- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于KICA轨道电路信号分离方法探究
基于KICA轨道电路信号分离方法探究 摘要:为了分离出轨道电路信号中的干扰成分,本文基于核独立成分分析(KICA)对ZPW-2000A无绝缘轨道电路信号进行分离。本文对获得的轨道电路信号进行白化处理以便消除混合信号的相关性,然后选择高斯函数为核函数对混合信号进行相应的KICA变换,分离出混合信号中的各个独立成分信号。
关键词:轨道电路,信号干扰,核独立成分分析,KICA,ICA
Abstract: in order to isolate interference of track circuit signal component, this article is based on kernel independent component analysis (KICA) on ZPW - 2000 - a has no insulation track circuit signal separation. Bleaching processing in this paper, the track circuit signal obtained in order to eliminate mixed signal correlation, and then select the gaussian function as the kernel function to corresponding KICA mixed signal transform, separate out mixed signals the individual components.
Key words: track circuit, signal interference, kernel independent component analysis, the KICA, ICA
1 引言
轨道电路容易受到各种干扰信号的影响,这些干扰信号伴随着有用信号一起被机车信号所接收和解调,当这些干扰信号达到一定程度以后,很可能会导致机车信号的错误解调,进而会危及到列车的安全运行。为了保证列车对轨道电路信号的正确解调,有必要对混有干扰信号的轨道电路信号进行分离消除。
独立成分分析(ICA)是近年来发展迅速的一种盲源分离技术[1],该方法基于信号高阶统计特性,将观测数据进行某种线性分解,得到相互独立的信号分量。核技术的主要的特点是用核函数来代替两向量间的内积以实现非线性变换,而不需要考虑非线性变换的具体形式。
本文基于核独立成分分析(KICA)对ZPW-2000A无绝缘轨道电路信号分离,利用重建核希尔伯特空间(RKHS)内的非线性函数作为对比函数,将信号从低维空间映射到高维空间,并运用核方法在该空间内搜索对比函数的最小值。
基于KICA的盲信号分离方法
独立成分分析(ICA)的基本思想
ICA的基本思想就是用一组基函数来表示一系列随机变量,在假设它的各成分之间是统计独立前提下,从训练样本中找到一组相互独立的成分,并以此来描述样本数据[2]。记为观测信号向量,为独立源信号向量,为混为矩阵,则ICA的基本模型为:
(1)
ICA的目标就是在和未知的情况下,仅根据观测数据估计一个分离矩阵,使得输出的各个成分相互独立,并把作为对源信号的估计。当前已经成形的ICA算法主要有Jade、Imax、FastICA等。
KICA盲信号分离方法
KICA利用满足Mercer条件的核函数将信号从低维空间映射到高维空间,利用RKHS内的非线性函数作为对比函数,对信号向量独立性的互信息进行逼近和优化,并运用对Gram矩阵的低阶近似和不完全Cholesky分解等方法在RKHS内搜索对比函数的最小值.
满足Mercer条件的常见的核函数有多项式、高斯函数,双正切函数等。本文采用高斯核函数,即
(2)
KICA的对比函数主要有两种:核广义方差(KGV)方法和核典型相关性分析(KCCA)方法。本文采用KCCA作为KICA的对比函数。典型相关性分析实质是对向量的相关性进行最大化,所谓核典型相关性分析就是将向量经Mercer核函数从低维空间映射到高维空间,然后在进行典型相关性分析。分析结果可以表示为:
(3)
其中和分别为两个观测数据向量的Gram矩阵。求解式(3)等价于求解式(4)的最大特征值问题。
(4)
在高斯Mercer再生核中,向量相互独立的条件是为0,则基于KICA的盲信号分离方法的信号分离步骤如下:
(1)混合信号的白化处理。采用主分量分析方法对混合信号进行预处理,去除各混合信号间的相关性。
(2)基于Choleshy分解方法计算原始独立数据的中心化Gram
文档评论(0)