[发明专利]一种噪声环境下的多维盲分离方法

摘要

本发明属于信号处理技术领域，尤其涉及一种噪声环境下的多维盲分离方法。本发明公布了一种去噪FastIVA算法,能较好的适应噪声IVA模型。与传统的IVA算法不同，该算法采用伪白化处理并且在分离矩阵的更新公式中引入了噪声项，从而实现了噪声环境下的多维盲分离。仿真验证了去噪FastIVA算法相对传统的FastIVA算法能在较宽的信噪比范围内达到很好的分离效果，并且只要采样数足够多，去噪FastIVA算法在较低信噪比(-10dB)情况下仍能达到较好的分离效果，而这是传统的FastIVA算法无法达到的。

主权项

一种噪声环境下的多维盲分离方法，其特征在于，包括以下步骤：S1、对系统参数进行初始化；S2、对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后的混合信号，具体如下：S21、设置k←1，其中，k表示第k组接收数据，符号←表示赋值；S22、计算第k组接收数据的自相关矩阵对所述自相关矩阵做特征分解其中，Λ＝diag(λ₁,λ₂,…,λ_M)；S23、估计第k组接收数据的噪声方差(σ_k)²＝(λ_N+1+…+λ_M)/(M‑N)，其中，M表示每组传感器的数目，N表示每组信源的数目；S24、计算第k组接收数据的伪白化矩阵得到伪白化后的混合信号x^k＝V^kz^k，其中，Λ_s＝diag(λ₁‑(σ_k)²,λ₂‑(σ_k)²,…,λ_N‑(σ_k)²)，U_s为U的前N列组成的矩阵；S25、如果k＜K，则设置k←k+1，并返回S22，若k＝K，则进入S3，其中，K为总共要处理的盲分离的组数；S3、选取N阶的单位矩阵I_N作为每组的初始化分离矩阵，初始化n＝1，n_max＝1000，其中，n_max为最大的迭代次数；S4、对每个组的分离矩阵进行更新，具体如下：S41、设置k←1,i←1；S42、对第k组第i列的分离矩阵按照如下公式进行更新：$\begin{array}{c}{w}_i^{k(n+1)}=-E\left\{G^{\′}\left(\underset{m}{\mathrm{\Σ}}{\left|y_i^m\right|}^2\right)y_i^{k^{*}}{x}^k\right\}\\ +[I_N+{\left({\mathrm{\σ}}_k\right)}^2{v}^k{\left(v^k\right)}^H]E\{G^{\′}\left(\underset{m}{\mathrm{\Σ}}{\left|y_i^m\right|}^2\right)+{\left|y_i^k\right|}^2{G}^{\′\′}\left(\underset{m}{\mathrm{\Σ}}{\left|y_i^m\right|}^2\right)\}{w}_i^{k\left(n\right)},\\ +E\left[x^k{\left(x^k\right)}^T\right]E\left\{{\left(y_i^{k^{*}}\right)}^2{G}^{\′}\left(\underset{m}{\mathrm{\Σ}}{\left|y_i^m\right|}^2\right)\right\}{w}_i^{{k\left(n\right)}^{*}}\end{array}$其中，n表示更新次数，G为非线性函数，G'和G″分别为G的一阶和二阶导数；S43、当i＜N时，则设置i←i+1，返回S42，当i＝N时，则进入S44；S44、当k＜K，则设置k←k+1，i←1，返回S42，当k＝K，则进入S5；S5、对更新后的每个组的分离均值进行正交化处理：W^k←[W^k(W^k)^H]^‑1/2W^(k)，其中，k＝1,2,3,......,K；S6、判断分离矩阵是否收敛，具体为：如果分离矩阵收敛或者n＝n_max，则输出分离矩阵，信号分离结束；如果分离矩阵不收敛且n＜n_max，则设置n←n+1返回S4。