6、基于模型源分离的多通道空间聚类技术解析

基于模型源分离的多通道空间聚类技术解析

1. 模型训练与空间聚类基础

在音频处理领域，模型训练的数据应反映其实际运行条件。常见的训练方法是使用多条件数据，即让识别器在混合了多种不同噪声的语音数据上进行训练，期望测试时遇到的噪声与训练噪声相似。这种多条件训练对基于高斯混合模型（GMM）和深度神经网络（DNN）的声学模型都有益处。DNN增强系统也可进行针对性训练，以在固定麦克风阵列的不同声源位置，甚至线性阵列的不同麦克风间距下实现泛化。

将模型推广到新的麦克风、声源和房间空间配置时，判别式训练过程成本较高。不过，通过波束形成可以自然地从数据中提取这些信息。传统波束形成假定阵列几何结构已知，这限制了其在新条件下的泛化能力，而无监督的基于定位的聚类方法则避免了这一假设。这种方法已成功应用于双麦克风分离、大型临时麦克风阵列的定位、校准以及时频（T - F）掩码构建等场景，还可应用于分布式麦克风阵列。

空间聚类方法基于时频掩码的思想，通过对频谱图中不同的时频点应用不同的衰减，抑制混合声音中的无用声源。聚类时频点会形成具有相似空间特征的点组，安排每个时频点在各点组中的隶属权重，可得到用于分离单个声源的时频掩码。这种基于掩码的方法与传统的盲源分离（BSS）方法不同，传统BSS方法试图对所有时频点的所有声源进行建模。

2. 多通道语音信号

2.1 时域与频域信号关系

设时域中感兴趣的信号为 $x_1[n]$，若它与 $I - 1$ 个其他信号 $x_i[n]$ 一起在 $J$ 个麦克风处录制，第 $j$ 个麦克风处的信号为 $y_j[n]$，则有：
$$y_j[n] = \sum_{i = 1}^{I} \sum_{l