[发明专利]基于预分离的盲信号分离方法

说明书

技术领域

本发明涉及信号处理技术，特别涉及盲信号处理技术。

背景技术

盲信号处理(Blind Signal Process，BSP)技术或盲信号分离指的是：在源信号和传输通道的参数未知的情况下，根据源信号的统计特性，仅由观测信号估计出源信号的过程，有时也称为盲源分离(Blind Source Separation，BSS)。

独立分量分析(Independent Component Analysis，ICA)起源于盲源分离。盲源分离与传统的处理方法完全不同，它是对源信号和传输通道几乎没有可利用信息的情况下，仅从观测到的混合信号中提取或恢复出源信号的一种信号处理方法。ICA是为非高斯数据找到一种线性变换，这样成分与成分之间是统计独立的或者尽可能的独立。基于ICA方法，使得被分析信号各成分之间的统计依赖性得到了最小化，突出了源信号的本质结构。ICA是基于信号高阶统计特性的分析方法，经ICA分解出的各信号之间是相互独立的。

独立分量分析，在语音信号识别、阵列天线处理、通信信号分离、医学信号处理、模式识别及图象处理等领域有着广泛的应用。

ICA的基本目标就是要找到一个线性变换，使变换后的各信号之间尽可能统计独立。如图1所示，x为观测值，对应于一个N维离散时间信号x(t),t=1,...,T是源信号s_i(t)，i=1,...,M经过线性混合矩阵A后的观测信号。通常假定源信号s_i之间是相互独立的。若将观测信号x(t)通过分离矩阵W，使得输出信号y的各分量相互独立，就可以得到源信号的估计。即，ICA算法需要通过寻找到合适的分离矩阵W，使得信号精确分离。

在独立分量分析ICA算法中以FastICA、C-FastICA、NC-FastICA最为流行，因为它们的收敛速度快、迭代次数少而已经被广泛的应用于以上领域。这些算法利用了牛顿迭代法的原理，采用牛顿迭代法优化目标函数，对初始值的选择比较敏感，当初值选择不恰当时，算法可能要迭代很多次才会收敛，原因在于迭代的方向不一定是下降方向，经过迭代，目标函数值可能收敛缓慢。尤其当快拍数据的长度很长时，计算量会很大，将影响工程应用。

在处理长快拍数据时，传统的信号处理方式有两种，第一种方式SPT-L如图2所示，先对数据进行采样，再对快拍数据进行基于ICA的盲源分离，通过迭代运算得到最终的分离矩阵，迭代运算的初始化分离矩阵采用随机可逆矩阵或者单位矩阵；第二种处理方式SPT-S如图3所示，与SPT-L的区别是，采样后，还对快拍数据进行抽样，在对抽样数据进行基于ICA的盲源分离。SPT-L在迭代初期使用的是长数据，初期算法的收敛速度并不好，将导致总体的计算时间较长。SPT-S只是使用部分短数据来作分离，计算量将减少很多，但分离性能势必降低。

发明内容

本发明所要解决的技术问题是，提供一种在保证分离性能的前提下减少迭代运算时间的盲信号分离方法。

本发明为解决上述技术问题所采用的技术方案是，基于预分离的盲信号分离方法，其特征在于，包括以下步骤：

1、基于预分离的盲信号分离方法，其特征在于，包括以下步骤：

1）采样步骤：对信号进行采样得到采样序列{x(t)}，其中t表示采样时刻，快拍数为N；

2）预分离步骤：

2-1）对采样序列{x(t)}进行等间距抽样，每D个快拍数据抽取一个数据，得到采样序列采样序列的快拍数为N/D；

2-2）对采样序列进行基于ICA的盲源分离，通过迭代运算得到最终的分离矩阵W₁，迭代运算初始的分离矩阵W₀使用随机可逆矩阵或者单位矩阵；

3）高精度分离步骤：对采样序列{x(t)}使用分离矩阵W₁作为初始的分离矩阵进行基于ICA的盲源分离。

本发明抽取部分快拍数据作预分离找到一个较好的初值，利用此初值再做全部数据的分离的信号处理，这样能减少长数据的迭代次数，而抽取的部分快拍数据的计算量相对较少，从而可以在保证分离性能的前提下，减少计算量。

本发明的有益效果是，在减少长数据的迭代次数的同时，保持了长数据的分离性能。

附图说明

图1：ICA混合与分离模型。

图2：传统SPT-L处理流程。

图3：传统SPT-S处理流程。

图4：不同快拍数条件下，平均分离性能。

图5：不同快拍数条件下，平均迭代次数。