学科前沿系列讲座盲信源分离.ppt

* 当 和 均小时， 也取小； 当 和/或 中等时， 也取中等； 当 和/或 大时， 也取大 模糊规则说明 * 将 、 和 模糊化 （分9级）: Small1、Small2、Small3、 Middle1、Middle2、Middle3、 Big1、Big2、Big3 模糊化 * 模糊隶属度函数 * DF(.)表示反模糊化算子， 表示输出隶属度函数的中心， 表示第j条规则的满足程度 反模糊化 * 一共有81条模糊推理规则。（第53页） 模糊输入输出关系 模糊推理规则库 ? 返回 * 未知信源数的确定 信源数的随机减少 信源数的随机增加 仿真研究 仿真1 * 有5个信号源随机混合 [101] ： 仿真1：未知信源数的确定 仿真1 * 源信号 仿真1 * 混合后的测量信号 仿真1 * 采用固定学习速率时的盲信源分离过程 仿真1 * 采用模糊推理系统更新学习速率时的盲信源分离过程 仿真1 * 误差指标对比 仿真1 * 与固定学习速率相比，由FIS确定学习速率的ICA算法，优点： 算法收敛速度更快； 稳态性能更好（失配更小）。 仿真结论 仿真1 * 在2000个取样之前，信号源为5个；在2000个取样时，信源数变为4个。 仿真2：信源数的随机减少 仿真2 * 信源数随机撤销时的误差指标 仿真2 * 在信号撤销处（2000点），误差曲线有一点波动； DNN能够很好地跟踪信号源的随机撤销，适应信号源的动态减少。 与固定学习速率方法和将第四章可变学习速率方法对比（图5.10,图4.9），可以看出，基于FIS的DNN的误差波动更小。 仿真结论 仿真2 * 仿真3：信源数的随机增加 仿真3 * 信源数随机增加时的误差指标 仿真3 * 算法能够很好地确定出信源数 ； 算法容易检测到信号源随机加入的时刻； 通过重新初始化，可以适应于信号源随机加入的情况； 采用FIS在线确定学习速率，可以使算法的收敛速度更快，同时得到性能更佳的分离结果 。 仿真结论 仿真3 * 本文主要研究信源数未知和动态变化时的盲信源分离问题。 通过对信源数未知和动态变化时的盲信源分离结果的观察，对ICA的分离定理作了重要修正。 结束语 * 定义了输出分量之间的相依性测度，并采用动态神经网络（DNN）构成分离系统，得到了在线确定信源数的BSS算法和适用于信源数动态减少的BSS算法。 结束语 * 将模糊技术与基于NN的ICA算法有机的结合起来，在线确定学习速率，构成模糊神经网络的BSS系统。结果表明，采用FIS确定学习速率，算法收敛更快，稳态性能更佳。 结束语 * 谢谢大家！ 致谢 * 误差指标函数 Cross-talk: * 利用固定学习速率时的未知信源数确定过程 * 利用可变学习速率时的未知信源数确定过程 * 信源数确定误差指标 * 采用自然梯度ICA算法的动态神经网络，都可以很好的分离出源信号； 通过DNN和在线检测输出分量的相依性测度，可以在线删除分离的信源拷贝，最终实现未知信源数的在线确定。 从误差指标统计结果可以看出，采用可变的学习速率，不仅可以大大加快算法的收敛速度，而且得到的分离结果的性能更佳（在分离稳定阶段，其误差指标的值更低，曲线波动更小） 仿真结论 * 信源数动态变化 信源数动态减少 信源数动态增加 * 在经过信源数的在线确定后，DNN趋于平衡，这时DNN的输出数 l=n 当某个信号源随机撤销时，DNN经过学习，会在输出分量中出现新的冗余拷贝信号，通过类似方法可以检测出相干信号，这时只需删除新出现的拷贝信号。 信源数动态减少 * 自相似度 定义 定义信号在两个时间段上的自相似度： 其中L为一时间段输出信号 的长度，T 为时间段的起点, T+L-1 表示时间段终点， 表示两时间段之间的距离。 * 通过计算两个互为相干信号的自相似度； 与上面类似，删除自相似度小的输出分量；这样就可以适应于信源数随机减少的情况。 删除冗余信号 * Step1：找出相关系数足够大（比如大于0.8）的输出分量对（ ， ）； Step2：计算 和 的自相似度，并确定应该删去哪一个输出分量； Step3：删除冗余的输出分量。 算法2：信源数随机减少 * （1）通过检测输出分量的相关性测度，可以检测到有新的信源数加入的情况； （2）利用可变的结构分离出新的信源，并且保持对原有信号的分离。（目前我们所做的就是重新初始化 、重新学习）见仿真3 信源数动