基于密度的空间聚类与霍夫变换相结合的欠定盲源分离混合矩阵.pdfVIP

高技术通讯2014年第24卷第12期：1270～1278 doi：10．3772／j．issn．1002-0470．2014．12．008 基于密度的空间聚类与霍夫变换相结合的欠定盲源分离混合矩阵估计① 孙洁娣②。 李玉霞+ 温江涛” 闰盛楠4 (+燕山大学信．息科学与工程学院秦皇岛066004) (”河北省测试计量撼术爨仪器重点实验室燕山大学秦皇岛066004) 摘要为解决欠定盲源分离中混合矩阵估计问题，提出了一种基于密度的空间聚类与 霍夫变换相结合的混合矩阵估计算法。该算法首先通过基于相角的单源时频点处理增强 信号的稀疏性，然后针对K．means算法需预先设置聚类个数的问题，采用基于密度的空间 聚类算法对单源点进行自动分类以估计源信号个数，进而估计得到混合矩阵。为提高估 计混合矩阵的精度，采用霍夫变换方法修正聚类中心。基于密度的空间聚类算法的运用 也克服了霍夫变换峰值簇拥问题。实验结果表明，基于密度的空间聚类与霍夫交换相结 合的方法能在源信号数量未知情况下准确估计混合矩阵，且估计精度高于K—means算法 和基于密度的空间聚类算法。 关键词 欠定盲源分离(uBss)，混合矩阵估计，霍夫变换，基于密度的空间聚类，K—means 的混合矩阵估计方法。文献[1]研究了势函数法估 O 引言 计混合矩阵，这是较早解决uBss问题的算法，但是 此方法的参数选择缺乏理论指导。文献[2]将霍夫 在源信号的先验知识未知的情况下，仅利用观 变换方法引入到混合矩阵估计中，但源信号稀疏性 测到的混叠信号来恢复源信号的波形的过程称为盲 较低时易出现峰值簇拥。为解决此问题，文献[3] source 将K—means算法与霍夫变换相结合，提出了K— 源分离(blind separation，BSS)。BSS已广泛 应用于生物医学、图像处理、语音信号处理等领域。 Hou曲方法，但K—means算法具有对初始聚类中心 在实际应用中，源信号的数量往往会超出传感器数 敏感并需已知源信号个数。4’51的缺点。而基于密度 量，称此类情况下的盲源分离为欠定盲源分离(un． 的空间聚类算法MJ，能克服K-means聚类算法的缺 derdete瑚ined BSS，UBSS)。针对UBSS问题，目前点，但是参数选择是个难点。针对稀疏性[J7。91较低 a． 研究比较多的为稀疏分量分析(sparsecomponent的信号，出现了单源点¨m123检测方法，此类方法虽 nalysis，SCA)方法，该方法利用信号的稀疏特性进行能增强信号稀疏性[13’14|，但是存在方法复杂、不易 混合矩阵估计，然后恢复源信号，因此混合矩阵估计 符合条件等问题。本文针对K．means聚类方法估计 的准确程度对于源信号的恢复很重要。 混合矩阵时需预先设定源信号数量，且依赖初始中 聚类算法与势函数算法是解决uBSS问题常用心选择的不足和信号稀疏性较弱的情况进行了研 市科学技术研究与发展计划(201302A033)资助项目。 ②女，1975年生，副教授；研究方向：盲源分离理论及应用，复杂振动信号处理方法；E—mail：wjtsjd@163．com (收稿日期：2014-10—14) 一】270— 万方数据 孙洁娣等：基于密度的空间聚类与霍夫变换相结合的欠定盲源分离混合矩阵估计 究，提出了一种将基于密度的空问聚类与霍夫变换 源信号的sTFrll系数。 相结合的混合矩阵估计算法。该算法首先采用基于 通常信号稀疏性较强时，观测信号散点图呈现 相角的单源时频点检测方法增强信号稀疏性，然后