学科前沿系列讲座(盲信源分离).pptVIP

1 学科前沿系列讲座 盲信源分离方法研究 楼 顺 天 盲信源分离方法研究 问题形成 信号源确定 信源数动态变化 模糊技术应用 问题形成 鸡尾酒会问题 雷达目标分辨问题 信号混合问题 问题形成 n个信号源，用m个传感器收集数据 （m=n）。混合模型可表示成 盲信源分离的任务是在没有混合矩阵先验知识的前提下，从混合信号x(t)中恢复出源信号s(t)。 信源数确定 能够利用的信息 信源之间相互独立 BSS中的两种假定 （1）信源个数已知； （2）信源个数 n 与输出通道数 l 相等。 但通常情况下，这两种假设并不总是成立的。 NN分离系统 采用前向线性神经网络作为线性分离系统 其中 为 的一种估计， 为n×m的分离（去混合）矩阵，自适应BSS的关键在于找出 ， 使 是信源矢量 的估计。 BSS要点 互信息最小方法是：选择w(t)使输出分量y(t)之间的相依性最小。 为测量非高斯输出分量之间的相依性，必须引入输出分量的高阶累积量，也即要考虑输出的某种非线性变换 自然梯度学习规则 业已证明[29]：使联合熵 最大或使z(t)的互信息最小，利用自然梯度，可以得到学习规则： 的计算 其中“。”表示两个矢量的Hadamard乘积 累积量自适应估计 分别为3阶、4阶累积量 其中 为输出分量累积量更新时的学习速率 ICA分离定理的修正 只有当输出个数l等于信源个数n时，使输出y(t)各分量的互信息最小，可得到所有的输出分量是独立的； 而当ln时，使输出y(t)各分量的互信息最小，只能使其中的n个分量为独立，而剩余的l-n个分量将与某些源信号相干。 在线确定信源数方法 NN的分离系统在线学习，使输出分量的互信息最小； 检测出相干的输出信号分量； 改变NN结构，删除冗余的输出信号分量 重复 输出分量的相关系数 相关系数的在线递推 相关性测度定义 在NN收敛后，如果两个输出分量的相关系数接近于1，则表示它们是相干信号； 如果某个输出分量的相关性测度非常小，则表示它是一个分离的源信号，并且与其它的输出分量几乎独立。 可变学习速率的方案 学习速率具有对角形式 不同的输出分量采用不同的学习速率，每个输出分量对应于一个学习速率，即 是输出分量 的学习速率。 学习速率的确定 输出的学习速率与其分离状态有密切关系 如果 足够小，表明输出信号 与其它输出分量不相关； 越小，相关性越弱； 选择的方法是： 越小， 也越小；反之也然。 公式： 算法1：在线确定信源数 Step 1（初始阶段），取l=m。采用固定学习速率 ，而且 取较大的值。 Step 2：在若干个样本之后（比如300），采用可变的学习速率： Step 3：若所有的相关性测度 都足够小（例如小于0.05），则可以认为源信号已经全部分离，信源数为l 。 Step 4：检测出两个输出分量 ，其相关系数足够大（例如大于0.8），则删除 重复 NN结构的变化 当检测出要删除 时，我们使NN的输出节点数由l个变成l-1个，同时应保证其它的输出分量保持不变。为此，在W阵中删去第i行，在 矩阵中删去i行与i列 NN结构的变化 也类似处理 仿真研究 仿真1：未知信源数的确定 仿真1－未知信源数的确定 5个信号源： 源信号 混合信号 学习速率 固定学习速率（方法1） 可变的学习速率对角阵（方法2） 误差指标函数 利用固定学习速率时的未知信源数确定过程 利用可变学习速率时的未知信源数确定过程 信源数确定误差指标 仿真结论 采用自然梯度ICA算法的动态神经网络，都可以很好的分离出源信号； 通过DNN和在线检测输出分量的相依性测度，可以在线删除分离的信源拷贝，最终实现未知信源数的在线确定。 从误差指标统计结果可以看出，采用可变的学习速率，不仅可以大大加快算法的收敛速度，而且得到的分离结果的性能更佳（在分离稳定阶段，其误差指标的值更低，曲线波动更小） 信源数动态变化 信源数动态减少 在经过信源数的在线确定后，DNN趋于平衡，这时DNN的输出数 l=n 当某个信号源随机撤销时，DNN经过学习，会在输出分量中出现新的冗余拷贝信号，通过类似方法可以检测出相干信号，这时只需删除新出现的拷贝信号。 自相似度 定义 定义信号在两个