[发明专利]一种无需源数估计的独立向量分析信号分离方法

摘要

本发明属于信号处理技术领域，公开的一种无需源数估计的独立向量分析信号分离方法，是在语音信号源数未知的情况下，设置初始化分离矩阵维数以及如何修改优化迭代方程；对分离得到的与观测信号个数相同的分离信号，进行冗余信号检测与剔除，从而得到原始语音信号的准确估计信号。本发明即可应用独立向量分析方法对观测到的混叠信号进行信号分离的技术思路，可以避免信号源数目估计的工作，降低信号分离工作量与复杂度，提高独立向量分析方法的适用性。

主权项

1.一种无需源数估计的独立向量分析信号分离方法，其特征是：在语音信号源数未知的情况下，设置初始化分离矩阵维数以及如何修改优化迭代方程；对分离得到的与观测信号个数相同的分离信号，进行冗余信号检测与剔除，从而得到原始语音信号的准确估计信号；其步骤如下：/n(1)分离矩阵初始化方法及迭代方程改进方法，设天线阵元数为m，信号个数为n，在IVA算法中，初始化的分离矩阵表示为W_n×n经典IVA算法要求n已知，或通过专门的源数估计算法估计得到；若m＞n，需对观测信号进行主成分分析降维处理，使得降维后的观测信号为n维，然后再设置初始化分离矩阵W_n×n；IVA算法中采用的优化目标函数的方法——自然梯度法的迭代方程表示为：/n /n式中，k表示迭代步数，α(k)表示迭代步长，I_n×n表示n×n维的单位矩阵，E{·}表示求期望，表示非线性函数，它与源信号的概率密度函数有关，y^T表示第k步迭代得到的分离信号，其中上标^T表示转置；/n在独立向量分析算法的基础上，采用的无需源数估计的独立向量分析算法技术是：不再按照原方法设置初始化的分离矩阵W_n×n，而是将初始化的分离矩阵设置为W_m×m，也就是根据观测信号的个数设置初始化分离矩阵维数；完成初始化分离矩阵设置后，IVA方法所用优化算法中的迭代方程相应需要改进，以自然梯度法式(6)所示，其迭代方程应改进为：/n /n改进后的迭代式中，各物理量的意义与式(6)中的对应物理量相同，只是每一步迭代后得到的分离信号y的维数由n变为m；/n再以对目标函数进行优化中的另一种优秀算法等变自适应分解算法EASI(equivariant adaptive source separation via independence)说明对迭代方程进行改进的方法：/n原始等变自适应分解算法的迭代方程为：/n /n式中，各物理量的意义与式(7)对应物理量相同；/n等变自适应分解算法的迭代方程修改为：/n /n与式(8)相比，每一迭代后分离信号y的维数由式(8)中的n维变为式(9)中的m维；/n源信号个数已经获知的盲信号分离中，当混合—分离系统的全局矩阵G_n×n＝W_n×n·A_n×n更新到广义交换矩阵时，分离系统的输出基本等于源信号的拷贝，信号幅值、排列顺序及信噪比会发生一定变化，这时就认为算法实现了盲信号分离；/n在源信号个数未知的IVA模型式(2)中，若能够实现所有的源信号至少被重构一次，则就达到了信号分离的目的；所以，当分离模型式(3)的输出信号中n个是独立分量，其它m-n个分量是一个或者多个独立分量的拷贝或零信号时，就认为算法已经实现了信号分离；记由源信号做前n个分量，从分离得到的源信号向量s的分量和零信号中任意取m-n个分量，会出现重复信号或冗余信号，作后m-n个分量；所取源信号依下标由小到大顺序排列记为则这样的向量总共有个，它们构成的集合记做Ω；引入集合Ω后，可分离性叙述为：当且仅当分离模型式(3)的输出等于G是一个广义交换矩阵的全局矩阵，时，就认为算法已经实现了信号分离，此时每一个源信号在输出中至少出现一次；/n(2)分离后的重复或冗余信号剔除方法，根据分离矩阵初始化方法以及优化方程迭代式的改进，进行信号分离后，分离得到m个分离信号；虽然这m个分离信号中包含n个源信号的估计，但是还有m-n个重复或冗余信号需要剔除；/n(3)针对m-n个重复或冗余信号的剔除方法，具体实施如下：/n①相关性检测法，需要对分离得到的源信号进行相关性检测，假设根据m个接收信号矩阵分离得到m个源信号分量，这里准确的源信号个数n是未知的，则通过对m个分离信号计算其互相关系数，得到如下矩阵：/n /n显然，矩阵对角线元素表示分离信号的自相关系数，必然都为1，矩阵中其他元素表示信号之间的互相关系数；若某元素非常接近于±1或为±1，则表示两个信号十分相似或相同；通过检测相关系数矩阵C，剔除冗余信号，即得到n个源信号的准确估计；/n②试听判决法，若通过相关性检测法无法剔除冗余信号，采用分离信号的试听判决法进行冗余信号的剔除；即有用信号经IVA算法分离后，其中混叠的其他信号或噪声成分极少，语音质量好；而分离得到的其他信号，则由于混叠噪声或其他信号，语音质量极差，通过试听即可清晰判别出哪些是有用信号，该方法只适用于语音信号。/n