一种含噪频域卷积盲源分离方法.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CN109243483A(43)申请公布日2019.01.18(21)申请号201811211078.2(22)申请日2018.10.17(71)申请人西安交通大学地址710049陕西省西安市碑林区咸宁西路28号(72)发明人成玮加正正陈雪峰倪晶磊朱岩陆建涛周光辉(74)专利代理机构西安通大专利代理有限责任公司61200代理人徐文权(51)Int.Cl.G10L21/0272(2013.01)G10L21/0308(2013.01)G10L21/0232(2013.01)G10L21/0264(2013.01)权利要求书2页说明书7页附图6页(54)发明名称一种含噪频域卷积盲源分离方法(57)摘要本发明公开了一种含噪频域卷积盲源分离方法，对于带有加性高斯噪声的卷积混合信号，首先利用薄板样条模型来平滑混合信号，利用广义交叉核实法估计混合信号中加性高斯噪声的方差，然后通过短时傅里叶变换将信号由时域转换到频域，在每个频带上使用基于偏差去除技术的噪声复值独立分量分析方法估计分离矩阵，进而得到每个频带的分离信号；再使用排序算法和最小失真法分别对分离信号进行排序修正和幅值修正；最后将修正后的信号进行短时傅里叶逆变换还原出分离信号。本发明专利利用偏差去除技术对观测信号进行去偏处理提高了混合矩阵和源信号的估计精度，避免了降噪处理对分离效果的影响。仿真试验表明，本方法在低信噪比下仍能保持良好的分离性能。CN109243483ACN109243483A权利要求书1/2页1.一种含噪频域卷积盲源分离方法，其特征在于，包括如下步骤，步骤1)，对待分析的观测信号x建立薄板样条平滑模型，然后利用GCV估计薄板样条平滑模型中的平滑参数，从而得到混合信号中噪声的协方差矩阵∑；步骤2)，将待分析的观测信号x进行短时傅里叶变换得到相应的时频域复矩阵X；步骤3)，将时频域复矩阵X中频带为k的时频点组成观测数据矩阵使用基于峭度去偏的噪声复值ICA方法估计分离矩阵，进而初步得到分离数据矩阵步骤4)，使用排序算法和最小失真法分别对分离数据进行排序修正和幅值修正得到Yk，然后将所有频带的分离数据组成分离信号所对应的时频域复矩阵Y，最后利用短时傅里叶逆变换将分离信号恢复到时域即可得到分离信号y。2.根据权利要求1所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤1)中对每个待分析观察信号xi(t)建立薄板样条平滑模型，然后利用GCV估计模型中的平滑参数，从T而得到混合信号中噪声的协方差矩阵∑，其中x(t)＝[x1(t)x2(t)…xm(t)]为所有观察信号，xi(t)表示x(t)的第i个观察信号，m表示观察信号的个数，T表示转置算子；第i个待分T析的观察信号xi(t)＝[xi1xi2…xiN]，其中i＝1,2,…,m，N表示采样点个数。3.根据权利要求2所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤1)中对i个待分析观测信号xi(t)建立薄板样条平滑模型，令x＝xi(t)；假设其中ε是均值为0，方差σ2未知的高斯噪声，是无噪声的观测信号，求取噪声方差σ2，构造如下目标函数：其中s>0为平滑参数，为的二阶差分形式，为二范数的平方；最小化上述目标函数可得其中IN为N维单位方阵。4.根据权利要求2所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤1)中，利用GCV方法估计模型中的最优平滑参数，即：其中tr(·)是求矩阵迹的运算；其中，则最优s得到的同时，得到噪声方差σ2，最后求得m个噪声的协方差矩阵5.根据权利要求1所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤2)中对第i个待分析的观察信号xi(t)进行短时傅里叶变换得到对应的时频域复矩阵Xi＝[Xi，1Xi，2…Xi,J]，在Xi中，行表示频率，列表示时间，Xi,j表示Xi的第j列，j＝1,2,…,J；将所有观察信号的短时傅里叶变换矩阵Xi组合成一个三维矩阵X＝[Xijk]，在时频域复矩阵X中，行表示观测信号序号，列表示时间，页表示频率，X的行数为观测信号个数m，列数和页数分别对应Xi中的列数和行数。6.根据权利要求1所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤3)中的观测数据矩阵通过三维矩阵X的第k页获得的，即频带为k的数据点组成观测矩阵2CN109243483A权利要求书2/2页在中，行表示观测信号序号，列表示时间，表示的第j列，j＝1,2,…,J。7.根据权利要求1所述的一种含噪频域卷积盲源分离方法，其特征在于，步骤3)中对每个待分析观察数据结合步骤1)中获得的噪声的协方差矩阵∑对观察数据进行准白化运算，在白化中使用无噪声数据的协方差矩阵Ck-∑，Ck为的协方差矩阵，得到准白化数据以复值的峭度为目标函数，找到峭度绝对值的局部