[发明专利]一种双迭代非正交联合块对角化卷积盲源分离方法

说明书

本发明公开了一种双迭代非正交联合块对角化卷积盲源分离方法，包括：从M个传感器接收并记录源信号的观测信号，获得观测信号在指定时延下的二阶时延相关矩阵组，根据所述二阶时延相关矩阵组构造卷积对称拟合代价函数，利用双迭代算法求解所述卷积对称拟合代价函数，获得源信号的估计值。该方法直接在时域内迭代求解混叠矩阵和对角矩阵组，避免了频域算法存在比较严重的排列不定性问题，能够有效提高语音分离后语音识别精准率，且该方法收敛稳定且能做到快速收敛，同时时间复杂度较低。

技术领域

本发明属于信号处理技术领域，具体涉及一种双迭代非正交联合块对角化卷积盲源分离方法，用于混叠方式为卷积混叠时的盲源信号分离，可应用于雷达信号处理、语音信号处理、生物医学信号处理、无线通信处理等领域。

背景技术

在无线电通信、医学成像等众多领域都要通过接收到的观测信号来分析源信号的各种性能特征，如何在混叠系统中分离或者说恢复出未知的源信号已逐渐成为信号处理技术领域的研究热点，比如在对雷达信号进行处理时，并不知道发射信号与传输信道，但希望利用接收天线接收到的观测数据信号来提取出原发射信号，采用盲信号处理技术可以最大程度地解决源信号的提取问题。盲源分离是盲信号处理的一个应用方面，具体是指在未知源信号和传输信道参数的情况下，根据输入源信号的统计特性，仅利用观测信号就能分离出各个统计独立的源信号的过程。

盲源分离问题通常使用多输入多输出系统来建立数学模型，其早期研究主要集中于瞬时混叠的情景，瞬时混叠的数学模型相对来说比较简单。但是在信号传播过程存在多径、时延等情况下，卷积混叠模型与该情况更加匹配。卷积混叠盲源分离算法应用非常广泛，存在混响的音视频会议室，存在多径反射的低仰角相控阵雷达站等都有卷积混叠盲源分离算法的“身影”。近年来，麦克风阵列在智能人机交互领域发挥出越来越重要的作用，成为了信号处理领域的研究热点之一。该技术的典型应用场景有音视频会议系统、人工智能音箱以及车载人机交互系统等等。语音增强技术研究早期，一般采用单麦克风传感器接收信号进行语音增强。为提高信号增益和空间分辨率，目前语音增强技术研究已由单通道转变为多通道语音增强技术。相比于单麦克风，麦克风阵列具备一定的空间分辨能力及丰富的谱信息，其性能得到了显著提升。

这类问题通常建模为有限阶冲激响应滤波器，通过估计滤波器系数实现卷积混叠盲源分离。目前卷积混叠盲源分离算法多为频域算法，主要是利用卷积混叠变换为瞬时混叠的思想。通过短时傅里叶变换将时域卷积混叠分解为子频带上的瞬时混叠，再利用瞬时混叠盲源分离算法进行源信号的分离。然而，这种方法存在严重的排列模糊问题，且运算复杂，时间复杂度高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种双迭代非正交联合块对角化卷积盲源分离方法。本发明要解决的技术问题通过以下技术方案实现：

本发明的一个方面提供了一种双迭代非正交联合块对角化卷积盲源分离方法，包括：

S1：从M个传感器接收并记录源信号的观测信号：

x(t)＝[x₁(t),x₂(t),…,x_M(t)]，

其中，t是时间序列，第m个传感器接收的观测信号取窗长为Q+1的滑窗窗口，窗口内的采样点数据构成列矢量：

x_m(t)＝[x_m(t),x_m(t-1),…,x_m(t-Q)],m＝1,2,…,M，

其中，Q表示窗口长度；

S2：获得观测信号x(t)在指定时延τ_l下的二阶时延相关矩阵组：