论文部分内容阅读
本文提出一种基于马尔科夫链蒙特卡洛方法（MCMC）的贝叶斯非稀疏盲源分离算法。用广义高斯分布（GGD）来拟合源信号的分布，通过MCMC抽样得到GGD参数和隐变量的估计，并由此得到源信号的最小均方误差估计（MMSE），解决了GGD参数估计容易陷入局部极值点、鲁棒性差的问题。根据语音信号的局部平稳性，提出基于非稀疏度评判准则的盲分离算法，用MCMC方法分离非稀疏区的语音信号，进一步提高了语音信号分离精度。仿真实验证明，本文方法改善了非稀疏信号和语音信号的分离效果，而且具有更好的鲁棒性。