【技术实现步骤摘要】
基于结构化稀疏子空间聚类的欠定盲源分离方法和设备
[0001]本专利技术涉及信号处理
，具体涉及一种基于结构化稀疏子空间聚类的欠定盲源分离方法和设备。
技术介绍
[0002]盲源分离是指在源信号及其混合方式都未知，仅从传感器观测到的混合信号中分离源信号的一类问题。由于这一问题广泛的存在于实际工程应用中，近年来已经成为研究的热点。常被用于语音信号处理，生物医学信号处理，图像处理，故障诊断等领域。
[0003]实际中，由于工程环境的复杂性，以及出于成本控制的考量，观测传感器的数目往往已知，被观测的源信号的数目通常未知且多于观测信号的数目，这一情况下的盲源分离被称为欠定盲源分离。通过观测信号确定源信号的数量，对于解决欠定盲源分离问题具有着重要的作用。
[0004]目前解决欠定盲源分离的研究主要采用稀疏分量分析法，利用信号的稀疏性，即在频域或时频域的特定的时段只有一个信号占主导作用，其他信号幅值为0或接近于0。通常包含两个关键步骤：混合矩阵估计与源信号恢复。混合矩阵估计是信号准确恢复的前提，多种研究基于聚类方法...
【技术保护点】
【技术特征摘要】
1.一种基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，所述方法包括以下步骤：将源信号变换至时频域，采用时频区间加窗法去除低能量点，筛选出单源点；采用结构化稀疏子空间聚类发掘所述单源点中分布的子空间，确定信号源数量以及每个所述单源点所属的簇；采用改进势函数法求簇中心，基于所述簇中心估计混合矩阵；基于所述混合矩阵，使用基于源数目估计的空间投影法结合最小范数法对所述源信号进行重构；使用短时傅里叶逆变换将时频域的重构源信号恢复到时域，得到估计的时域源信号。2.如权利要求1所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，采用结构化稀疏子空间聚类发掘所述单源点中分布的子空间，确定信号源数量以及每个所述单源点所属的簇，包括步骤：初始状态下，单源点的分类位置未知，结构化稀疏子空间聚类的模型不含结构化稀疏范数项，结构化稀疏子空间聚类的模型表示为：s.t.X＝XC+E,diag(C)＝0其中，X表示单源点组成的数据集，C为单源点的自我表示系数矩阵，E表示噪声矩阵，λ＞0为平衡参数，表示对高斯噪声的正则化约束项，||C||1表示单源点的自我表示系数矩阵的范数；根据所述模型，采用交替方向乘子法求得自我表示系数矩阵，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分，从而确定源信号数量以及每个单源点所属的簇。3.如权利要求2所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，所述使用谱聚类进行初始类别划分，确定源信号数量的步骤包括：基于第一数学式求相似度矩阵：其中，C
T
表示自我表示系数矩阵C的转置，W为相似度矩阵；基于第二数学式求标准化的拉普拉斯矩阵：其中，L
sym
为标准化的拉普拉斯矩阵，I为单位矩阵，D为度矩阵，具体为一个对角矩阵，对角线上的元素基于第四数学式求得：对矩阵L
sym
进行特征分解，并将其特征值按照由小到大的顺序排列，定义特征值间隙为：Δλ
m
＝λ
m+1
‑
λ
m
，
其中，λ
m+1
和λ
m
表示顺序排列的特征值序列中相邻的两个特征值，Δλ
m
表示相邻特征值的差，即特征值间隙；第一个极大的所述特征值间隙所对应的下标的数值即为源信号数量，也为簇的数目。4.如权利要求2所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分，从而确定源信号数量以及每个单源点所属的簇，包括步骤：对所述拉普拉斯矩阵，基于所述簇的数目，作为谱聚类的输入，基于规范割集准则对所述自我表示系数矩阵进行切割，得到任一单源点的簇的划分。5.如权利要求4所述的基于结构化稀疏子空间聚类的欠定盲源分离方法，其特征在于，基于所述自我表示系数矩阵，使用谱聚类进行初始类别划分后，还包括步骤：使用结构化稀疏子空间聚类框架和谱聚类循环迭代，使单源点的簇的划分达到最佳，循环迭代的步骤为：依据单源点的簇的初始类别划分结果，计算结构化稀疏范数项||C||
Q
，计算公式为第六数学式：其中，C
ij
表示单源点自我表示系数矩阵C的第i行第j列的元素，定义分割矩阵Q＝[q1；q2；...,q
n
]，反映各个样本数据点与簇的归属度关系，矩阵Q仅包含0和1两种取值，若第i个单源点x
i
分布于第j个簇S
j
中，则q
ij
＝1，否则q
ij
＝0，q
i
和q
j<...
【专利技术属性】
技术研发人员：王庆义，张亦琼，王宇铎，雷雨迪，周丹，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。