【技术实现步骤摘要】
本申请涉及信号处理，尤其涉及一种基于机器学习和聚类算法的盲源分离估计方法。
技术介绍
1、盲源分离技术是一种广泛应用在通信信号处理领域的技术，同时，随着现代社会的不断发展，盲源分离技术的应用范围也越来越广，在故障诊断方面，可通过盲源分离定位故障设备；在图像处理方面，可通过盲源分离从夹杂干扰的图像中恢复原图像；在生物医学方面，可应用盲源分离完成人体生理数据的提取或分类。
2、在盲源分离系统中，根据源信号与观测信号数量的不同衍生出两种盲源分离问题，当源信号数量小于观测信号的数量时为超定盲源分离问题，当源信号数量大于观测信号时称为欠定盲源分离问题。在实际的场景应用中，由于源信号的数量未知且大多数情况下数量较多，而检测设备的数量由于空间的限制与价格的约束的因素是有限的，因而欠定盲源分离问题更符合实际情况。
3、欠定盲源分离系统作为盲源分离系统的一个分支，由于约束条件的减少，存在病态性和特殊性，常用的盲源分离算法有独立分量分析(independent component analysis,ica)、稀疏分量分析(sparse component analysis,sca)及主成分分析(principalcomponent analysis,pca)方法等。目前稀疏成分分析方法是欠定盲源分离系统中的常用方法，使用该方法解决欠定盲源分离问题通常分为两步，即首先估计混合矩阵，然后在混合矩阵已经估计出来的基础上实现源信号的重构分离。稀疏成分分析法依赖于信号在短时傅里叶变换后，能够在得到的时频域信号内具有稀疏性，即对于一个时
4、需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、鉴于现有技术的上述缺点、不足，本申请提供一种基于机器学习和聚类算法的盲源分离估计方法，提高欠定盲源分离系统中对隐藏特征的利用率，从而实现源信号的准确分离。
2、本专利技术提供了一种基于机器学习和聚类算法的盲源分离估计方法，包括：
3、接收待估计的混合信号，并将所述混合信号中的观测信号变换至时频域上，得到时频域观测信号；
4、提取公共信号源数据的特征，训练由dbn神经网络组成的编码器以及bp神经网络组成的解码器；所述公共信号源数据包括现有环境数据、仿真数据和实际环境数据；
5、对所述混合信号进行抽样，并将抽样后的混合信号输入至训练完成的编码器，提取所述混合信号的隐藏高阶特征；
6、利用第一聚类算法对所述隐藏高阶特征进行聚类，得到所述待估计的混合信号中每个信号源的数目以及初始聚类中心；
7、将所述信号源数目、所述初始聚类中心以及所述隐藏高阶特征输入至第二聚类算法中，以对所述初始聚类中心进行修正，得到修正后的聚类中心；
8、根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征，重新构建所述信号源的隐藏高阶特征，并经由所述训练后的解码器恢复各信号源。
9、在本专利技术的一个实施例中，提取公共信号源数据的特征，训练由dbn神经网络组成的编码器以及bp神经网络组成的解码器，包括：
10、基于dbn神经网络将所述公共信号源的视频参数搬移至高维映射上，利用梯度上升法进行训练，并提取所述公共信号源的隐藏高阶特征；
11、利用所述公共信号源的隐藏高阶特征训练并测试bp神经网络。
12、在本专利技术的一个实施例中，对所述混合信号进行抽样，并将抽样后的混合信号输入至训练完成的编码器，提取所述混合信号的隐藏高阶特征，包括：
13、根据所述观测信号的路数确定所述编码器的输入端维度和所述解码器的输出端维度；
14、提取所述混合信号时频域的实部作为信号特征，并对所述信号特征进行归一化，以使所述信号特征值在预设阈值内。
15、在本专利技术的一个实施例中，所述第一聚类算法为ap聚类算法。
16、在本专利技术的一个实施例中，所述第二聚类算法为k-means聚类算法。
17、在本专利技术的一个实施例中，根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征，重新构建所述信号源的隐藏高阶特征，并经由所述训练后的解码器恢复各信号源，包括：
18、根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征，重新构建所述信号源的隐藏高阶特征，每个聚类中心所代表的信号源在每一时刻均由聚类内各点共同决定，聚类内各点所占权重由聚类内各点到聚类中心的距离决定；
19、所述训练后的解码器将所述隐藏高阶特征恢复为所述混合信号中各信号源的时频特征，变换回各信号源。
20、在本专利技术的一个实施例中，所述训练后的解码器将所述隐藏高阶特征恢复为所述混合信号中各信号源的时频特征，变换回各信号源，包括：
21、将重新构建所述信号源的隐藏高阶特征输入所述训练后的解码器，根据所述训练后的解码器得到对应的时频特征；
22、根据所述时频特征对各信号源进行恢复。
23、在本专利技术的一个实施例中，将所述信号源数目、所述初始聚类中心以及所述隐藏高阶特征输入至第二聚类算法中，以对所述初始聚类中心进行修正，得到修正后的聚类中心，包括：
24、将所述初始聚类中心输入至所述第二聚类算法中，确定聚类中心的总个数；
25、计算所述隐藏高阶特征中每个样本到所述初始聚类中心的距离，并将所述样本划分到距离最小的聚类中心所对应的类别中；
26、根据所述聚类中心所对应的类别，重新计算每个类别的聚类中心，直至聚类中心的变化小于目标值。
27、在本专利技术的一个实施例中，接收待估计的混合信号，并将所述混合信号中的观测信号变换至时频域上，得到时频域观测信号，包括：
28、通过短时傅里叶变换将所述观测信号变换到时频域上，得到时频域的观测信号。
29、在本专利技术的一个实施例中，所述混合信号包含语音信号以及各类调制信号。
30、本申请的上述技术方案相比现有技术具有以下优点：
31、本申请所述的一种盲源分离估计方法，基于机器学习以及ap聚类算法和k-means聚类算法对信号中高阶隐藏特征的处理，能够挖掘并分类欠定盲源分离系统中混叠信号中各源信号的高阶隐藏特征，从而实现源信号的准确分离。
本文档来自技高网...【技术保护点】
1.一种基于机器学习和聚类算法的盲源分离估计方法，其特征在于，包括：
2.根据权利要求1所述的盲源分离估计方法，其特征在于，提取公共信号源数据的特征，训练由DBN神经网络组成的编码器以及BP神经网络组成的解码器，包括：
3.根据权利要求1所述的盲源分离估计方法，其特征在于，对所述混合信号进行抽样，并将抽样后的混合信号输入至训练完成的编码器，提取所述混合信号的隐藏高阶特征，包括：
4.根据权利要求1所述的盲源分离估计方法，其特征在于，所述第一聚类算法为AP聚类算法。
5.根据权利要求1所述的盲源分离估计方法，其特征在于，所述第二聚类算法为K-means聚类算法。
6.根据权利要求1所述的盲源分离估计方法，其特征在于，根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征，重新构建所述信号源的隐藏高阶特征，并经由所述训练后的解码器恢复各信号源，包括：
7.根据权利要求6所述的盲源分离估计方法，其特征在于，所述训练后的解码器将所述隐藏高阶特征恢复为所述混合信号中各信号源的时频特征，变换回各信号源，包括：
...【技术特征摘要】
1.一种基于机器学习和聚类算法的盲源分离估计方法，其特征在于，包括：
2.根据权利要求1所述的盲源分离估计方法，其特征在于，提取公共信号源数据的特征，训练由dbn神经网络组成的编码器以及bp神经网络组成的解码器，包括：
3.根据权利要求1所述的盲源分离估计方法，其特征在于，对所述混合信号进行抽样，并将抽样后的混合信号输入至训练完成的编码器，提取所述混合信号的隐藏高阶特征，包括：
4.根据权利要求1所述的盲源分离估计方法，其特征在于，所述第一聚类算法为ap聚类算法。
5.根据权利要求1所述的盲源分离估计方法，其特征在于，所述第二聚类算法为k-means聚类算法。
6.根据权利要求1所述的盲源分离估计方法，其特征在于，根据所述修正后的聚类中心分配各信号源对应的所述隐...
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。