基于神经网络的含噪动态源分离算法探讨.docVIP

基于神经网络的含噪动态源分离算法探讨 盲源分离(Blind Source Separation , BSS)⑴技术旨在从M个混合信号中恢复出N个统计独立的源信 号，这里的盲是指源信号和混合信道的先验知识未知。由于这种盲的特性,BSS被广泛的应用于 数字通信、阵列信号处理、语音和图像处理等领域中。线性瞬时混合模型是BSS问题中最常见的模型之一, 适用于远程通信等环境，该模型同时也是其他混合模型(如卷积混合)的基础模型,其数学描述如下： (1) 其中A为未知混合矩阵，t为采样时刻,s(t)=［S1(t)，…，SN(t)F为N个未知的统计独立的源信号组成 的矢量，x(t)=［X1(t)，…，xMt)卩由M个可获取的混合信号组成,n(t)二［n】(t)，…，n加纫丁包含M路加性 高斯白噪声。此时，BSS问题转化为寻找一个解混矩阵W，使得输岀y(t)二Wx(t)为输入s(t)的估计，且允 许存在幅度和排列次序的不确定性。 为解决上述问题,很多有效的方法被提出,如基于独立成分分析⑵、非线性主成分分析⑶的方法等, 但是这些方法大部分都需要已知源信号的数目，而且一般都假设源信号的数目与混合信号的数目相等，即 M = Ne在实际应用中，这样的设定往往是不成立的，因为源信号数目作为源端信息常常是不可直接获取的, 甚至有可能动态变化，例如在无线通信系统中，接入系统的用户数目可能随时都在改变。可见，实际应用 中，M = N很难满足,当设定接收混合信号的传感器数目足够多时，往往出现MN的超定情况。对于源 数目未知且在超定假设下的BSS问题,文献［4］首先在白化阶段估计出源数目,然后将混合信号维度M 降低到‘V ,利用自然梯度算法解决上述BSS问题，但是当混合矩阵为病态时或者源信号之间幅值比例失 调严重时,这种算法可能会失效。文献［5］从理论上证明了最小互信息准则能够用在超定的情况下,并提出 一种适用于未知源数目的改进的自然梯度算法。文献⑹利用自组织结构的神经网络对瞬时源信号数目进行 估计,并调整神经网络大小进行混合信号的分离。文献［7］提出一种自适应神经网络算法(Adaptive Neural Algorithm, ANA)进一步提高了收敛的稳定性，但是收敛速度较慢。文献［8］在ANA算法的基础上加入了 动量项,提出了一种基于神经网络和动量项的动态源恢复算法(Neual Network with Momentum for Dynamic Source Number, NNM-DSN),该算法收敛速度更快且稳态误差更小。但是上述算法通常都不 考虑噪声,算法的实用化程度不高。 本文针对含噪动态源条件下的BSS问题,提出了一种新型在线盲源分离算法,该算法包括两部分： 第一B分是基于最小描述长度(Rissanen, s Minimum Description Length , MDL)【9】的一种动态源数目 估计算法，该算法能实时精确地估计信道中的瞬时信源数目；第二部分是基于偏差去除的变步长神经网络 算法,该算法采用前馈神经网络结构，在学习准则中加入了由噪声引起的偏差去除项,并在此基础上给出 了变步长策略。仿真实验表明，本文算法在含噪静态源和动态源情况下能实现源信号的准确恢复，相比于 含噪情况下的ANA算法以及NNM-DSN算法，本文算法在静态源和动态源情况下性能都更加优异,收敛 速度更快,且稳态分离性能接近无噪情况下NNM-DSN算法的性能。 1算法介绍 对于含噪动态源条件下的BSS问题，首先必须要确定瞬时源信号数目、,然后将混合信号矢量的维 度降低到八维，其中m-a个高度相关的成分将被去除，以此来调整神经网络的大小，使得问题变成源信 号数目和混合信号数目相等的含噪BSS问题，利用本文提出的基于偏差去除的变步长神经网络算法即可得 到源信号的估计。图1所示为算法的框架图，其中神经网络和学习算法共同作用可实现混合信号的分离。 下面将分别介绍源数目估计和混合信号分离方法。 1.1源数目估计 对于动态源的瞬时源数目估计,文献⑺采用改进的交叉验证（cross-validation）算法;文献⑻对混合 信号协方差进行特征分解，利用特征值的结构对源信号数目进行估计，但是上述算法均用于无噪声的条件 下。一些经典的批处理源数目估计算法（如MDL）可以用在有噪声的情况下，因此本文基于MDL提出一 种动态源数目估计算法，能实时精确地估计信道中的信源数目。 选用当前时刻和前B-1时刻的混合信号值对当前时刻的源信号数目进行估计，定义t时刻的瞬时协方 差矩阵为： 其中，上标H代表共範转置操作，tBo当tB时，瞬时协方差矩阵按文献［7］中给出的递归方式获 得。对瞬时协方差矩阵进行特征值分解得到M个特征值如下（降序排列）: 其中，Z为噪声的功率，则利用MDL检测准则即可估计岀当前时刻的瞬时