基于二阶统计量非平稳源盲提取算法.docVIP

基于二阶统计量非平稳源盲提取算法 　　摘要：利用非平稳信号自身的时序结构，采用一阶线性预测模型，提出了一种基于二阶统计量的批处理非平稳源盲提取算法。仿真实验表明该算法是有效的。 　　关键词：盲源分离； 盲信号提取； 非平稳信号； 二阶统计量； 时序结构 　　中图分类号：TN919文献标志码：A 　　文章编号：1001－3695(2008)04－1054－03 　　 　　盲源分离是近几年信号处理领域的一个研究热点。它是指在缺少先验信息的情况下，仅从传感器信号或一个混合系统的输出信号中分离或估计出原始信号，近年来已经在很多领域得到了应用，如生物医学、地震探测、阵列信号处理、通信信号分析、数据挖掘等。盲源分离的方法很多，其中比较有效的一个处理方法是盲提取。它有很多优点：如不需要一次性地分离出所有的信号，可以根据需要提取出感兴趣的信号；提取信号的准则也非常灵活，不同的准则可以用来提取不同的信号，如基于峭度的学习方法可以提取独立同分布的非高斯信号，而时间相关源则可以用基于二阶统计量的方法来提取。?? 　　一般情况下都假设源信号是相互统计独立的，且大多数的盲源分离算法都是基于这个假设的，如非高斯最大化方法、最大似然估计[1]等。但是实际中的信号并不严格地满足这个假设条件[2]，这就使一些算法的效果打了折扣。另外，相互独立意味着高阶不相关，这往往会涉及到复杂的高阶累计量的计算。如果信号具有时序结构，就可以降低对独立性的要求，可以采取基于二阶统计量的方法进行分离。一般称这种利用信号时序结构的盲信号处理方法为半盲信号处理。?? 　　实际上，人们面临的许多信号都是非平稳的，如语音和音乐信号等。研究非平稳源的盲源分离方法具有现实意义。Matsuoka等人[3,4]首先考虑了信号的非平稳性，并证明在盲源分离中可以应用简单的解相关技术；Barros和Cichock[5]利用带时滞的自相关矩阵，成功地提取了源信号；Choi等人利用源信号的非平稳性和时序结构，提出了一种基于联合对角化的盲源分离方法[6]；2005年，ZHANG Z L对Cichock的方法加以改进，利用了多个时滞的自相关矩阵提高了算法的鲁棒性。本文结合前人的研究成果，对他们的方法加以改进，提出了一种高效且可靠的非平稳源盲提取方法。该方法采用了稳健的预白化，对于高斯噪声具有一定的鲁棒性。?? 　　1盲源分离和盲信号提取?? 　　 　　盲源分离问题可以用这样的数学模型简单描述：用x表示由m个传感器信号组成的向量(x1(t),x2(t),…,xm(t))????T??；s是n个源信号组成的向量(s1(t),s2(t),…,sn(t))????T??。x是s的线性组合：x=Ax，A是一个m×n的混合矩阵。盲源分离的任务是找到A的一个逆系统W，使得全局矩阵G=WA=PA。其中：P是置换矩阵；A是对角阵；W称为解混矩阵。由解混矩阵输出得到的信号y=W Tx就是源信号s的一个拷贝或估计。?? 　　盲源分离有两种实现的途径：a)完全分离，即一次性地估计分离矩阵W；b)基于某种准则，每次估计一个分离向量w，按顺序提取一个信号。后一种方法指的就是盲信号提取，可以根据需要使用不同的提取准则，如独立性测度等。盲信号提取分为提取和消减两个环节。如果设??i次提取的信号为yi(k)，那么消减后的信号就是xi+1(k)。图1是提取单个信号的示意图。?? 　　 　　2线性预测的盲提取算法?? 　　 　　对于一组传感器信号x，假设它已经经过预白化处理，那么它的时滞为零的协方差矩阵为 　　 　　由表1可以看出，本文方法在性能上优于其他三种算法。另外，由于本文的方法只需进行一次简单的特征值分解效率明显地高于这三种算法。?? 　　 　　5结束语?? 　　 　　本文提出了一种利用信号的二阶统计量信息的批处理非平稳源盲提取方法。该算法适用于语音、音乐等非平稳源信号的线性混合的分离。在对数据进行预处理时，采用了稳健的预白化方法，有效地降低了白噪声的影响。从文中可以看出，执行算法过程实际上是进行特征值分解的过程。为了改善算法的性能，一些特征值分解的算法和PCA方法都可以用到本算法中。?? 　　 　　参考文献： 　　[1]HYVARINEN A, OJA E. Independent component analysis: algorithms and applications[J]. Neural Networks, 2000,13(4－5):411－430. 　　[2]SMITH D, LUKASIAK J, BURNETT I S. An analysis of the limitations of blind signal separation application with