[发明专利]用于去噪和盲源分离的认知信号处理器、方法与介质

说明书

描述了一种用于去噪和盲源分离的认知信号处理器、方法与介质。在操作期间，所述认知信号处理器接收包括多个源信号的混合信号。通过将所述混合信号映射至动态储备池以执行信号去噪，来生成去噪储备池状态信号。通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离的源信号。

政府权利

本发明是在美国政府合同编号N00014-12-C-0027的政府支持下做出的。政府在本发明中具有特定权利。

相关申请的交叉引用

本申请是2017年3月7日提交的美国非临时申请No.15/452,412的部分继续申请。

本申请也是2017年3月7日提交的美国非临时申请No.15/452,155的部分继续申请。

本申请也是2017年1月18日提交的美国临时申请No.62/447,883的非临时申请，其全部内容通过引用并入于此。

技术领域

本发明涉及盲源分离器，并且更具体地，涉及对混合输入信号进行去噪并对该输入信号执行盲源分离以提取和分离信号的信号处理器。

背景技术

盲信号分离(还称为盲源分离)是在未借助于有关源信号或混合过程的信息(或者具有非常少的信息)的情况下，从一组混合信号(混合信号)中分离一组源信号。因此，在盲源分离(BSS)问题中，任何单个天线测量多个源信号。测量信号的天线可能不止一个，但通常每个天线“看到”所有源信号并产生它们的不同线性混合。然后，任务是使用所测量的混合信号以便恢复原始源信号。单个天线孤立工作的情况尤其具有挑战性，因为没有对空间分辨率的感测来帮助提取过程。

用于在超宽带宽上从无源RF天线检测、定位以及分类源发射器的目前发展水平的系统需要高速率模数转换器(ADC)。这种高速率ADC很昂贵且耗电量大，并且因基本物理限制(如瓦尔登(Walden)曲线(参见并入参考文献列表，参考文献No.9))而不能实现捕获超宽带宽所需的采样率。为了减轻这个问题，目前发展水平的电子支持测量(ESM)系统要么使用频谱扫描(其对于处理敏捷发射器来说太慢)，要么使用对尺寸、重量以及功率具有较大要求的一套数字信道化器。另外，ESM系统使用的检测，定位以及分类算法通常基于快速傅里叶变换，其具有高计算复杂度和存储器要求，使得难以在超宽带宽上实时操作它们。

而且，混合信号通常很嘈杂，致使它们难以分开。信号去噪的常规方法分为两类：基于滤波器的方法和基于训练的方法。基于滤波器的方法使用滤波来消除信号中的噪声，但过于简单化，而无法在适应高频突变的同时维持信号的低频长期趋势。基于训练的方法依赖于对关注信号进行建模的“字典”。这样的字典必须在离线过程中训练，并且需要可能无法获得的训练数据。另外，字典通常需要在平台上存储和利用大量存储器和计算，致使这种方法不可能用于超小尺寸、重量以及功率(SWaP)的系统。

用于BSS的常规方法通常需要比源信号的数量多的输入混合(其直接映射至较大数量的天线)，从而限制了它们在SWaP约束情况下的适用性(参见，参考文献No.1)。常规BSS的一些扩展已经解决了利用关于源的先验知识的“欠定”情况(具有比源少的混合)，如具有“低复杂度”或具有关于所学习字典的稀疏表示。这种先验知识模型过于宽泛，使得系统能够将整个混合过度拟合为单一源，并且需要大量存储器来存储字典和计算以恢复关于字典的输入混合的呈现(参见参考文献No.1和No.3)。在参考文献No.3中，作者将BSS算法与具有可调中心频率的IIR带通滤波器相结合，以便分离时间相关源。这项工作仍然十分有限，至少需要与源一样多的混合，要求混合“预先白化”以具有同一性值(identity-valued)协方差矩阵，并且使用源的二阶统计作为分离的唯一提示。

因此，持续需要这样一种系统，即，该系统减少为实现滤波、滤波器自适应，和/或信号跟踪所需的计算和硬件复杂度，并且在此过程中，允许该系统在包括有限可编程门阵列(FPGA)和定制数字专用集成电路(ASIC)的低功率硬件上开发。

发明内容