到良好的效果。这一方法也是用数字电路工具(如DSP，FPGA等)处理模拟信号时的常用方法。

4 实际效果
图4所示是两段录音的音频信号时域图，图5则是经过瞬时线性混合后的信号时域图，图6是经过在BF533平台上利用FastICA算法得到的分离后的信号时域图。实验发现，图6所示的结果分离效果良好，可以清楚地听到不同的源信号。

5 结论
本文首先简单介绍了盲信号分离的数学模型以及常用的理论算法。之后详细介绍了用ADSP_BF533实现盲信号分离时的具体流程以及实现过程中常见问题的解决方案。本设计方案所需时间短，效率高，而且占用内存较少。在工程应用方面具有一定的参考价值。