【技术实现步骤摘要】
基于字典学习和稀疏重构的欠定盲源分离方法及系统
[0001]本文件涉及信号处理
,尤其涉及一种基于字典学习和稀疏重构的欠定盲源分离方法及系统。
技术介绍
[0002]欠定盲源分离技术在多个领域得到广泛的应用,如生物医学信号处理,音频源信号分离,听觉微型飞行器的自我降噪等等。然而,由于缺乏足够的观测信息,欠定多通道盲源分离是一个NP难问题,其求解面临很大的技术挑战。为了解决这个问题,传统的方法是利用稀疏成分分析技术,假设源信号满足一定的稀疏度,可被分解成少量分量的组合,进而重构源信号。然而,由于信号的稀疏分解依赖于字典和信号之间的拟合度,需要考虑字典学习的问题。在大多数字典学习算法中,都涉及到字典更新的迭代和稀疏逼近,为了寻找合适的字典,需要循环迭代地更新字典及其系数。但是,如何在避免分析字典的琐碎解的同时获得一个强稀疏性的促进解是一个有待解决的问题。
技术实现思路
[0003]本专利技术提供一种基于字典学习和稀疏重构的欠定盲源分离方法及系统,旨在解决上述问题。
[0004]本专利技术提供一种基于字典学习和稀疏重构的欠定盲源分离方法,包括:
[0005]S1、对混合信号进行建模,获取欠定混合盲源分离模型;
[0006]S2、用压缩感知模型将欠定混合盲源分离模型转化为稀疏源信号重构问题;
[0007]S3、利用字典学习方法同时更新字典和相应的稀疏源信号重构问题中的稀疏系数;
[0008]S4、根据稀疏系数利用稀疏重构方法解决稀疏源信号重构问题,从而分离出源信号 ...
【技术保护点】
【技术特征摘要】
1.一种基于字典学习和稀疏重构的欠定盲源分离方法,其特征在于,包括:S1、对混合信号进行建模,获取欠定混合盲源分离模型;S2、用压缩感知模型将所述欠定混合盲源分离模型转化为稀疏源信号重构问题;S3、利用字典学习方法同时更新字典和相应的所述稀疏源信号重构问题中的稀疏系数;S4、根据所述稀疏系数利用稀疏重构方法解决稀疏源信号重构问题,从而分离出源信号。2.根据权利要求1所述的方法,其特征在于,所述步骤S1具体包括:通过公式1对在噪声环境下的欠定混合信号进行建模:X(t)=A
·
S(t)+N(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式1;其中,源信号数目N大于传感器数目M,即,N>M,欠定混合情形,X(t)=[x1(t),x2(t),...,x
M
(t)]
T
∈R
M
×
T
是混合信号矩阵,[
·
]
T
表示矩阵的转置,A∈R
M
×
N
是未知的混合矩阵,S(t)=[s1(t),s2(t),...,s
N
(t)]
T
∈R
N
×
T
是未知的源信号矩阵,N(t)是系统扰动。3.根据权利要求2所述的方法,其特征在于,所述步骤S2具体包括:对混合信号矩阵进行矢量化操作,将矩阵X(t)的列向量叠加到单个向量中,所述欠定混合盲源分离模型表示为:其中,Λ
ij
∈R
T
×
T
是对角矩阵,它的对角元素是a
ij
,令x=vec(X
T
),s=vec(S
T
),则所述欠定混合盲源分离模型被写为:x=M
·
s
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式3;其中,M是观测矩阵,s是稀疏向量,将s利用稀疏表示为:s=D
·
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4;其中,D是字典矩阵,c是s的稀疏表示,根据公式3和公式4通过公式5将欠定盲源分离问题转化为基于字典学习的稀疏源信号重构问题;x=M
·
D
·
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式5。4.根据权利要求3所述的方法,其特征在于,所述步骤S3具体包括:利用字典学习算法解决如下优化问题:
其中,Y是混合信号的稀疏表示,μ是一个适当的超参数,μ是,将稀疏系数视为字典的一个函数,在字典更新的同时更新相应的稀疏系数;令然后,采用梯度下降线性搜索法对字典进行更新,目标函数的梯度计算如下:为了更新字典,令定义其中,p
j
和D
:,j
分别是P和D的第j列,q
j
是线搜索方向,q
j
D
:,j
=0,新的字典D
:,j+1
通过在q
j
的方向上移动D
:,j
得到:其中,α是步长,使用黄金分割搜索方法确定,字典更新规则如下:5.根据权利要求4所述的方法,其特征在于,所述步骤S4具体包括:为了得到稀疏解,求解如下优化问题:通过公式14获得稀疏解,完成稀疏重构:c=Π
‑1(c)
·
(MD)
T
·
[MD
·
Π
‑1(c)
·
(MD)
T
]
‑1·
x
ꢀꢀꢀꢀ
公式14。6.一种基于字典学习和稀疏重构的欠定盲源分离系...
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。