[发明专利]一种噪声环境下的多维盲分离方法

说明书

技术领域

本发明属于信号处理技术领域，尤其涉及一种噪声环境下的多维盲分离方法。

背景技术

在功能磁共振信号处理或者频域中解决卷积混合的时候，经常需要同时解决多组信号盲分离的问题。然而，传统的独立分量分析(Independent Component Analysis,ICA)的方法来对每一组进行盲分离会产生多个组之间恢复出来的信号顺序不一致的问题。独立向量分析(Independent Vector Analysis,IVA)作为一种解决多维盲分离的方法，是ICA从单变量成分到多变量成分的一种扩展。IVA利用了多变量信号之间的统计独立性和每个多变量信号内部的统计相关性，已经在解决多维盲分离的排列问题中有所应用。然而，传统的IVA算法均是基于理想无噪声的模型而提出的，在实际有噪声的环境下这些算法不能准确的对接收数据进行白化，并且在后续的固定点迭代过程中也没有考虑到噪声的影响，因而性能会非常差。迄今没有人提出过噪声模型下的IVA算法，所以，结合噪声背景下的IVA模型，提出一种有效地分离算法显得尤为重要。

IVA在本质上就是多维独立分量分析，但是它解决了不同组ICA分离后的信号顺序不一致的问题。

噪声背景下的IVA模型为：z^k＝A^ks^k+n^k，其中，1≤k≤K，zk=z1(k)···zi(k)···zM(k)]]>表示第k个组的观测信号，sk=s1(k)···si(k)···sN(k)]]>表示第k个组的源信号，A^k表示第k个组的混合矩阵，nk=n1(k)···ni(k)···nM(k)]]>表示第k个组的噪声，M表示每组接收端传感器的数目，N表示每组信源的个数。同一组之间的源信号相互独立，均值为零并且功率是归一化的，不同组之间对应于同一个分量的源信号(和)是不独立的，不同组之间对应的不同分量的源信号(和)是独立的，其中，表示第k组的第i个源信号，表示第l组的第i个源信号，表示第l组的第j个源信号。混合矩阵A^k是列满秩的，不同分量之间的噪声是高斯白噪声，并且满足相互独立和零均值特性。IVA的目的就是找到每个组的分离矩阵W^k来恢复每个组的源信号，并且要求不同组之间恢复出来的源信号的顺序是一致的。分离效果的好坏可以用Amari指标来衡量，其定义为：IC=12N(N-1){Σi=1N(Σj=1N[|cij|maxk|cik|-1])+Σj=1N(Σi=1N[|cij|maxk|ckj|-1])},]]>其中，C=Σk=1K|(Wk)HAk|,]]>C_ij表示矩阵C的第i行第j列的元素，N表示每组信源的个数，I_C越小表示分离效果越好，10log I_A>-10dB说明算法的分离效果不好。