高斯混合模型盲信号分离方法的CUDA实现.pdfVIP

电信息技术 高斯混合模型盲信号分离方法的CUDA实现 苏洁洪 李宇 (广东药学院医药信息工程学院) 摘要：对一组线性瞬时混合信号，采用高斯混合模型拟合各个独立源的概率密度分布进行分离，其复杂度 随信号源数量、高斯混合模型阶数的增加急剧上升。提出用统一计算设备架构 (computeunifieddevicearchitecture， CUDA)对该分离方法进行设计，实现该方法的并行加速处理。实验结果表明，此加速方案可以有效降低该盲分 离方法的时间复杂度。 关键词：盲分离；高斯混合模型；统一计算设备架构 0 引言 于用 GMM 表示源信号与观察信号的统计分布， GMM 的求解 EM算法是个迭代运算，多个 GMM 的 信号盲分离技术在工程界有广泛的应用，如语音 求解的运算量对于一般PC的CPU而言耗时过长。 混合信号分离、孕妇与胎儿心电信号的分离以及通信 目前，CUDA技术受到学术界的重视，可应用于 中多用户检测等。一般而言，盲分离按混合条件可以 智能算法，如神经网络的实现[引。本文将GMM参数 分为卷积混合与瞬时混合两种情况。 求解计算在NVIDIA 的CUDA平台并行设计，由于 对于卷积混合信号，如语音信号的反响听觉混 符合 CUDA 计算的显卡具有约百个并行计算单元， 合，有的采用时域分离方法_I之】。更常用的处理方法是 得以大大缩减运算时间。 通过频域变换，将卷积化为乘积再分离。这样可以采 l 基于GMM 的盲分离 ] 用瞬时混合来分离信号3[]，但是频域变换后再分离会 产生排列问题。瞬时盲分离方法是卷积频域盲分离方 瞬时盲分离问题可以表示为： 法的一部分，对其进行工程研究更具有普遍作用。 xt ·， (1) SK 其中，任意向量 ，=[1．f 】代表着 个在t时刻 已有的瞬时盲分离方法一般对源的统计分布有 … ,t 严格的假设要求，如基于累积量方法 ，在求解过程 的独立源信号，用一个LXK (≥ )的未知混合矩 中对一些参数的选值仅凭经验 J，这些局限不利于工 阵 混合得到观察向量xt=x【1…xL．J。盲分离可 程应用。近年来，学者对高斯混合模型 (Gaussian 以描述为通过估计K~L的分离矩阵 ( 的逆矩阵) mixturemodel，GMM)应用于盲分离进行了研究L6J， 来恢复源信号{ )户1。这里假设源信号 与观察信 利用期望最大 (expectationmaximization，EM)算法 号 的个数相等。设t时刻源信号St的联合概率密度 估计源分布参数与混合矩阵，但源分布的阶数难 以选 (probabilitydensiytfunction，PDF)为： 择，对初始化依赖 比较大，实现非常复杂。 fs(S，；)=∑COmN(S；Pro，Cm) (2) 最近，提出了一种基于GMM描述源分布的BSS