CN101833955A

CN101833955A - 一种基于负熵最大化的复数约束独立分量分析方法

Info

Publication number: CN101833955A
Application number: CN201010300546A
Authority: CN
Inventors: 林秋华; 王李丹; 王慧
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2010-01-22
Filing date: 2010-01-22
Publication date: 2010-09-15

Abstract

本发明公开了一种基于负熵最大化的复数约束独立分量分析方法，属于信号处理技术领域。其特征是在约束独立分量分析框架下，以复数负熵最大化算法的目标函数为基础，以参考信号作为部分或全部复数源信号先验信息的载体，基于源信号的估计信号与参考信号间能量相关给出接近性量度，引入负熵最大化目标函数的不等式约束，实现部分复数源信号的定序抽取或全部复数源信号的定序分离。本发明的效果和益处是能够解决复数独立分量分析方法的顺序不确定问题，分离效率高，性能稳定，易于软硬件实现，可广泛用于通信、生物医学信号处理、语音处理、图像处理、地质勘探等领域中完成高性能的感兴趣信号提取、混合信号定序分离和语音增强。

Description

一种基于负熵最大化的复数约束独立分量分析方法

技术领域

本发明属于信号处理技术领域，涉及到复数混合源信号的分离，特别涉及到一种基于负熵最大化的复数约束独立分量分析方法。

背景技术

独立分量分析(independent component analysis，ICA)是一种重要的盲源分离(blind source separation，BSS)方法，不需要源信号及其混合参数信息，即能从混合信号中分离出各个源信号的独立成分，已在无线通信和生物医学等领域得到了广泛应用。然而，由于不利用源信号及其混合参数的先验信息，ICA固有分离信号顺序不确定的缺点，必须利用源信号的某种先验信息进行识别后处理，才能获取所需源信号。显然，当源信号个数较多而感兴趣信号较少时，ICA将分离较多的无用信号，造成先验信息利用效率低下。为此，Lu和Rajapakse于2001年提出了一种在标准ICA过程中直接利用源信号先验信息的一般框架枛约束独立分量分析(Constrained ICA，cICA)，将源信号的先验信息以参考信号形式引入ICA的不等式约束，有效地解决了ICA的顺序不确定问题，当利用部分源信号的先验信息时，实现部分源信号的定序抽取；当利用所有源信号的先验信息时，实现所有源信号的定序分离。目前，cICA在实数源信号的分离应用中已取得很多成果，性能优于标准ICA。尽管cICA在复数源信号分离中的应用才刚刚兴起，但初步应用结果已表明其良好的应用潜力，不但解决了复数ICA的顺序不确定问题，因高效利用先验信息其分离性能也进一步提高。然而，由于目标函数选取的原因，现有的复数cICA方法仍存在不足。例如，李镜和林秋华提出的基于复数FastICA目标函数的cICA算法只适合分离环形信号，当分离功能磁共振成像信号(functional magnetic resonance imaging，fMRI)、频域语音信号等实际非环形复数信号时性能下降。而陈君瑜和林秋华提出的基于复数峭度最大化的cICA算法在分离频域混合语音信号时性能不稳定。2008年，Novey和Adali提出了复数负熵最大化算法，不但能够分离环形和非环形复数信号，性能也比复数FastICA和复数峭度最大化算法稳定，但目前尚无cICA解决方案。

发明内容

本发明提出了一种基于Novey和Adali负熵最大化目标函数的复数cICA方法，利用复数源信号的先验信息解决复数ICA的顺序不确定问题。

实际上，部分或全部复数源信号的先验信息客观存在。例如，对于fMRI信号，人们研究发现，在视觉、听觉或运动刺激下，大脑的某些区域会被激活，这些激活区为复数fMRI信号的ICA分析提供了一部分源信号的幅值信息，这部分源信号就是与任务相关的脑激活区信号。对于语音信号而言，相邻频点子信号的幅度和能量具有较大的相关性，这一特性在频域混合语音信号的分离应用中，属于全部复数源信号的先验信息。

本发明的技术解决方案是，在cICA框架下，以复数负熵最大化算法的目标函数为ICA基础，以参考信号r作为部分或全部复数源信号先验信息的载体，与源信号的估计信号y一起构成接近性量度-E{|y|²·|r|²}，即源信号的估计信号与参考信号之间的能量相关函数，设置门限ξ，以不等式约束-E{|y|²·|r|²}-ξ≤0约束复数负熵最大化算法的ICA过程；当参考信号r作为部分复数源信号先验信息的载体时，实现部分复数源信号的定序抽取；当参考信号r作为全部复数源信号先验信息的载体时，实现全部复数源信号的定序分离。

本发明所达到的效果和益处是，提供了基于负熵最大化的复数cICA方法，通过利用部分或全部复数源信号的先验信息，有效地解决了复数ICA的顺序不确定问题。本发明分离效率高，性能稳定，易于软硬件实现，可广泛用于通信、生物医学信号处理、语音处理、图像处理、地质勘探等领域中完成高性能的感兴趣信号提取、混合信号定序分离和语音增强。

附图说明

图1是本发明的一种基于负熵最大化的复数cICA方法原理框图。

图2是本发明的利用幅值信息的部分复数源信号的定序抽取法原理框图。

图3是本发明的各频点混合语音信号的定序分离法原理框图。

具体实施方式

下面结合技术方案和附图，详细叙述本发明的具体实施例。

实施例1：利用部分复数源信号的幅值信息定序抽取部分复数源信号

设有N个复数源信号s₁-s_N，经过未知的线性混合过程得到N个复数混合信号x₁-x_N。设s₁-s_M(1≤M＜N)为感兴趣信号，其大致的幅值信息已知，载体为M个参考信号r₁-r_M。r₁-r_M与s₁-s_M不同，但具有s₁-s_M的大致幅值信息。令y表示源信号的估计信号。基于接近性量度-E{|y|²·|r|²}和门限ξ，构成复数负熵最大化算法的不等式约束，这样，在原来复数负熵最大化的分离结果中，只有满足不等式约束-E{|y|²·|r|²}-ξ≤0的信号才得以输出，且输出顺序与参考信号的顺序相同，至此完成感兴趣复数源信号的定序抽取，如图2所示。

实施例2：利用相邻频点语音信号的能量相关性定序分离混合语音信号

设有两路时域卷积混合的语音信号，通过频域变换得到各频点的瞬时混合语音信号。做法是先对时域混合语音进行分帧加窗处理，再对每帧信号进行N点FFT变换，进而组合得到两路混合语音在N个频点上的线性混合复数信号。这时，应用基于负熵最大化的复数cICA方法对N个频点的混合语音进行定序分离，即以相邻频点的语音估计信号为参考信号r，与当前频点的语音估计信号y一起构成接近性量度-E{|y|²·|r|²}，设置门限ξ，以不等式约束-E{|y|²·|r|²}-ξ≤0约束复数负熵最大化算法的ICA过程。如图3所示。其中，相邻频点的语音估计信号可取前一频点的语音估计信号，或前几个频点语音估计信号的平均信号。最后，对N个频点的语音估计信号进行组合和FFT逆变换，即可得到语音的时域恢复信号。

Claims

1.一种基于负熵最大化的复数约束独立分量分析方法，其特征在于，在cICA框架下，以复数负熵最大化算法的目标函数为ICA基础，以参考信号r作为部分或全部复数源信号先验信息的载体，与源信号的估计信号y一起构成接近性量度-E{|y|²·|r|²}，设置门限ξ，以不等式约束-E{|y|²·|r|²}·ξ≤0约束复数负熵最大化算法的ICA过程。

2.根据权利要求1所述的一种基于负熵最大化的复数约束独立分量分析方法，其特征还在于，当参考信号r作为部分复数源信号先验信息的载体时，进行部分复数源信号的定序抽取。

3.根据权利要求1所述的一种基于负熵最大化的复数约束独立分量分析方法，其特征还在于，当参考信号r作为全部复数源信号先验信息的载体时，进行全部复数源信号的定序分离；其中，相邻频点的语音估计信号取前一频点的语音估计信号或前几个频点语音估计信号的平均信号。