[发明专利]一种基于残差神经网络的单通道时频混叠信号盲分离方法

说明书

本发明一种基于残差神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：步骤1：获取单通道时频混叠信号；步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；步骤3：搭建残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试；步骤4：创建网络损失函数；步骤5：将混叠信号输入步骤3得到的残差神经网络，得到分离后的两路源信号波形；步骤6：将步骤4得到的源信号波形送入调节器解调即可完成时频混叠信号的盲分离；本发明采用数据驱动的深度学习方法弥补人工对分离问题模型刻画的不足，从大量样本中学习信号的深层特征并进行拟合，避免了复杂且繁琐的人工设计；训练特征构造复杂度低。

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于残差神经网络的单通道时频混叠信号盲分离方法。

背景技术

信号盲分离技术是一种新型的信号处理方法，对于合作通信而言，通信设备的密集化会造成信号之间的干扰加强。单通道盲分离技术可以用来对混合信号进行干扰抑制，提升通信设备的接收性能。对于非合作通信而言，单通道信号盲分离可以作为非合作通信捕获分析和干扰抑制的关键模块。发送端的多个源信号通过天线发射出去，经过若干个混合模型后，接收端得到源信号在某种条件下的混合，盲分离的任务就是接收方在缺乏混合信号和传输信道的先验知识的条件下从混合信号中恢复出发送端的多个源信号。

单通道信号盲分离指有多路发射天线，一路接收天线的场景，这在数学上属于欠定问题，不存在定解。目前已有的方法主要有以下两类，分别存在不同的局限性。第一种方法是通道将单通道分离模型转化为多通道分离模型，将欠定盲分离转化为适定盲分离，或者是利用混合信号的参数差异等来实现信号的分离。独立分量分析，FastICA，小波变换等为其中的代表方法，这类方法的缺点是需要先对混合信号进行处理，以获得一定量的信息或者构造相应的分离条件。然后再使用多通道分离模型进行处理，复杂度较高，数据处理量较大。第二种方法是符号序列与传输信道的参数联合估计，其中的两个代表方法分别是粒子滤波算法和PSP算法。为保证分离效果，粒子滤波算法需要使用大量的粒子来模拟系统的状态，而系统的计算量将会随着粒子数的增加呈现指数级别的增长，算法复杂度高，运算量巨大。PSP方法需要遍历符号序列来找寻系统最优解，运算量仍然很大。

发明内容

本发明针对现有技术存在的问题算法简单，单通道信号盲分离效率高、低信噪比条件下信号分离的准确度高的基于残差神经网络的单通道时频混叠信号盲分离方法。

本发明采用的技术方案是：一种基于残差神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：

步骤1：获取单通道时频混叠信号；

步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；

步骤3：搭建残差神经网络，所述残差神经网络为多尺度堆叠时域残差神经网络，包括特征提取模块、分离系数计算模块和波形恢复模块；

特征提取模块对输入的一维混合信号进行特征提取，将其由信号空间映射到高维特征空间中，得到信号对应的特征表示，表示为x_feature：

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}为特征映射操作，包含了1×1卷积、层归一化、PRelu激活函数、深度可分离卷积、ReLu激活函数功能；

分离系数计算模块包括三个时域残差堆叠块(Stacked Time-domain ResidualBlock,Stacked-TRB)，每一个时域残差堆叠块包含三个多尺度残差单元块(Multi-scaleResidual Block,MRB)和一个一维反卷积层；根据提取到的特征x_feature估计各个源的分离系数β，然后将特征与分离系数点乘，得到各个源对应的特征s_sep-feature：