[发明专利]一种基于LSTM网络EMD端点效应抑制方法

说明书

本发明属于信号处理技术领域，具体涉及一种基于LSTM网络EMD端点效应抑制方法。该方法有效地结合了LSTM网络对信号的预测和EMD分解在单通道盲源分离技术中的应用，并根据信号的特点寻找LSTM网络的时间步长，有效地提高了预测的精度，从而有效地解决了单通道盲源分离中EMD方法出现的端点效应问题，在对解决复杂工厂环境下的声音分离问题中取得了较好的效果。该方法能够有效解决非线性非平稳时间序列分析中的端点效应问题，可应用于单通道盲源混合信号的分离问题。

技术领域

本发明属于信号处理技术领域，具体涉及一种基于LSTM网络EMD端点效应抑制方法。

背景技术

盲源分离技术指的是在传输信道和源信号都未知的情况下，根据源信号的统计特性，仅仅利用观测信号分离出各个源信号的过程。而在事实上，采集到的信号多为单通道信号，而单通道盲源分离是欠定盲源分离问题的极端情况，它仅仅利用单路观测信号的特征信息，分离出多路源信号，解决起来十分困难。美国国家宇航局的Norden E.Huang于1998年首次提出的对一列时间序列数据先进行经验模态分解，然后对各个分量作希尔伯特变换的信号处理方法，将时间序列的信号经过EMD分解成一组本征模态函数(Intrinsic ModeFunction,IMF)既能对线性稳态信号进行分析，又能对非线性、非稳态信号进行分析，在对单通道盲源分离问题上取得了较好效果。

然而在EMD方法使用中，端点效应成为影响该方法精度的主要因素。有两种端点效应，一种是EMD分解中的样条插值的端点效应；另一种是本征模函数在进行希尔伯特变换时形成的端点效应。三次样条插值和希尔伯特变换中的端点效应对基于EMD的时频分析方法影响很大，这个问题处理不好会使这个时频分析方法的效果受到影响或失效。由于端点效应对EMD影响甚大，研究EMD时频分析中减弱或消除端点效应的技术就成为使用该方法的前提和关键技术。针对经验模态分解端点效应问题，目前已经存在很多抑制的方法，常用的主流方法有镜像延拓法、自适应波形匹配法、积分延拓法等方法。这些方法虽然都能在一定程度上抑制经验模态分解的端点效应，但是同样也存在各自的缺陷，即延拓预测不够精准，预测的极值点与原来的极值点的变化情况相差较大等。长短期记忆网络(LSTM)是每个时间步都有输出，隐藏单元之间存在循环链接，读取整个序列后产生单个输出的循环神经网络。LSTM的每个单元有相同的输入和输出，还有更多的参数和控制信息流动的门控单元系统，其在语音识别，手写生成等领域取得了重大成功，因此将其应用于复杂信号数据的预测会有更精确的效果。但在其应用中，LSTM网络时间步长参数选定对预测结果有较大影响，因此确定LSTM时间步长以提高数据的预测性能是抑制EMD端点效应关键问题。

发明内容

为解决现有技术的上述问题，本发明提供一种基于长短期记忆网络(LSTM)的经验模态分解(EMD)端点效应抑制方法，根据信号的频率分量计算信号周期，确定LSTM时间步长，根据所选定的时间步长对接收到的信号进行LSTM处理，将数据两端分别延拓，获取最佳的信号延拓极值点，使得EMD分解达到较好效果，并对复杂工厂环境下的声音分离取得了较好的效果。

为此本发明提供一种基于LSTM网络的EMD端点效应抑制方法，所述方法步骤如下：

S1，根据信号的频率估计信号周期，选定LSTM网络时间步长；

S2，利用所选定的时间步长，对接收到的混合信号数据进行LSTM网络处理，将数据两端分别延拓半个周期数据，并在延拓后的数据中选取极值点，保留两端极值点间数据；

S3，对两端极值点间数据进行EMD分解，得到本征模态函数(IMF)；

S4,通过主成分分析(PCA)对IMF进行降维，以获得合适的IMF分量，并对其进行独立成分分析(ICA)，从而得到分离出的源信号；

S5，对接收复杂声音环境下的混合声音进行分离，得到各分离声音信号，以便于对设备产生的声音进行特征分析。