《一种噪声环境下的多维盲分离方法.pdf》由会员分享，可在线阅读，更多相关《一种噪声环境下的多维盲分离方法.pdf（11页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104064195A43申请公布日20140924CN104064195A21申请号201410307957022申请日20140630G10L21/0272201301H04L1/0020060171申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号72发明人钱国兵李立萍廖红舒刘亮74专利代理机构成都宏顺专利代理事务所普通合伙51227代理人李玉兴54发明名称一种噪声环境下的多维盲分离方法57摘要本发明属于信号处理技术领域，尤其涉及一种噪声环境下的多维盲分离方法。本发明公布了一种去噪FASTIVA算法,能较好的适应噪声IVA模型。与传统的IVA算。
2、法不同，该算法采用伪白化处理并且在分离矩阵的更新公式中引入了噪声项，从而实现了噪声环境下的多维盲分离。仿真验证了去噪FASTIVA算法相对传统的FASTIVA算法能在较宽的信噪比范围内达到很好的分离效果，并且只要采样数足够多，去噪FASTIVA算法在较低信噪比10DB情况下仍能达到较好的分离效果，而这是传统的FASTIVA算法无法达到的。51INTCL权利要求书2页说明书5页附图3页19中华人民共和国国家知识产权局12发明专利申请权利要求书2页说明书5页附图3页10申请公布号CN104064195ACN104064195A1/2页21一种噪声环境下的多维盲分离方法，其特征在于，包括以下步骤S1。
3、、对系统参数进行初始化；S2、对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后的混合信号，具体如下S21、设置K1，其中，K表示第K组接收数据，符号表示赋值；S22、计算第K组接收数据的自相关矩阵对所述自相关矩阵做特征分解其中，DIAG1,2,M；S23、估计第K组接收数据的噪声方差K2N1M/MN，其中，M表示每组传感器的数目，N表示每组信源的数目；S24、计算第K组接收数据的伪白化矩阵得到伪白化后的混合信号XKVKZK，其中，SDIAG1K2,2K2,NK2，US为U的前N列组成的矩阵；S25、如果KK，则设置KK1，并返回S22，若KK，则进入S3，其中，K为总共。
4、要处理的盲分离的组数；S3、选取N阶的单位矩阵IN作为每组的初始化分离矩阵，初始化N1，NMAX1000，其中，NMAX为最大的迭代次数；S4、对每个组的分离矩阵进行更新，具体如下S41、设置K1,I1；S42、对第K组第I列的分离矩阵按照如下公式进行更新其中，N表示更新次数，G为非线性函数，G和G分别为G的一阶和二阶导数；S43、当IN时，则设置II1，返回S42，当IN时，则进入S44；S44、当KK，则设置KK1，I1，返回S42，当KK，则进入S5；S5、对更新后的每个组的分离均值进行正交化处理WKWKWKH1/2WK，其中，K1,2,3,K；S6、判断分离矩阵是否收敛，具体为如果分离。
5、矩阵收敛或者NNMAX，则输出分离矩阵，信号分离结束；如果分离矩阵不收敛且NNMAX，则设置NN1返回S4。2根据权利要求1所述的一种噪声环境下的多维盲分离方法，其特征在于S6所述判权利要求书CN104064195A2/2页3断分离矩阵是否收敛的准则为其中，106。权利要求书CN104064195A1/5页4一种噪声环境下的多维盲分离方法技术领域0001本发明属于信号处理技术领域，尤其涉及一种噪声环境下的多维盲分离方法。背景技术0002在功能磁共振信号处理或者频域中解决卷积混合的时候，经常需要同时解决多组信号盲分离的问题。然而，传统的独立分量分析INDEPENDENTCOMPONENTANAL。
6、YSIS,ICA的方法来对每一组进行盲分离会产生多个组之间恢复出来的信号顺序不一致的问题。独立向量分析INDEPENDENTVECTORANALYSIS,IVA作为一种解决多维盲分离的方法，是ICA从单变量成分到多变量成分的一种扩展。IVA利用了多变量信号之间的统计独立性和每个多变量信号内部的统计相关性，已经在解决多维盲分离的排列问题中有所应用。然而，传统的IVA算法均是基于理想无噪声的模型而提出的，在实际有噪声的环境下这些算法不能准确的对接收数据进行白化，并且在后续的固定点迭代过程中也没有考虑到噪声的影响，因而性能会非常差。迄今没有人提出过噪声模型下的IVA算法，所以，结合噪声背景下的IVA。
7、模型，提出一种有效地分离算法显得尤为重要。0003IVA在本质上就是多维独立分量分析，但是它解决了不同组ICA分离后的信号顺序不一致的问题。0004噪声背景下的IVA模型为ZKAKSKNK，其中，1KK，表示第K个组的观测信号，表示第K个组的源信号，AK表示第K个组的混合矩阵，表示第K个组的噪声，M表示每组接收端传感器的数目，N表示每组信源的个数。同一组之间的源信号相互独立，均值为零并且功率是归一化的，不同组之间对应于同一个分量的源信号和是不独立的，不同组之间对应的不同分量的源信号和是独立的，其中，表示第K组的第I个源信号，表示第L组的第I个源信号，表示第L组的第J个源信号。混合矩阵AK是列满。
8、秩的，不同分量之间的噪声是高斯白噪声，并且满足相互独立和零均值特性。IVA的目的就是找到每个组的分离矩阵WK来恢复每个组的源信号，并且要求不同组之间恢复出来的源信号的顺序是一致的。分离效果的好坏可以用AMARI指标来说明书CN104064195A2/5页5衡量，其定义为其中，CIJ表示矩阵C的第I行第J列的元素，N表示每组信源的个数，IC越小表示分离效果越好，10LOGIA10DB说明算法的分离效果不好。发明内容0005本发明的主要思想是通过分析噪声背景下多维盲分离模型的特殊性，先对每个组的接收信号进行伪白化，并利用每个组噪声的方差信息和伪白化矩阵信息推导出一种新的固定点算法来解决基于噪声背景。
9、的多维盲分离问题。这一算法能够提供更为实用的应用场景，分离效率高，性能稳定，可广泛用于语音、图像、医学和通信信号处理等。0006本发明的目的是针对现有的IVA算法在噪声背景下性能较差的缺陷，提供一种能较好适用于噪声环境下的，分离性能较好，收敛速度较快的IVA算法，即去噪FASTIVA算法。0007为实现上述目的，采用如下技术方案0008S1、对系统参数进行初始化；0009S2、对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后的混合信号，具体如下0010S21、设置K1，其中，K表示第K组接收数据，符号表示赋值；0011S22、计算第K组接收数据的自相关矩阵对所述自相关矩。
10、阵做特征分解其中，DIAG1,2,M；0012S23、估计第K组接收数据的噪声方差K2N1M/MN，其中，M表示每组传感器的数目，N表示每组信源的数目；0013S24、计算第K组接收数据的伪白化矩阵得到伪白化后的混合信号XKVKZK，其中，SDIAG1K2,2K2,NK2，US为U的前N列组成的矩阵；0014S25、如果KK，则设置KK1，并返回S22，若KK，则进入S3，其中，K为总共要处理的盲分离的组数；0015S3、选取N阶的单位矩阵IN作为每组的初始化分离矩阵，初始化N1，NMAX1000，其中，NMAX为最大的迭代次数；0016S4、对每个组的分离矩阵进行更新，具体如下0017S41。
11、、设置K1,I1；0018S42、对第K组第I列的分离矩阵按照如下公式进行更新说明书CN104064195A3/5页60019其中，N表示更新次数，G为非线性函数，G和G分别为G的一阶和二阶导数；0020S43、当IN时，则设置II1，返回S42，当IN时，则进入S44；0021S44、当KK，则设置KK1，I1，返回S42，当KK，则进入S5；0022S5、对更新后的每个组的分离均值进行正交化处理WKWKWKH1/2WK，其中，K1,2,3,K；0023S6、判断分离矩阵是否收敛，具体为0024如果分离矩阵收敛或者NNMAX，则输出分离矩阵，信号分离结束；0025如果分离矩阵不收敛且NNMA。
12、X，则设置NN1返回S4。0026进一步地，S6所述判断分离矩阵是否收敛的准则为其中，106。0027本发明的有益效果是0028本发明能够提供更为实用的应用场景，分离效率高，性能稳定，可广泛用于语音、图像、医学和通信信号处理等，能较好适用于噪声环境下的盲分离。附图说明0029图1本发明所提出的去噪FASTIVA算法流程图。0030图2去噪FASTIVA算法在采样数目固定T1000时性能随信噪比变化曲线图。0031图3去噪FASTIVA算法在信噪比固定SNR10DB时性能随采样数变化曲线图。具体实施方式0032下面结合实施例和附图，详细说明本发明的技术方案。0033实施例1是本发明所述去噪FAS。
13、TIVA算法和传统的FASTIVA算法在采样数目固定时分离性能随信噪比变化的仿真0034去噪FASTIVA算法的方法如附1所示，仿真条件为K10组噪声环境下的混合，每组N2个源信号，混合信号的采样数固定为T1000，每组接收端传感器的数目为M5，信噪比SNR的变化范围为10DB到10DB，进行100次蒙特卡罗实验。不同组中的源信号按照如下方式产生，SNTMN|BNT|FBNT。其中，N1,2，T1，2说明书CN104064195A4/5页7T，BNT中的每一个元素均为零均值方差为1的高斯白噪声且满足MN为1010维的可逆矩阵，用来产生不同组相同维的源信号之间的非独立性，其每个元素服从零均值方差。
14、为1的高斯分布，|F代表FROBENIUS范数。不同组的混合信号按照如下方式产生，ZKAKSKNK,1K10，其中1K10，AK为52维的列满秩矩阵，用来产生每一组的混合信号，其每个元素的实部和虚部均服从零均值方差为的高斯分布，其中，NK中的每一个元素均为零均值方差为K2的高斯白噪声且满足K2由信噪比决定。去噪FASTIVA算法的具体步骤如下0035S1、对系统参数进行初始化，K10，N2，M5，N1,NMAX1000，106；0036S2、对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后的混合信号，具体如下0037S21、设置K1，其中，K表示第K组接收数据，符号表示。
15、赋值；0038S22、计算给定的含噪声的混合信号ZK,K1,2K，计算第K组含噪声的混合信号的自相关矩阵对所述自相关矩阵做特征分解其中，DIAG1,2,M；0039S23、估计S22所述第K组含噪声的混合信号的噪声方差K2N1M/MN，其中，M表示每组传感器的数目，N表示每组信源的数目；0040S24、计算S22所述第K组含噪声的混合信号的伪白化矩阵得到伪白化后的混合信号XKVKZK，其中，SDIAG1K2,2K2,NK2，US为U的前N列组成的矩阵；0041S25、如果KK，则设置KK1，并返回S22，若KK，则进入S3，其中，K为总共要处理的盲分离的组数；0042S3、选取N阶的单位矩阵I。
16、N作为每组的初始化分离矩阵，初始化N1，NMAX1000，其中，NMAX为最大的迭代次数；0043S4、对每个组的分离矩阵进行更新，具体如下0044S41、设置K1,I1；说明书CN104064195A5/5页80045S42、对第K组第I列的分离矩阵按照如下公式进行更新0046其中，N表示更新次数，G为非线性函数，G和G分别为G的一阶和二阶导数；0047S43、当IN时，则设置II1，返回S42，当IN时，则进入S44；0048S44、当KK，则设置KK1，I1，返回S42，当KK，则进入S5；0049S5、对更新后的每个组的分离均值进行正交化处理WKWKWKH1/2WK，其中，K1,2,3。
17、,K；0050S6、判断分离矩阵是否收敛，具体为0051如果分离矩阵收敛或者NNMAX，则输出分离矩阵，信号分离结束；0052如果分离矩阵不收敛且NNMAX，则设置NN1返回S40053所述判断分离矩阵是否收敛的准则为其中，106。0054图2表示去噪FASTIVA算法和传统的FASTIVA算法在不同信噪比下的分离性能曲线。从中可以看出，去噪FASTIVA算法相对传统的FASTIVA算法能在较宽的信噪比范围内达到很好的分离效果。0055实施例2是我们所提出的去噪FASTIVA算法和传统的FASTIVA算法在信噪比固定时分离性能随采样数变化的仿真。在该案例中，信源的产生方式以及混合信号的产生方式均与案例1相同，信噪比SNR固定为10DB,采样数T的变化范围为102105。0056实施例2的方法如附图1所示，改变仿真条件后再次执行实施例1的步骤即可得到图3中我们所提出的去噪FASTIVA算法的性能曲线。从图3中可以看出，只要采样数足够多，所提算法在较低信噪比10DB情况下仍能达到较好的分离效果，而这是传统的IVA算法无法达到的。说明书CN104064195A1/3页9图1说明书附图CN104064195A2/3页10图2说明书附图CN104064195A103/3页11图3说明书附图CN104064195A11。