[发明专利]一种单通道盲源分离法

摘要

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。

主权项

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=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,...,0U(j)j=1,2,3,...NuU(2Nu-j+1)j=Nu+1,Nu+2,...,Nu+Nc]]>Tua(j)=2-Yu(1-j)j=-Nc+1,-Nc+2,...,0Tu(j)j=1,2,3,...Nu2N-Tu(2Nu-j+1)j=Nu+1,Nu+2,...,Nu+Nc]]>La(j)=L(1-j)j=-Nc+1,-Nc+2,...,0L(j)j=1,2,3,...NlL(2Nl-j+1)j=Nl+1,Nl+2,...,Nl+Nc]]>Tla(j)=2-Tl(1-j)j=-Nc+1,-Nc+2,...,0Tl(j)j=1,2,3,...Nl2N-Tl(2Nl-j+1)j=Nl+1,Nl+2,...,Nl+Nc]]>b、原数据序列的端点很可能不是极值点,如果将它作为极值点,将使包络线在端点处收缩,使包络线形状严重变形,引入振荡误差，当端点值超出一定的范围时,为避免端点的漂移现象,要将其作为极值点插入上面的极值点序列Ua,Tua,La,Tla，为简单起见,以近端点的极值点值作为判断的基准，前端点x(1)：后端点x(N)：利用经过处理的极值点序列Ua,Tua,La,Tla对时间段T(i)=i,i＝1,2,...,N拟合得到原信号的上下包络线；B.2、总体经验模态分解EEMD处理得到本征模态函数IMFs:a、将处理所得到的单通道信号x(t),多次加入具有均值为零、标准差为常数的白噪声n_i(t),即为x_i(t)=x(t)+n_i(t),其中x_i(t)为加入白噪声之后的信号，n_i(t)为第i次加入的白噪声，白噪声n_i(t)的准则为其中，ε_n表示加入的高斯白噪声标准差，ε_h表示信号中有效高频成分的幅值标准差，ε₀表示信号幅值标准差，α为比例系数，通常情况下，α=σ/4能有效避免信号分解中的模式混淆；b、对所得到的信号进行经验模态分解EMD，得到各自的IMF记为a_ij(t),和余项r_i(t)，其中a_ij(t)表示加入白噪声后分解得到的第j个IMF；c、将步骤b所得到的IMF进行总体平均运算，得到IMFs为其中，a_j(t)为对原信号进行EEMD分解后所得到的第j个IMF，由此可以得到IMF分量矩阵A={a₁(t),a₂(t),…,a_i(t)}^T,其中，i为单通道信号经EEMD分解后的IMF个数，上标T为转置运算；B.3、对得到IMF分量进行PCA降维：R=E(AA^T),RV=VΛ，其中A为经过EEMD分解后得到的IMF分量m×n矩阵，R为m个变量IMFs的自相关矩阵，V为R的m×m阶特征向量矩阵，其列向量是R的正交规一化的特征向量，Λ为R的特征对角矩阵，λ_i（i=1,2,…,m）为第i个对角线上的元素，构造m个不相关的新变量Y＝V^TX，Y={y₁,y₂,…,y_m}^T,对λ_i（i=1,2,…,m）按降序排列后，取前面p个较大特征值所对应的特征向量，得到降维后p×n阶向量矩阵B，其中p≥2；B.4、将PCA降维所得到矩阵B进行ICA处理，采用的是效果好且速度快的基本定点迭代算法FastICA进行ICA处理：a、白化数据，给出观测矩阵X，其中X=AS(n)，A为信号的混合矩阵，S(n)为源信号；b、随机选取权向量作为解混矩阵W的权值，W为解混矩阵，即为混合矩阵A的虚拟反矩阵；c、令W←E(xg(W^Tx))-E(g′(W^Tx))W，其中非二次函数G的导数g(u)=tanh(a₁u)，1≤a₁≤2，是常数，常取做1；d、循环迭代，直到收敛为止，最后得到p×n阶向量矩阵Y(n)，通过观察选取分离后的信号。