基于结构化稀疏子空间聚类的欠定盲源分离方法和设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113962265A(43)申请公布日2022.01.21(21)申请号202111239956.3(22)申请日2021.10.25(71)申请人中国地质大学（武汉）地址430000湖北省武汉市洪山区鲁磨路388号(72)发明人王庆义张亦琼王宇铎雷雨迪周丹(74)专利代理机构武汉知产时代知识产权代理有限公司42238代理人吴晓茜(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06F17/14(2006.01)G06F17/16(2006.01)权利要求书4页说明书12页附图3页(54)发明名称基于结构化稀疏子空间聚类的欠定盲源分离方法和设备(57)摘要本发明提供了一种基于结构化稀疏子空间聚类的欠定盲源分离方法和设备，方法包括：首先采用短时傅里叶变换将时域信号转换至时频域，基于信号的短时稳定性，采用时频区间加窗法筛选高能量值的单源点。然后，采用结构化稀疏子空间聚类和改进势函数的组合混合矩阵估计方法，结构化稀疏子空间聚类可以确定源信号数目，得到数据的分类，改进势函数法能准确地确定混合矩阵向量，估计混合矩阵。接着，采用基于源数目估计的空间投影法结合最小l1范数法对源信号进行重构，最后采用短时傅里叶逆变换将时频域重构信号恢复至时域。本发明能直观确定源信号数量，具有较高的精度和较强的鲁棒性，能够准确地从观测信号中重构源信号。CN113962265ACN113962265A权利要求书1/4页1.一种基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，所述方法包括以下步骤：将源信号变换至时频域，采用时频区间加窗法去除低能量点，筛选出单源点；采用结构化稀疏子空间聚类发掘所述单源点中分布的子空间，确定信号源数量以及每个所述单源点所属的簇；采用改进势函数法求簇中心，基于所述簇中心估计混合矩阵；基于所述混合矩阵，使用基于源数目估计的空间投影法结合最小范数法对所述源信号进行重构；使用短时傅里叶逆变换将时频域的重构源信号恢复到时域，得到估计的时域源信号。2.如权利要求1所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，采用结构化稀疏子空间聚类发掘所述单源点中分布的子空间，确定信号源数量以及每个所述单源点所属的簇，包括步骤：初始状态下，单源点的分类位置未知，结构化稀疏子空间聚类的模型不含结构化稀疏范数项，结构化稀疏子空间聚类的模型表示为：s.t.X＝XC+E,diag(C)＝0其中，X表示单源点组成的数据集，C为单源点的自我表示系数矩阵，E表示噪声矩阵，λ＞0为平衡参数，表示对高斯噪声的正则化约束项，||C||1表示单源点的自我表示系数矩阵的范数；根据所述模型，采用交替方向乘子法求得自我表示系数矩阵，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分，从而确定源信号数量以及每个单源点所属的簇。3.如权利要求2所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，所述使用谱聚类进行初始类别划分，确定源信号数量的步骤包括：基于第一数学式求相似度矩阵：其中，CT表示自我表示系数矩阵C的转置，W为相似度矩阵；基于第二数学式求标准化的拉普拉斯矩阵：其中，Lsym为标准化的拉普拉斯矩阵，I为单位矩阵，D为度矩阵，具体为一个对角矩阵，对角线上的元素基于第四数学式求得：对矩阵Lsym进行特征分解，并将其特征值按照由小到大的顺序排列，定义特征值间隙为：Δλm＝λm+1‑λm，2CN113962265A权利要求书2/4页其中，λm+1和λm表示顺序排列的特征值序列中相邻的两个特征值，Δλm表示相邻特征值的差，即特征值间隙；第一个极大的所述特征值间隙所对应的下标的数值即为源信号数量，也为簇的数目。4.如权利要求2所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分，从而确定源信号数量以及每个单源点所属的簇，包括步骤：对所述拉普拉斯矩阵，基于所述簇的数目，作为谱聚类的输入，基于规范割集准则对所述自我表示系数矩阵进行切割，得到任一单源点的簇的划分。5.如权利要求4所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分后，还包括步骤：使用结构化稀疏子空间聚类框架和谱聚类循环迭代，使单源点的簇的划分达到最佳，循环迭代的步骤为：依据单源点的簇的初始类别划分结果，计算结构化稀疏范数项||C||Q，计算公式为第六数学式：其中，Cij表示单源点自我表示系数矩阵C的第i行第j列的元素，定义分割矩阵Q＝[q1；q2；...,qn]，反映各个样本数据点与簇的归属度关系，矩阵Q仅包含0和1两种取值，若第i个单源点xi分布于第j个簇S