[发明专利]一种含噪信号的盲源分离算法

说明书

本发明属于信号处理技术领域，涉及一种含噪信号的盲源分离算法，包括：步骤1，输入原始观测信号，对该原始观测信号进行预处理；步骤2：采用小波包对预处理后的原始观测信号进行滤波，然后选择阈值并使用小波包对分解后的原始观测信号进行重构得到滤波后的观测信号；步骤3：使用最大信噪比准则建立代价函数；步骤4：对代价函数进行广义特征值分解得到分离矩阵，然后与原始观测信号矩阵相乘得到各个源信号；步骤5：对步骤4所述的各个源信号进行半滑滤波，最终得到降噪后的源信号。本发明方法对于较低信噪比下的信号具有较好的去噪效果，并且计算简单，运行速度快，在语音信号处理方面具有较大的使用价值。

技术领域

本发明属于信号处理技术领域，涉及一种含噪信号的盲源分离算法。

背景技术

盲源分离是上世纪末发展起来的一个新兴领域，是人工神经网络、统计信号处理以及信息理论相结合的产物，在很多领域已经得到了极大的应用。盲源分离就是在不知道源信号的组成成分以及传输通道的情况下，仅从观测信号中恢复或分离出各个源信号的过程，即需要找一个分离矩阵，从观测信号中提取出各个源信号。

在盲源分离出现至今这二十多年中，国内外研究者提出了各种各样的分离算法，且各有利弊。

如基于独立分量分析的盲源分离算法，它是盲源分离算法中的非常经典有效的方法，它需要假设前提条件，即源信号满足非高斯分布且相互独立。其次该算法还存在一些弊端，一是无法让分离后的信号与混合前的信号一一对应；二是无法恢复混合前信号的真实幅度。这些缺点对于最终分离的目的来说是在可接受范围内的，但是在某些实际应用中，对分离后的信号要求是苛刻的，所以这些缺陷也是不可忽略的。

还有一些近年来新兴的算法，如稀疏成分分析，它可以在独立分量分析方法失效的情况下，即源信号不满足高斯分布或者相互独立的情况下，对观测信号进行分离。再如非负矩阵分解算法，它同样没有信源相互独立且符合非高斯分布的限制，只是增加了分解矩阵中元素非负的约束。上述这些方法大都是以某种准则建立代价函数，然后对其进行迭代优化而得到分离矩阵，但都要求信号具有足够的稀疏度。

Stone J V提出了基于时域预测的盲源分离算法，该算法用两个误差的比值构建目标函数，即信号的长预测分量作分子，信号的短预测分量作分母，然后对目标函数进行优化,即广义特征值求解。因为这类算法具有较低的计算复杂度，之后Cheung Y M等人在此基础上又提出了全局最优化的盲源分离算法，在此基础上张小兵等人又提出了基于最大信噪比的盲源分离算法。但是该算法存在一定的缺陷：一是信噪比越大分离效果越好，在较低信噪比下，分离效果变差；二是对源信号的估计问题，用估计信号的滑动平均来代替源信号在一定程度上会导致误差或算法在某种条件下失效。

发明内容

针对现有技术的不足，本发明从降噪的角度出发，采用双重滤波的思想，公开了一种含噪信号的盲源分离算法。

为实现上述目的，本发明采用了下列的设计结构以及设计方案：一种含噪信号的盲源分离算法，包括如下具体步骤：步骤1，输入原始观测信号，对该原始观测信号进行预处理，包括去均值和白化；步骤2：采用小波包对步骤1预处理后的原始观测信号进行滤波，包括对该预处理后的原始观测信号进行分解，然后选择阈值并使用小波包对分解后的原始观测信号进行重构得到滤波后的观测信号；步骤3：使用最大信噪比准则建立代价函数，其中估计信号的滑动平均用步骤2中所述滤波后的观测信号代替；步骤4：对代价函数进行广义特征值分解得到分离矩阵，然后与原始观测信号矩阵相乘得到各个源信号；步骤5：对步骤4所述的各个源信号进行半滑滤波，最终得到降噪后的源信号。

进一步地，所述步骤1中去均值是从原始观测信号中减去该原始观测信号的均值向量，使得原始观测信号成为零均值变量，方法为假设原始观测信号中某观测向量x是均值不为零的随机向量，则x₀＝x-E(x)，E(x)表示x的均值。