[发明专利]频域卷积盲源分离分频段多质心聚类排序方法

说明书

本发明公开了一种频域卷积盲源分离分频段多质心聚类排序方法，(1)将全频带信号进行重叠分组，整个频带被均分为若干个子带，子带之间存在重叠频段；(2)在每个子带内，先后进行多质心聚类和单质心聚类；(3)找出排序失败的频带，对这些频带信号进行重新排序使得该频带处分离信号幅值包络和聚类中心的相关系数之和最大；(4)依次遍历所有子带完成全频带信号的排序。本发明利用重叠子带多质心聚类方法提高了聚类中心，即参考信号的精度，降低子带之间错排的几率。仿真试验表明，本方法具有很好准确性，并且对于短时傅里叶变换窗长在一定范围内变化，本方法仍能保持良好的分离性能。

技术领域

本发明属于机械振动信号和声辐射信号处理领域，特别涉及频域卷积盲源分离分频段多质心聚类排序方法。

背景技术

在复杂的机械系统和多源耦合声场环境中，安装在机械系统上的传感器所测得的信号往往是各个振源信号经过复杂混合过程的结果，造成多个激励源响应相互干扰，这给振动噪声源的识别带来了困难。

盲源分离是在源信号和混合过程未知的情况下，从观测的混合信号中估计出原始信号的方法，为噪声源的分离与识别提供了很好的解决方案。其中瞬时混合是盲源分离中最简单的模型，尽管针对此模型已经提出了许多高效的独立分量分析算法，但在工程实际中很少符合瞬时混合模型，例如潜艇机械振动源或噪声源的混合。对于多输入多输出的机械系统来说，观测点接收到是振动源经过复杂传递路径后信号的叠加，如果不考虑非线性的因素，每一条传递路径在时域上可以用一个滤波器近似表示；类似的，麦克风测到的声信号是声源在空间中数个延迟、反射叠加后的结果。因此研究卷积混合盲源分离对振动及噪声源识别具有重要的学术意义和工程价值。

针对卷积盲源分离问题，目前主要存在两类算法：第一类是时域分离算法，第二类是频域分离算法。混合信号的频域盲源分离算法相对于时域盲源分离算法来说，因其较小的计算量和良好的分离性能，能够克服时域盲解卷积中存在长滤波器估计困难的问题，因此更具工程应用价值。但是频域分离算法亦存在很多问题，其中次序不确定性对卷积混合频域盲分离算法的影响非常大，它是频域卷积盲源分离算法成功与否的关键因素之一。因为次序不确定性会使相邻频带上分离出来的信号连接错误，使得信号重新混合，最终导致分离失败。

目前解决频域盲分离次序不确定问题的方法主要有两大类：第一类是基于到达角估计(DOA)的排序方法，第二类是基于频带间相关性的排序方法，频带间的相关性这一特点与谱的计算方法有关，是普遍存在的特性，并不仅限于语音信号。因此可将解决次序不确定性的互参数法推广至机械声、振信号，利用互信息如信号相关性、分离矩阵相关性等来解决机械声振信号频域卷积盲源分离中存在的次序不确定性。这两类排序算法的优缺点：

1.基于DOA的排序算法具有很好的鲁棒性，因为在一个频带上的排序错误不会影响其他频带；但该方法仅在低频带处有效，在高频带处的排序性能显著降低，因此该算法准确性较差，且计算量大。

2.基于频带间相关性的排序算法简单的方式是使用相邻频带的时间序列作为参考来对齐当前频带。显然，这种处理方法如果在个别频带上的排序错误会导致后续频带上的排序失准。该类方法准确性高，但是鲁棒性差。另一种方式是在整个频带上对时间相关序列进行聚类，以获得每个源的质心序列，并将它们作为参考信号序列来对齐所有频带的时间序列。基于聚类的算法先后进行参考序列计算和置换对齐，因此，该方法对于各别频带的错误排序结果影响较小，算法更加稳健。然而，虽然信号频带间的时间序列具有很高的相关性，但随着频率间跨度增加，这种相关性会变差，甚至会出现同一源的时间序列相关性小于不同源的时间序列相关性的情况。因此，某些情况下很难找到使整个频段内排序一致的全局参考，结果导致排序错误仍然发生在一些频带，甚至整个频带。

发明内容

本发明的目的在于提供频域卷积盲源分离分频段多质心聚类排序方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：