[发明专利]一种单通道盲源分离方法及系统

权利要求书

1.一种单通道盲源分离方法，其特征在于，包括以下步骤：

S1、构建不同信噪比下的数据集、划分训练集和测试集；

S2、将所述训练集和测试集进行标准化处理并随机打乱训练集序列；

S3、使用所述训练集对神经网络进行训练，并使用CNN提取信号的空间信息，然后使用BiLSTM挖掘信号的时序规律，并利用算法更新模型参数；

S4、所述验证集验证模型训练效果，根据验证结果微调模型参数；

S5、计算损失值，并判断是否收敛；

如果是，进行下一步；

如果不是，使用Adam优化算法进行反向传播，更新模型参数，重复所述S3和S4；

S6、所述测试集测试已训练好的模型性能，得到分离信号，计算评价指标，进行性能评价。

2.根据权利要求1所述的一种单通道盲源分离方法，其特征在于，所述S1包括如下步骤：

S101、通过Matlab软件生成侦察信号、干扰信号、探测信号和通信信号四种调制方式的源信号数据；

S102、使用公式所示的线性瞬时混合模型得到观测信号数据集；其中，为观测信号，为源信号经过一个混叠矩阵之后的混合信号，为噪声，为时间序列；

为了满足分离任务的长期相关性，所述侦察信号、干扰信号、探测信号和通信信号在每个信噪比下均产生3000个纯数据信号，每条所述纯数据信号包括500个采样点，采样频率为100MHz，采样时间为5us。

3.根据权利要求2所述的一种单通道盲源分离方法，其特征在于，所述S2中，数据集的输入标准化处理为：

（1）

其中，为输出的标准化数据；是输入的未标准化数据；为数据输入序列的均值，为数据输入序列的方差，为输入变量的序号。

4.根据权利要求3所述的一种单通道盲源分离方法，其特征在于，所述S3中，所述CNN中卷积层的特征图，表示为：

（2）

其中，为特征图；为卷积操作； 为卷积核的权重向量；表示偏移量；为激活函数；为输入的训练数据；

所述LSTM提取特征对应公式为：

（3）

（4）

（5）

（6）

（7）

（8）

其中，、、、分别指代输入层到输入门、遗忘门、输出门与细胞状态的权重向量；、、、分别指代隐藏层到输入门、遗忘门、输出门与细胞状态的权重向量；、、、分别指代输入门、遗忘门、输出门与细胞状态的偏移量；指代激活函数；tanh指代双曲正切激活函数；表示向量元素乘；指代第个输入序列元素值；指代记忆单元或称为细胞状态，是网络的核心，控制信息的传递；是新的输入带来的信息；指代输入门决定当前保留多少信息给；指代遗忘门决定保存多少前一时刻的细胞状态至当前的；指代输出门决定传递多少至当前状态的输出；指代在时刻的隐层状态。

5.根据权利要求4所述的一种单通道盲源分离方法，其特征在于，所述S1中，所述训练集包括作为网络输入值的观测信号和作为监督学习的原始信号。

6.根据权利要求5所述的一种单通道盲源分离方法，其特征在于，所述S5中，使用均方误差作为实验的损失函数，表达式为：

（9）

其中，表示源信号真实值，表示源信号预测值；为信号序列的长度。

7.根据权利要求6所述的一种单通道盲源分离方法，其特征在于，所述S6中，分离信号和源信号的相似系数和信号失真率的计算公式分别为：

（10）

（11）

其中，是源信号数目；为第路分离信号与相应第路源信号的相似系数；为第路分离信号；为第路源信号；为求均值；

所述相似系数的大小与1越接近，则源信号与分离信号越相似；所述相似系数在0.9以上时，则算法具有良好的分离精度；

所述信号失真率SDR越大，分离信号失真程度越小，分离精度越高。

8.一种单通道盲源分离系统，其特征在于，采用如权利要求1至7中任一项所述的方法来实现，以及包括：

数据集生成模块，用于构建不同信噪比下的数据集，划分训练集和测试集；

数据集处理模块，用于对数据集进行标准化处理并随机打乱训练集；

CNN模块，用于将训练数据使用CNN提取空间特征；再由BiLSTM挖掘信号的时序规律；

BiLSTM模块，用于将使用CNN提取空间特征后挖掘信号的时序规律；

损失值判决模块，用于计算损失值，并判断是否收敛，收敛则进行下一步，不收敛进入Adam优化算法；

Adam优化算法模块，用于损失值不收敛时进行反向传播，更新模型参数；

性能测试模块，用于计算评价指标，进行性能测试与评价。