分布式压缩感知中充分稀疏源信号的交替迭代估计方法技术

一种分布式压缩感知中充分稀疏源信号的交替迭代估计方法，具体涉及由混合信号的压缩观测值，重构源信号的方法，解决现有技术中，由于没有考虑混合信号压缩观测值的特点，采用先恢复混合信号再分离源信号的算法重构源信号而导致源信号精度低的问题。本发明专利技术所述的方法：在分布式压缩感知框架下，利用充分稀疏源信号的特点，采用交替估计的方法，从混合信号的观测值中估计源信号，每次迭代过程中，在不对混合信号进行重构的前提下，直接恢复得到源信号的估计值。本发明专利技术方法在信号压缩域从混合信号的观测值中分离源信号，降低了分离过程的复杂度。

【技术实现步骤摘要】
分布式压缩感知中充分稀疏源信号的交替迭代估计方法
本专利技术涉及分布式压缩感知领域以及盲源分离领域，具体涉及在分布式压缩感知信号处理框架下，从混合信号的观测值恢复充分稀疏源信号的方法。
技术介绍
传统的信号采样一般都基于奈奎斯特采样定理，即采样速率至少需要大于信号最高频率的2倍，才能利用采样得到的离散数据不失真的分离得到源信号。但是随着信息技术的发展，以奈奎斯特采样定理为基础的信号处理框架对前端模数转换器(ADC)的采样速率和处理速度提出了更高的要求，也对后端信息的传输、存储环节带来了巨大的挑战。压缩感知(CompressedSensing,CS)理论是在2004年由Candès和Donoho等人提出的。该理论指出，当信号满足稀疏性时，能以远低于奈奎斯特采样频率的速度对源信号进行全局观测，然后采用合适的重构算法精确重构出源信号。CS理论将采样和压缩合并成一步进行，极大的降低了信号的采样频率以及数据的传输、存储代价。若考虑稀疏度为K且长度为N的离散实信号x，即x满足：x∈RN,||x||0≤K＜＜N(1)其中||.||0表示信号的l0范数，即信号值不为零的个数。令y为信号x的M次观测，则具体的压缩观测模型如式(2)所示，y＝Φx(2)其中，y是长度为M的观测信号，Φ为M×N维的观测矩阵。当观测矩阵满足RIP(RestrictedIsometryProperty)条件时，即可用l0范数意义下的优化问题来重构或者逼近源信号。即argmin||x||0,s.t.y＝Φx(3)RIP条件：对于任意的q∈R|I|，且|I|≤K，以及K≤m，0≤δ≤1，如果有式(4)成立，则称观测矩阵满足RIP条件。其中ΦI为观测矩阵Φ中由索引I所指示的相关列组成大小为m×|I|的子矩阵空间。近年来，随着网络通信、多媒体技术、存储技术的发展，网络规模的越来越大，人们对分布式信息处理技术等先进技术的需求越来越迫切。压缩感知理论一般是应用于单信号场景，D.Baron等人充分发掘了多通道信号的信号内和信号间的相关性结构，提出了分布式压缩感知(DistributedCompressiveSensing，DCS)理论。在DCS信号处理框架下，先对各通道信号进行独立的CS观测，然后利用观测值采用联合重构算法恢复出源信号。在实际的分布式的场景下，传感器往往接收到的是多个信号的混合信号，并且源信号以及混合信号均是未知的。如果利用混合信号之间的相关性，采用现有的分布式压缩感知重构算法求解，我们仅仅能得到混合信号的估计值。但是，人们往往对源信号更感兴趣，而非混合信号。因此，分布式压缩感知框架下，研究从混合信号中估计源信号的方法是十分有必要的。目前，通用的在分布式压缩感知框架下，利用混合信号的观测值恢复源信号的方法如说明书附图图1所示。图中的“盲源分离”过程，也是现在的一个研究热点，主要研究如何从混合信号中恢复源信号及混合参数。利用CS采样，在不降低源信号的恢复精度的前提下，可以很大程度的缓解对硬件的采样速度以及传输带宽的压力。图1中的S＝[S1S2...SJ]T表示J个长度为N的源信号，混合系统可以用P×J维矩阵A表示，CS观测系统可以用观测矩阵Φ表示。则混合信号X可以表示为式(5)，观测信号Y可以表示为式(6)。X＝AS(5)Y＝ΦXT(6)由图1可知，通用的基于压缩感知的源信号估计方法主要包括两个步骤：步骤一、采用现有的CS重构方法对混合信号进行重构，得到混合信号的估计值步骤二、结合现有的盲源分离算法，对混合信号分离，得到源信号的估计值由于压缩感知理论应用的前提是信号满足稀疏性或者可压缩性。根据源信号的稀疏程度，稀疏信号又可以分为充分稀疏源信号和非充分稀疏源信号。充分稀疏源信号是指多个源信号在同一时刻只有一个源信号非零，其他源信号为零或者趋近于零。非充分稀疏源信号是指源信号在同一时刻不止一个源信号的取值为零。一般情况下，我们仅仅对源信号感兴趣，对混合信号并不感兴趣。上述方法没有充分考虑混合信号的压缩观测值的特性以及所携带的源信号的信息，算法分离源信号的效率低，并且分离源信号的精度在一定程度上受混合信号重构精度的影响。
技术实现思路
本专利技术主要针对稀疏源信号中的充分稀疏源信号的估计，为了解决现有技术中，由于没有考虑混合信号压缩观测值的特点，而采用通用的重构算法重构源信号而导致源信号精度低的问题，而提出了一种分布式压缩感知中充分稀疏源信号的交替迭代估计方法。分布式压缩感知中稀疏源信号的交替迭代估计方法，所述交替迭代估计方法包括如下步骤：步骤一、获取观测信号Y并转换为向量形式：通过采集混合信号xi得到观测信号yi，其中i∈{1,2,..,P}，P表示混合信号的通道数，对各通道进行独立观测，观测矩阵为Φ，观测信号yi表示为式(7)，yi＝Φxi(7)其中，xi的长度为N，yi的长度为M，Φ是M×N维的矩阵，且M＜＜N，即xi∈RN×1，Φ∈RM×N，yi∈RM×1；将充分稀疏源信号S、混合信号X以及观测信号Y转变为矩阵形式，如式(8)所示，X＝SAT则Y＝ΦX(9)其中，A表示P×J维的混合系统，式(9)可以表示为，Y＝ΦSAT(10)将观测信号Y和源信号S变形为列向量的形式，如式(11)所示，令ai,j,i∈{1,2,...,P},j∈{1,2,...,J}表示中的元素，则式(10)可以变形为：步骤二、迭代估计条件选择：随机选取一个混合矩阵作为混合系统的估计值令源信号的估计值令迭代次数变量t＝1；步骤三、利用得到的混合系统的估计值估计充分稀疏源信号S：式(12)采用现有的压缩感知重构算法求解，令则，采用线性规划的方法求解，如式(14)所示，其中，Φ1为变形后的观测矩阵Φ，将变形为N×J维的矩阵，则充分稀疏源信号的估计值即为变形后的矩阵；步骤四、更新混合系统的估计值其中，A1为上一次迭代得到的混合系统的估计值，λ为迭代步长，I为单位矩阵，为第j个源信号的先验概率分布；充分稀疏源信号服从超高斯分布，则其概率密度函数为P(Sm)∝αexp(α|Sm|)；步骤五、归一化混合系统的估计值的列向量；步骤六、如果相邻两次的混合系统的估计值相差很小，则停止迭代，进行步骤七；否则，t＝t+1，且返回步骤二；步骤七、输出混合系统的估计值和充分稀疏源信号的估计值较现有技术相比，本专利技术利用源信号的充分稀疏特性以及其在压缩观测域的信号特点，对充分稀疏源信号在分布式压缩感知框架下进行估计。在估计过程中，采用迭代的方法，将混合信号的压缩观测值直接进行分离。在不对混合信号进行重构的前提下，直接恢复得到充分稀疏源信号的估计值。降低了算法的复杂度，提高了算法分离源信号的效率，且在一定程度上分离源信号的精度不受混合信号重构精度的影响。附图说明图1是通用的基于压缩感知的源信号估计算法的框图；图2是本专利技术分布式压缩感知中充分稀疏源信号的交替迭代估计算法的框图。具体实施方式具体实施方式一：分布式压缩感知中稀疏源信号的交替迭代估计方法，如图2所示，图中的重构系统部分采用本专利技术的迭代估计方法，该迭代估计方法可以在不重构混合信号的情况下直接分离得到充分稀疏源信号，所述交替迭代估计方法包括如下步骤：步骤一、获取观测信号Y并转换为向量形式：图中CS观测系统即为通过采集混合信号xi得到观测信号yi，其本文档来自技高网...

【技术保护点】
分布式压缩感知中充分稀疏源信号的交替迭代估计方法，其特征在于：所述交替迭代估计方法包括如下步骤：步骤一、获取观测信号Y并转换为向量形式：通过采集混合信号xi得到观测信号yi，其中i∈{1,2,..,P}，P表示混合信号的通道数，对各通道进行独立观测，观测矩阵为Φ，观测过程yi表示为式（7），yi=Φxi （7）其中，xi的长度为N，yi的长度为M，Φ是M×N维的矩阵，且M<<N，即xi∈RN×1，Φ∈RM×N，yi∈RM×1；将充分稀疏源信号S、混合信号X以及观测信号Y转变为矩阵形式，如式（8）所示，S=S1S2...SJ∈RN×JX=x1x2...xP∈RN×PY=y1y2...yP∈RM×P---(8)]]>X=SAT则Y=ΦX  （9）其中，A表示P×J维的混合系统，式（9）表示为：Y=ΦSAT  （10）将观测信号Y和充分稀疏源信号S变形为列向量的形式，如式（11）所示，S‾S1TS2T...SJTT=s1,1s1,2...s1,N......sJ,1sJ,2...sJ,NT∈RNJ×1---(11)]]>Y‾y1Ty2T...yPTT=y1,1y1,2...y1,N......yP,1yP,2...yP,MT∈RMP×1---(11)]]>令ai,j,i∈{1,2,...,P},j∈{1,2,...,J}表示中的元素，则式（10）可以变形为：Y‾a1,1Φa1,2Φ...a1,J-1Φa1,JΦa2,1Φa2,2Φ...a2,J-1Φa2,JΦ...............aP-1,1ΦaP-1,2Φ...aP-1,J-1ΦaP-1,JaP,1ΦaP,2Φ...aP,J-1ΦaP,JΦS‾---(12)]]>步骤二、迭代估计条件选择：随机选取一个混合矩阵作为混合系统的估计值令源信号的估计值S^=0...0...00N×J,]]>令迭代次数变量t=1；步骤三、利用得到的混合系统的估计值估计充分稀疏源信号S：式（12）采用现有的压缩感知重构算法求解，令Φ1=a1,1Φa1,2Φ...a1,J-1Φa1,JΦa2,1Φa2,2Φ...a2,J-1Φa2,JΦ...............aP-1,1ΦaP-1,2Φ...aP-1,J-1ΦaP-1,JaP,1ΦaP,2Φ...aP,J-1ΦaP,JΦ---(13)]]>则，采用线性规划的方法求解，如式（14）所示，argmin|S‾|1s.t.Y‾=Φ1S‾---(14)]]>其中，Φ1为变形后的观测矩阵Φ，将变形为N×J维的矩阵，则充分稀疏源信号的估计值即为变形后的矩阵；步骤四、更新混合系统的估计值ΔA=-A1(BS^T+I)]]>A^=A1+λΔA---(15)]]>其中，A1为上一次迭代得到的混合系统的估计值，λ为迭代步长，I为单位矩阵，为第j个源信号的先验概率分布；充分稀疏源信号服从超高斯分布，则其概率密度函数为P(Sm)∝αexp(α|Sm|)；步骤五、归一化混合系统的估计值的列向量；步骤六、如果相邻两次的混合系统的估计值相差很小，则停止迭代，进行步骤七；否则，t=t+1，且返回步骤二；步骤七、输出混合系统的估计值和充分稀疏源信号的估计值...

【技术特征摘要】
1.分布式压缩感知中充分稀疏源信号的交替迭代估计方法，其特征在于：所述交替迭代估计方法包括如下步骤：步骤一、获取观测信号Y并转换为向量形式：通过采集混合信号xi得到观测信号yi，其中i∈{1,2,..,P}，P表示混合信号的通道数，对各通道进行独立观测，观测矩阵为Φ，观测信号yi表示为式(7)，yi＝Φxi(7)其中，xi的长度为N，yi的长度为M，Φ是M×N维的矩阵，且M＜＜N，即xi∈RN×1，Φ∈RM×N，yi∈RM×1；将充分稀疏源信号S、混合信号X以及观测信号Y转变为矩阵形式，如式(8)所示，则X＝SATY＝ΦX(9)其中，A表示P×J维的混合系统，式(9)表示为：Y＝ΦSAT(10)将观测信号Y和充分稀疏源信号S变形为列向量的形式，如式(11)所示，令ai,j,i∈{1,2,...,P},j∈{1,2,...,J}表示中的元素，为混合系统的估计值，则式(10)变形为：

【专利技术属性】
技术研发人员：徐红伟，付宁，殷聪如，张毅刚，彭喜元，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23