[发明专利]一种源信号的确定方法及系统

说明书

本发明涉及一种源信号的确定方法及系统。该方法包括获取卷积盲信号的观测信号；对观测信号进行采样，确定初始粒子集；根据初始粒子集，采用无先导卡尔曼粒子滤波算法，得到更新后的粒子集；根据更新后的粒子集确定粒子风险函数；根据粒子风险函数确定粒子风险的权重映射函数；根据更新后的粒子集和权重映射函数确定粒子代价函数；根据权重映射函数和粒子代价函数，采用最小二乘法拟合，得到提取向量的预测值；根据提取向量的预测值，采用加权最小二乘法，得到提取向量的确定值；根据提取向量的确定值和卷积盲信号的观测信号确定源信号。上述方法及系统解决现有技术中提取卷积盲信号的效率低，而造成源信号确定准确率低的问题。

技术领域

本发明涉及信号处理领域，特别是涉及一种源信号的确定方法及系统。

背景技术

盲信号提取是一个基础研究问题，即在源信号和传输信道均未知的情况下，仅利用观测信号(混合信号)恢复出源信号或对混合信道进行辨识。盲信号的提取应用的范围很广，例如：医学信号提取、微弱信号检测、通信盲均衡和特征提取等领域。由于混合过程和源信号数量均未知，其求解过程比较复杂且必须依赖于一定的限制条件。观测信号在传输之前需进行量化处理，而在信号量化处理过程中必然引进白化、量化、信道畸变等多种噪声，从而在很大程度上增加了对盲信号的提取难度，进一步不能准确的确定出源信号。源信号不能准确的确定，造成通信信号、医学信号等失真。基于贝叶斯框架的非线性滤波方法是一个递推-更新的参数估计过程，可实时对系统参数进行处理，但在参数设置和信号先验条件上有较高要求，如：贝叶斯递推的基础是要求噪声统计特性已知，而实际上很难对各种应用中的噪声进行准确的数学建模，因此噪声的统计特性是非线性滤波方法要解决的首要问题。

现有技术中针对上述问题，提出了多种解决方案，其中专利CN201610150215.0请求保护一种基于改进粒子滤波的PCMA信号单通道盲分离方法。对接收到的单个PCMA信号进行分帧处理，确定参数的取值范围和分布，从而初始化粒子；根据重要性采样函数和当前时刻之前的粒子轨道，更新得到新的粒子；计算粒子重要性权值的大小并设置阈值来抛弃一些对后验分布贡献小的粒子，从而动态地调整粒子总数来简化计算；在利用线性最小均方误差准则得到两路上行信号参数的估计值后，设计了一种参数已知的信号分离方法，并在似然函数的递推计算过程中，抛弃一些质量差的轨迹来进一步降低计算量，最后利用最大似然准则得到两路上行信号的符号序列估计值。与原算法对状态进行穷举的做法相比，本方法可以显著地降低计算量；但是该方法抛弃了质量差的粒子，这就降低了算法实时实现时所需的计算精度。

专利CN201611165889.4公开了一种基于高斯混合模型和变分贝叶斯的粒子滤波方法，包括以下步骤：1)对观测噪声使用高斯混合模型进行建模，初始化初始状态；2)基于初始状态的概率密度函数随机产生N个初始粒子；3)初始化观测噪声的高斯混合模型未知参数的超参数；4)从选用的重要性参考函数中生成采样粒子；5)量测更新，根据最新的观测值和粒子权值迭代公式计算粒子权值；6)使用变分贝叶斯方法通过循环迭代的方法求出高斯混合模型中未知参数的分布；7)对粒子权值进行归一化，并针对粒子退化的问题，对粒子集进行重采样。通过上述方式，有效地提高了滤波精度以及对目标状态的估计性能。

在盲信号提取问题中，因为传输信道参数未知，因此盲信号的提取过程即为源信号的提取过程。按照源信号的混合方式，可以分为线性顺势混合、线性卷积混合和非线性混合模型。在实际的真实环境中，信号的传输会受到时延、反射、衰减等因素影响，使得从传感器或信号阵列得到的信号是源信号经过卷积混合后的信号。因此，研究卷积混合模型的求解过程更具实际意义。

在实际的应用场景中，当源信号信息完全未知时，是无法对混合信号进行提取或者分离的，目前主要是基于半盲(源信号统计特征已知)来实现从混合信号中提取还原出源信号。当源信号已知、混合信道未知且混合参数未知时，对其进行源信号提取还原，需要在源信号统计特性上建立数学模型，以完成对混合信道参数的估计，最终有效的确定源信号。