[发明专利]一种单通道盲源分离方法及系统

说明书

本发明提供一种单通道盲源分离方法，网络训练阶段，首先将数据集进行标准化处理，并随机打乱样本序列，然后使用卷积神经网络提取空间特征，再由双向长短时记忆网络挖掘信号的时序规律，最后进行全连接特征融合，多次训练并保存模型参数；在测试阶段，利用构建好的测试集和训练好的模型完成对算法的验证与测试，得到分离信号相比于传统单通道盲源分离算法与单一网络结构的深度学习算法，所提算法的相似系数最大，失真率最小，实现了对混叠信号的高精度分离。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种单通道盲源分离方法及系统。

背景技术

随着信息化智能化战争形态的不断发展，以及由军事强国推动的电磁频谱作战域对抗日趋激烈，主战装备的复杂电磁环境适应能力和智能化水平遇到了严峻挑战。采用侦干探通一体化技术，集雷达、干扰、侦察、通信功能为一体，一体化接收处理各种战场复杂电磁信号，为应对这种挑战提供了一个新的解决思路。侦干探通一体化接收处理前端可采用宽开接收机，将较大频率范围内的所有信号全部接收，并通过后端处理使得这些信号成为可用信号，这样既提高了处理的效能，又简化了硬件部分，而侦干探通一体化接收处理所面临的首要问题则是复杂混叠信号盲源分离。

发明内容

本发明的目的在于针对上述现有技术的不足，提供了一种单通道盲源分离方法及系统，解决了一体化系统单通道接收信号时分离精度低、可分离信源数较少、鲁棒性差的难题

为实现上述目的，本发明采用了如下技术方案：

本发明提供了一种单通道盲源分离方法，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、将所述训练集进行标准化处理并随机打乱训练集；

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。

进一步，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。

进一步，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。

进一步，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）