Resumen

Este artículo describe un algoritmo novedoso para el problema de separación de voz subdeterminada basado en la detección comprimida, que es una técnica emergente para la reconstrucción eficiente de datos. El algoritmo propuesto consta de dos pasos. En primer lugar, se estima la matriz de mezcla desconocida a partir de las mezclas de voz en el dominio de transformación mediante el algoritmo de agrupación K-means. En el segundo paso, se recuperan las fuentes del habla basándose en un algoritmo de aprendizaje bayesiano disperso de autocalibración para la señal del habla. Los experimentos numéricos, incluida la comparación con otros enfoques de representación dispersa, muestran la mejora de rendimiento conseguida.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Algoritmo; separación de voz subdeterminada; detección comprimida; reconstrucción eficaz de datos; agrupación K-means; aprendizaje bayesiano disperso de autocalibración.
• Keywords:Algorithm; underdetermined speech separation; compressed sensing; efficient data reconstruction; K-means clustering; autocalibration sparse Bayesian learning