一种噪声盲源信号分离方法、终端设备及存储介质技术

本发明专利技术涉及一种噪声盲源信号分离方法、终端设备及存储介质，该方法中包括：S1：将观测信号通过Fastica算法得到解混矩阵和分离后的独立分量；S2：对独立分量做多次相位调整，并根据相位调整前后对应的观测信号之间的总相关系数的大小确定最佳调整相位；S3：查找权值调整函数的最佳寻优区间，从最佳寻优区间内查找最佳权值调整函数；S4：将独立分量进行相位和幅值的调整得到调整独立分量，将其与观测信号均进行傅里叶变换得到对应的频谱，计算每个调整独立分量频谱和其对应的观测信号频谱的总相关系数，按照总相关系数的大小将所有调整独立分量进行排序，得到分离后的信号源。该解决方案对波形的不确定性进行消除，达到较为完美的分离结果。

【技术实现步骤摘要】
一种噪声盲源信号分离方法、终端设备及存储介质
本专利技术涉及噪声信号分离领域，尤其涉及一种噪声盲源信号分离方法、终端设备及存储介质。
技术介绍
随着经济的发展，越来越多的大功率机械出现，使得噪声污染变得日益的严重。噪声污染对人体的伤害具有不可逆性，长期处于噪声下会对人的听力噪声损害以及诱发心血管疾病等。近年来，人们对于噪声污染的重视逐渐的加强，采取了很多控制噪声的措施。针对于这些大功率机械及动力设备的噪声控制，最有效的手段就是从噪声源入手。如何准确的识别噪声源以及确定噪声源的主次，是最关键的一个步骤。经研究发现，对于大功率机械及动力设备的噪声源，由于其结构复杂，激励源众多且不可预测，是属于典型的盲源信号。所以，识别噪声源的前提是将盲源信号进行分离。独立分量分析(Independentcomponentanalysis，ICA)算法是近几十年来在盲源分离方面运用最为广泛而且有效的方法。这个算法最早是由JuttenC,HeraultJ在1986年提出来的，被广泛的应用语音信号处理，信号特征处理等领域。1997年Hyvarinen基于ICA算本文档来自技高网...

【技术保护点】
1.一种噪声盲源信号分离方法，其特征在于，包括以下步骤：/nS1：将由多个信号源发出的包含噪声的观测信号通过Fastica算法得到解混矩阵和分离后的独立分量；/nS2：对独立分量做多次相位调整，并根据相位调整前后对应的观测信号之间的总相关系数的大小确定最佳调整相位；/nS3：查找权值调整函数的最佳寻优区间，从最佳寻优区间内查找最佳权值调整函数，使得通过最佳权值调整函数加权得到的混合矩阵计算得到的观测信号与通过Fastica算法处理前的观测信号的总相关系数小于阈值；/nS4：将独立分量通过步骤S2得到的最佳调整相位和步骤S3得到的最佳权值调整函数进行相位和幅值的调整得到调整独立分量，将调整独立分...

【技术特征摘要】
1.一种噪声盲源信号分离方法，其特征在于，包括以下步骤：
S1：将由多个信号源发出的包含噪声的观测信号通过Fastica算法得到解混矩阵和分离后的独立分量；
S2：对独立分量做多次相位调整，并根据相位调整前后对应的观测信号之间的总相关系数的大小确定最佳调整相位；
S3：查找权值调整函数的最佳寻优区间，从最佳寻优区间内查找最佳权值调整函数，使得通过最佳权值调整函数加权得到的混合矩阵计算得到的观测信号与通过Fastica算法处理前的观测信号的总相关系数小于阈值；
S4：将独立分量通过步骤S2得到的最佳调整相位和步骤S3得到的最佳权值调整函数进行相位和幅值的调整得到调整独立分量，将调整独立分量和观测信号均进行傅里叶变换得到对应的频谱，计算每个调整独立分量频谱和其对应的观测信号频谱的总相关系数，按照总相关系数的大小将所有调整独立分量进行排序，得到最终分离后的信号源。


2.根据权利要求1所述的噪声盲源信号分离方法，其特征在于：步骤S2具体包括以下步骤：
S21：对分离出来的独立分量做多次相位调整；
yj(M)＝yj(0)|εM
其中，yj(M)为第j个独立分量在第M次相位调整后的值，j为独立分量的序号，yj(0)为通过Fastica算法得到的第j个独立分量的值，εM为第M次相位调整函数；
S22：根据相位调整后的独立分量，计算相位调整后对应的观测信号：



其中，xi(M)为第i个观测信号在第M次相位调整后的值，i为观测信号的序号，m为独立分量的总数，aij(0)为的初始混合矩阵中第i行第j列的值，初始混合矩阵为通过Fastica算法得到的解混矩阵求逆后得到的矩阵；
S23：针对每次相位调整函数εM，计算相位调整后对应的观测信号xi(M)与相位调整前对应的观测信号xi之间的总相关系数



其中，Xcor(·)为自相关系数，n为观测...

【专利技术属性】
技术研发人员：周海峰，方艺鹏，张恩来，林开荣，郑东强，林忠华，杨志荣，焦健，王新乡，陈虹宇，汪海志，包素钦，
申请(专利权)人：集美大学，
类型：发明
国别省市：福建;35