Die steigende Nachfrage nach komplexen Signalverarbeitungsverfahren in Verbindung mit niederenergetischen, großen, drahtlosen, akustischen Sensornetzwerken, sogenannten wireless acoustic sensor networks (WASNs) treibt den Wandel zu einem neuen Paradigma der Informations -und Kommunikationstechnologien (ICT) voran. Die aufkommende Forschungsrichtung strebt eine attraktive drahtlose Netzwerkkommunikation an, bei der mehrere heterogene Geräte mit unterschiedlichen Interessen an verschiedenen Signalverarbeitungsaufgaben kooperieren können. Im Englischen wird hierfür der Begriff multiple devices cooperating in multiple tasks (MDMT) verwendet. Diese Dissertation beschäftigt sich mit der verteilten Mehrquellen-Erkennung und -Kennzeichnung zur Verbesserung von Audiosignalen, die eine MDMT-gestützte, knotenspezifische Signalverstärkung in WASNs verfolgen. Tatsächlich ist eine genaue Erkennung und Kennzeichnung eine Grundvoraussetzung, um das MDMT-Paradigma zu verfolgen, bei dem die Knoten im WASN effektiv die Quellen ihres Interesses kommunizieren und somit mehrere Signalverarbeitungsaufgaben durch Zusammenarbeit verbessert werden können.

Zu Beginn wird ein neuartiges Rahmenwerk vorgestellt, das auf einem dominanten Quellenmodell in dezentralen WASNs zur Aktivitätsdetektion mehrerer aktiver Sprachsignalquellen in einer halligen und lauten Umgebung basiert. Eine vorläufige, multiplikative, nicht-negative, unabhängige Rank-eins-Komponentenanalyse (M-NICA) zur Extraktion dominanter Energiequellen anhand der zugehörigen Knotencluster wird vorgestellt. Algorithmen, die die mittlere absolute Abweichung und gewichtete mittlere absolute Abweichung innerhalb des Clusters minimieren, werden vorgeschlagen, um die Clusterzugehörigkeit der getrennten Energien zu bestimmen und so eine quellspezifische Sprachaktivitätserkennung zu erreichen.

Des Weiteren wird eine Verbesserung der Energie-Signaltrennung zur Vereinfachung der Mehrfachquellen-Aktivitäts-Diskriminierung angestrebt. Auf iterativen Rank-eins-Singulärwert-Zerlegungsebenen werden Regularisierungsterme angewandt, die Dünnbesetztheit induzieren. Anschließend wird mittels multiplikativer Aktualisierungen eine dünnbesetzte, nicht-negative, blinde Energietrennung vollzogen. Somit wird das Problem der Mehrfachquellenerkennung in eine dünnbesetzte, nicht-negative Quellenergie-Dekorrelation umgewandelt. Dünnbesetztheit stimmt die vermeintlich nicht aktiven Energiesignaturen exakt auf Null-Energien ab, sodass es einfacher ist, aktive Energien zu identifizieren, und ein Aktivitätsdetektor unkompliziert aufgebaut werden kann. In einem zentralisierten Szenario wird die Aktivitätsentscheidung von einem Fusionszentrum gesteuert, das die binäre Quellaktivitätsdetektion für jede teilnehmende Energiequelle liefert. Diese Strategie liefert präzise Erkennungsergebnisse für eine kleine Anzahl von Quellen. Bei einer wachsenden Anzahl von Störquellen ist die verteilte Detektion vielversprechender. Gleichzeitig wird ein robuster, verteilter Energietrennungsalgorithmus für mehrere konkurrierende Quellen vorgeschlagen. Hierzu wird eine robuste und regularisierte $t_{\nu}M$-Schätzung der Kovarianzmatrix der gemischten Energien verwendet. Dieser Ansatz führt zu einer einfachen Aktivitätsentscheidung, bei der nur die robust getrennten Energiesignaturen der Quellen im WASN verwendet werden. Die Leistung des robusten Aktivitätsdetektors wird mit einem verteilten, adaptiven, knotenspezifischen Signalschätzverfahren zur Sprachverbesserung validiert. Im Gegensatz zur ursprünglichen M-NICA für die Quelltrennung verbessern die extrahierten binären Aktivitätsmuster im Zusammenspiel mit der robusten Energietrennung die knotenspezifische Signalschätzung signifikant.

Aufgrund der durch den zusätzlichen Schritt der Energiesignaltrennung verursachten, erhöhten Rechenkomplexität wird ein neuer Ansatz zur Lösung der Detektionsfrage von Mehrfachgeräte-Mehrfachquellen-Netzwerken vorgestellt. Stabilitätsselektion wird zur iterativen Extraktion robuster, rechts-singulärer Vektoren berücksichtigt. Die Unterabtastungs-Auswahlmethode sorgt für Transparenz bei der korrekten Auswahl der Regularisierungsvariablen im Lasso-Optimierungsproblem. Auf diese Weise bilden die stärksten dünnbesetzten, rechts-singulären Vektoren mit einer robusten $\ell_1$-Norm und Stabilitätsselektion die Basisvektoren, die die Eingangsdaten effizient beschreiben. Sie werden mit einer robusten, unbeaufsichtigten Methode auf der Basis einer Norm $\ell_1$ ermittelt. Die Klassifizierung der aktiven/nicht-aktiven Quellen erfolgt eines robusten Mahalanobis-Klassifikators. Hierzu wird ein robuster $M$-Schätzer der Kovarianzmatrix in der Mahalanobis-Distanz verwendet. Umfangreiche Auswertungen in zentralisierten und verteilten Szenarien werden durchgeführt, um die Effektivität des vorgeschlagenen Ansatzes zu bewerten. Die Überwindung der rechenintensiven Quellentrennung ist somit möglich, indem die robuste Stabilitätsselektion für die Extraktion von Multi-Energiemerkmalen genutzt wird.

Im Hinblick auf das Kennzeichnungsproblem verschiedener Quellen in einem WASN wird ein robuster Ansatz eingeführt, der die Einfallsrichtung der ankommenden Quellsignale ausnutzt. Ein auf der Kurzzeit-Fourier-Transformation basierendes Unterraumverfahren schätzt die Winkel von lokal stationären Breitbandsignalen mit Hilfe einer gleichförmigen linearen Sensorgruppe. Der Median der Winkel, die bei jedem Frequenzbereich geschätzt werden, wird verwendet, um den Gesamtwinkel für jede teilnehmende Quelle zu erhalten. Die Merkmale nutzen in diesem Fall die geräteübergreifende Ähnlichkeit in den jeweiligen Frequenzbereichen aus, die eine zuverlässige Schätzung der Ankunftsrichtung für jede Quelle liefern. Die Zuverlässigkeit wird in Bezug auf den Median über die Frequenzen hinweg definiert. Alle quellspezifischen Frequenzbänder, die zur korrekten Schätzung der Winkel beitragen, werden ausgewählt. Für jede Quelle wird an jedem Gerät ein Merkmalsvektor gebildet, in dem die Indizes der Frequenzbereiche gespeichert werden, die innerhalb des oberen und unteren Intervalls der mittleren absoluten Abweichungsskala des geschätzten Winkels liegen. Die Kennzeichnung erfolgt durch ein verteiltes Clustering der extrahierten winkelbasierten Merkmalsvektoren mittels Konsensmittelung.