一种单通道盲源分离法，属于电子信息技术领域，特征是采用极值点对称延拓的方法，对总体经验模态分解进行去端点效应处理；并用该总体经验模态分解法将单路混合信号转化为本征模态函数（IMFs），并抑制噪声；利用主成份分析对多路IMFs进行降维处理，去掉其中的无效成分；将降维后的多路信号进行独立成分分析来实现盲源分离。实施步骤是把多路信号线性相加混合为单通道信号进行传输，最后在不影响后期模式识别效果条件下，简单、快捷、有效的恢复出源信号，实现多路输出口输出。优点是能将混为一路的多路频谱重叠的信号在不影响后期识别效果的情况下分离出来。
【技术实现步骤摘要】
本专利技术属于电子信息
，具体涉及一种单通道盲源分离法。
技术介绍
盲源分离(Blind Source Separation BSS)是在上个世纪八十年代开始兴起,特别是伴随着神经网络的热门而被越来越多人研究，目前已成为信号处理领域研究的热点之一.在多个领域都有应用，包括图像、通信、振动工程、生物医学工程、阵列信号处理、遥感遥测等领域得到了广泛的应用，尤其是它在声纳、通信、雷达、语音、图像处理等方面的应用，对军事、国防科技的发展起着至关重要的作用。盲源分离最经典的应用例子是通常所说的“鸡尾酒会问题〃，此问题是基于是这样一个场景:在一个很多人参加的鸡尾酒会中，大家都在交谈着，各种各样的声音混在一起，假设我们用麦克风录制这些声音信号，现在要求我们从众多声音混合在一起的信号中分离得到某个人的说话声，由于人比较多而麦克风的数量有限，这就变成了欠正定的问题。本专利技术目的就是对多路混合为一路的信号进行分离，可以有效的恢复出多路源始信号，这样就可以得到你感兴趣的人交谈的录音。单通道盲源分离是盲源分离的一种极端的情况，即在未知信号混合的方式的情况下，凭借单通道信号恢复出多通道信号，人们在这方面的探索也是刚刚展开，目前常见的方式是将单通道通过某种方法转化为“虚拟多通道”，最后利用独立成分分析ICA进行分离得出原信号。目前主要的单通道盲源分离法有以下三种类型:①单通道ICA分析，当信号的频谱相距较近，如对于母婴心跳的混合信号，用此方法不能进行分离对信号奇异值分解后再进行ICA处理，和奇异谱分析后进行ICA处理，此两种方法对于信号频谱重叠时，分离信号效果较差，出现混叠；③小波分解后进行ICA处理，即W_ICA，和经验模态分解后进行ICA处理，即EMD_ICA，此两种方法在信号的频谱重叠的情况下仍能进行分离，运用小波分解时需要针对不同的信号进行选取小波，而经验模态分解是根据信号的特征提取出本征模态函数(Intrinsic Model Function),即IMF,具有很强的自适应性；由于所采集到的一些信号频谱在一定情况下会重叠，实际对比W_ICA、EMD_ICA和EEMD_ICA，发现EMD_ICA分离效果波形平滑，更接近原信号，但此方法处理过程速度较慢，过程中需要人凭借经验进行信号的挑选，智能性不高，而EEMD_ICA在抑制噪声方面优于EMD_ICA，但和EMD_ICA —样存在端点效应的问题。在固有模态函数的“筛选”过程中，构成上下包络线的三次样条函数在数据序列的两端会出现发散现象，并且这种发散的结果会随着“筛选”过程的不断进行，逐渐向内“污染”整个数据序列，而使所得到的结果严重失真。
技术实现思路
本专利技术目的是提供一种单通道盲源分离法，对多路混合为一路的数字信号进行分离，可以有效地恢复出多路源始信号。本专利技术是这样实现的，其具体实施步骤是:A、将采集到多路信号在信号预处理模块线性相加，得到预处理单通道信号X (t)；B、将预处理所得到的单通道信号x(t)送到信号盲源分离模块，进行去端点效应处理，采用的是极值点对称延拓(Extreme point symmetry extension, EPSE)的方法,然后依次进行总体经验模态分解(Ensemble Empirical Mode Decomposition),即EEMD分解,主成份分析PCA降维和ICA分析，实现多路信号通过一个输入口采集，多路输出口输出:B.1、抑制端点效应的极值点对称延拓(EPSE)算法:a、对预处理得到的信号x(t)，以端点为对称点，向外对称加极值点，对长度为N的离散信号序列:x(i)，T(i)=i，i = 1，2，...，N，其极大值序列为:U(i)，Tu(i)，i =1,2,..., Nu,其中 U(i)=S(Tu(i))，其极小值数列为:L(i),Tl(i),i=l,2,...,NI,其中L(i)=S(Tl(i))，在原数据端点处，以端点为对称点，向外对称延伸Ne个周期的极值点，如果信号序列的周期数小于设定值，那么Ne取周期数值，经过延拓的极值序列为:权利要求1.一种单通道盲源分离法，其特征在于实施步骤是: A、将采集到多路信号在信号预处理模块线性相加，得到预处理单通道信号x(t)； B、将预处理所得到的单通道信号x(t)送到信号盲源分离模块，进行去端点效应处理，采用的是极值点对称延拓(Extreme point symmetry extension, EPSE)的方法,然后依次进行总体经验模态分解(Ensemble Empirical Mode Decomposition),即EEMD分解,主成份分析PCA降维和ICA分析，实现多路信号通过一个输入口采集，多路输出口输出: B.1、抑制端点效应的极值点对称延拓(EPSE)算法: a、对预处理得到的信号x(t)，以端点为对称点，向外对称加极值点，对长度为N的离散信号序列:x(i), T(i)=i, i = 1，2，...，N,其极大值序列为:U(i), Tu(i), i =1,2,..., Nu,其中 U(i)=S(Tu(i))，其极小值数列为:L(i),Tl(i),i=l,2,...,NI,其中L(i)=S(Tl(i))，在原数据端点处，以端点为对称点，向外对称延伸Ne个周期的极值点，如果信号序列的周期数小于设定值，那么Ne取周期数值，经过延拓的极值序列为:全文摘要一种单通道盲源分离法，属于电子信息
，特征是采用极值点对称延拓的方法，对总体经验模态分解进行去端点效应处理；并用该总体经验模态分解法将单路混合信号转化为本征模态函数(IMFs)，并抑制噪声；利用主成份分析对多路IMFs进行降维处理，去掉其中的无效成分；将降维后的多路信号进行独立成分分析来实现盲源分离。实施步骤是把多路信号线性相加混合为单通道信号进行传输，最后在不影响后期模式识别效果条件下，简单、快捷、有效的恢复出源信号，实现多路输出口输出。优点是能将混为一路的多路频谱重叠的信号在不影响后期识别效果的情况下分离出来。文档编号G10L21/0272GK103106903SQ201310011919公开日2013年5月15日 申请日期2013年1月11日 优先权日2013年1月11日专利技术者郭一娜, 郑秀萍, 黄书华, 郅逍遥, 李临生, 卓东风 申请人:太原科技大学本文档来自技高网...
【技术保护点】
一种单通道盲源分离法，其特征在于实施步骤是：A、将采集到多路信号在信号预处理模块线性相加，得到预处理单通道信号x(t)；B、将预处理所得到的单通道信号x(t)送到信号盲源分离模块，进行去端点效应处理，采用的是极值点对称延拓(Extreme point symmetry extension,EPSE)的方法，然后依次进行总体经验模态分解（Ensemble Empirical Mode Decomposition），即EEMD分解，主成份分析PCA降维和ICA分析，实现多路信号通过一个输入口采集，多路输出口输出：B.1、抑制端点效应的极值点对称延拓（EPSE）算法：a、对预处理得到的信号x(t),以端点为对称点,向外对称加极值点，对长度为N的离散信号序列:x(i),T(i)=i,i＝1,2,...,N，其极大值序列为:U(i)，Tu(i),i＝1,2,...,Nu,其中U(i)=S(Tu(i))，其极小值数列为：L(i),Tl(i),i=1,2,...,Nl,其中L(i)=S(Tl(i))，在原数据端点处,以端点为对称点,向外对称延伸Nc个周期的极值点,如果信号序列的周期数小于设定值,那么Nc取周期数值，经过延拓的极值序列为： Ua ( j ) = U ( 1 - j ) j = - Nc + 1 , - Nc + 2 , . . . , 0 U ( j ) j = 1,2,3 , . . . Nu U ( 2 Nu - j + 1 ) j = Nu + 1 , Nu + 2 , . . . , Nu + Nc Tua ( j ) = 2 - Yu ( 1 - j ) j = - Nc + 1 , - ...
【技术特征摘要】
【专利技术属性】
技术研发人员：郭一娜，郑秀萍，黄书华，郅逍遥，李临生，卓东风，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西;14
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。