预览加载中,请您耐心等待几秒...
1/9
2/9
3/9
4/9
5/9
6/9
7/9
8/9
9/9

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(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CN108231087A(43)申请公布日2018.06.29(21)申请号201711393096.2(22)申请日2017.12.14(71)申请人宁波升维信息技术有限公司地址315010浙江省宁波市高新区光华路299弄研发园C4幢5楼(72)发明人郭国庆翟建强(51)Int.Cl.G10L21/0272(2013.01)G06K9/62(2006.01)G10L21/0208(2013.01)权利要求书2页说明书4页附图2页(54)发明名称一种单通道盲源分离法(57)摘要一种单通道盲源分离法,属于电子信息技术领域,特征是采用极值点对称延拓的方法,对总体经验模态分解进行去端点效应处理;并用该总体经验模态分解法将单路混合信号转化为本征模态函数(IMFs),并抑制噪声;利用主成份分析对多路IMFs进行降维处理,去掉其中的无效成分;将降维后的多路信号进行独立成分分析来实现盲源分离。实施步骤是把多路信号线性相加混合为单通道信号进行传输,最后在不影响后期模式识别效果条件下,简单、快捷、有效的恢复出源信号,实现多路输出口输出。优点是能将混为一路的多路频谱重叠的信号在不影响后期识别效果的情况下分离出来。CN108231087ACN108231087A权利要求书1/2页1.一种单通道盲源分离法,其特征在于实施步骤是:A、将采集到多路信号在信号预处理模块线性相加,得到预处理单通道信号x(t);B、将预处理所得到的单通道信号x(t)送到信号盲源分离模块,进行去端点效应处理,采用的是极值点对称延拓(Extremepointsymmetryextension,EPSE)的方法,然后依次进行总体经验模态分解(EnsembleEmpiricalModeDecomposition),即EEMD分解,主成份分析PCA降维和ICA分析,实现多路信号通过一个输入口采集,多路输出口输出:B.1、抑制端点效应的极值点对称延拓(EPSE)算法:a、对预处理得到的信号x(t),以端点为对称点,向外对称加极值点,对长度为N的离散信号序列:x(i),T(i)=i,i=1,2,...,N,其极大值序列为:U(i),Tu(i),i=1,2,...,Nu,其中U(i)=S(Tu(i)),其极小值数列为:L(i),Tl(i),i=1,2,...,Nl,其中L(i)=S(Tl(i)),在原数据端点处,以端点为对称点,向外对称延伸Nc个周期的极值点,如果信号序列的周期数小于设定值,那么Nc取周期数值,经过延拓的极值序列为:b、原数据序列的端点很可能不是极值点,如果将它作为极值点,将使包络线在端点处收缩,使包络线形状严重变形,引入振荡误差,当端点值超出一定的范围时,为避免端点的漂移现象,要将其作为极值点插入上面的极值点序列Ua,Tua,La,Tla,为简单起见,以近端点的极值点值作为判断的基准,利用经过处理的极值点序列Ua,Tua,La,Tla对时间段T(i)=i,i=1,2,...,N拟合得到原信号的上下包络线;2CN108231087A权利要求书2/2页B.2、总体经验模态分解EEMD处理得到本征模态函数IMFs:a、将处理所得到的单通道信号x(t),多次加入具有均值为零、标准差为常数的白噪声ni(t),即为xi(t)=x(t)+ni(t),其中xi(t)为加入白噪声之后的信号,ni(t)为第i次加入的白噪声,白噪声ni(t)的准则为其中,εn表示加入的高斯白噪声标准差,εh表示信号中有效高频成分的幅值标准差,ε0表示信号幅值标准差,α为比例系数,通常情况下,α=σ/4能有效避免信号分解中的模式混淆;b、对所得到的信号进行经验模态分解EMD,得到各自的IMF记为aij(t),和余项ri(t),其中aij(t)表示加入白噪声后分解得到的第j个IMF;c、将步骤b所得到的IMF进行总体平均运算,得到IMFs为其中,aj(t)为对原信号进行EEMD分解后所得到的第j个IMF,由此可以得到IMF分量矩阵A={a1(t),a2(t),…,ai(t)}T,其中,i为单通道信号经EEMD分解后的IMF个数,上标T为转置运算;B.3、对得到IMF分量进行PCA降维:R=E(AAT),RV=VΛ,其中A为经过EEMD分解后得到的IMF分量m×n矩阵,R为m个变量IMFs的自相关矩阵,V为R的m×m阶特征向量矩阵,其列向量是R的正交规一化的特征向量,Λ为R的特征对角矩阵,λi(i=1,2,…,m)为第i个对角线上的元素,构造m个不相关的新变量Y=VTX,Y={y1,y2,…,ym}T,对λi(i=1,2,…,m)按降序排列后,取前面p个较大特征值所对应的特征向量,得到降维后p×n阶向量矩阵B,其中p≥2;B.4、将PCA降维所