Enthallung und Trennung von Sprachsignalen mittels blinder adaptiver MIMO-Filterung

In diesem Beitrag stellen wir eine Klasse von neuen Algorithmen zur blinden Enthallung von Sprachsignalen und gleichzeitiger Trennung von Signalgemischen (blind source separation, BSS) vor, basierend auf TRINICON, einem allgemeinen Konzept für breitbandige adaptive MIMO-Signalverarbeitung. Um alle grundlegenden stochastischen Signaleigenschaften von Sprache für den Enthallungsund Separationsprozess ausnutzen zu können und um die bekannten Whitening-Artefakte in bisherigen Verfahren zu vermeiden, schlagen wir die Einführung eines speziell entworfenen Signalmodells vor, welches auf einer Entwicklung mittels multivariater Tschebyscheff-Hermite-Polynome basiert. Das multivariate Modell beinhaltet auch inhärent eine lineare Prädiktion, welche bekanntermaßen direkt mit der Modellierung des menschlichen Vokaltrakts in Verbindung gebracht werden kann. Das vorgestellte Konzept ist anwendbar sowohl für Einzelsprecher-Szenarien, als auch für mehrere, simultan aktive Sprecher. Im letzteren Fall beinhaltet es zusätzlich zur Enthallung auch eine blinde Quellentrennung (BSS). 1 Einleitung Bei der breitbandigen Signalaufnahme mittels Sensor-Arrays, wie z.B. in modernen Sprachkommunikationssystemen, werden die ursprünglichen Quellensignale sq(n), q = 1, . . . , Q durch ein lineares System mit mehreren Eingängen und mehreren Ausgängen (MIMO-System), z.B. den halligen Raum, gefiltert, bevor sie als Sensorsignale xp(n), p = 1, . . . , P verarbeitet werden. In diesem Beitrag beschreiben wir dieses MIMO-Mischsystem durch FIR-Filtermodelle entsprechend Abb. 1, wobei hqp,κ, κ = 0, . . . ,M − 1, die Koeffizienten des Modells von der q-ten Signalquelle zum p-ten Sensor (Signal xp(n)) bezeichnet. Darüberhinaus nehmen wir in diesem Beitrag an, dass Q ≤ P . Diese Fälle werden als überbestimmt bzw. bestimmt bezeichnet. Dabei ist zu beachten, dass die Quellen sq(n) nicht notwendigerweise alle