盲源分离(BSS)旨在在没有关于源或混合系统的先验信息的情况下从观察到的混合物中估计源信号。在混响时间较长的情况下，引入了全秩空间协方差矩阵(SCM)，显示了改进的分离性能。但是，全等级单片机仍然缺乏物理意义。

近日，中国科学院声学研究所(IACAS)的研究人员提出了一种基于频域卷积传递函数的BSS框架，为解决高混响环境下的BSS问题提供了新思路。

该研究于1月25日在线发表在IEEE/ACMTransactionsonAudio,Speech,andLanguageProcessing上。

在不采用窄带假设的情况下，他们使用逐频卷积混合来近似时域卷积混合，并提出了一种在高混响环境中用于BSS的基于卷积传递函数(CTF)的多通道非负矩阵分解(MNMF)框架。

全秩SCM可以基于提出的CTF框架和慢时变源方差推导出来，这清楚地解释了为什么全秩空间模型在实践中运行良好。

基于CTF框架，研究人员提出了一种基于CTF的超定BSSMNMF算法。实验表明，该算法在混响环境中取得了较高的分离性能。