CN103281269B - 基于改进的排序算法的频域盲源分离算法 - Google Patents

Abstract

基于改进的排序算法的频域盲源分离算法，包括以下步骤：获取混合信号；对混合信号进行时频变换得到频域混合信号；对频域混合信号进行白化预处理；对预处理后的频域混合信号，在不同频点进行复数独立成分分析（ICA），得到各频点处独立成分；采用改进的排序算法对各频点独立成分进行排序；对排序后的频域信号进行时频反变换，得到时域信号。本发明相比时域算法具有稳定性强，复杂度低的优点；相比采用信号到达角、脉内特征等信号特征的频域盲源分离算法具有通用性强的优点。经实验，本发明对线性混合信号、卷积混合信号、实际混合信号都具有较好的分离效果。

Description

基于改进的排序算法的频域盲源分离算法

技术领域

本发明属于信号处理领域，涉及一种基于改进的排序算法的频域盲源分离算法。

背景技术

盲源分离是一个二十年来在信号处理领域迅速发展的研究课题。按信号分类主要有声音信号盲源分离、混沌信号盲源分离、电磁信号盲源分离等。自上世纪 80 年代，Herault J 和 Jutten C 提出独立分量分析问题以来，涌现出大量优秀的算法。这些算法按照混合模型可分为三类：线性混合，非线性混合和卷积混合。其中卷积混合模型最接近实际问题。目前主要有时域和频域两种算法来解决卷积信号盲源分离问题。随着卷积长度的增加，时域算法的开销变得很大。频域盲源分离算法是利用傅立叶变换将时域的卷积混合方式转化为频域的瞬时混合方式，再对其进行独立成分分析。由于独立成分分析是在每个频点分别进行的，各个频点的独立成分顺序不一致。在将频域信号变换到时域前需要确定各频点独立成分的顺序。

目前主要有两种排序不确定性的消除算法。一种算法利用了信号频谱的相位信息。首先在每个频点上估计源信号的波达方向角(DOA)，再以DOA为特征对每个频点上的独立分量进行聚类，来确定独立分量所对应的信号源。这类算法需要对源信号和传感器的位置进行估计，时间耗费较大，准确性较差。另一种算法利用了信号频谱的幅度信息。Anemuller J 指出，在语音信号中，相邻两个频点的频谱幅度具有很高的相关性。Murata以混合信号的两个相邻频点的幅度相关之和为代价函数，对其进行最大化，找到一组合适的排列（简称Murata算法）。有学者设定了两个相邻频点的幅度相关阈值，并计算按照当前顺序排列得到的幅度相关度，与阈值比较，决定某一频点上分量的当前顺序是否需要更改。显然，阈值的设定直接决定了算法是否成功，鲁棒性较低。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种鲁棒性较高的基于改进的排序算法的频域盲源分离算法，主要是在频域盲分离算法的框架下，对基于幅值相关度的排序算法进行了改进，加入了影响因子。

本发明解决其技术问题所采用的技术方案是：

基于改进的排序算法的频域盲源分离算法，包括以下步骤：

1）获取混合信号；

2）对混合信号进行时频变换得到频域混合信号；

3）对频域混合信号进行白化预处理；

4）对预处理后的频域混合信号，在不同频点进行复数独立成分分析（ICA），得到各频点处独立成分；

5）采用改进的排序算法对各频点独立成分进行排序；

6）对排序后的频域信号进行时频反变换，得到时域信号。

步骤1）中，所述混合信号通过至少两路源信号混合获得，且源信号应满足统计独立且非高斯，其混合方式有线性混合、卷积混合。

步骤2）中，所述时频变换是指短时傅里叶变换。

步骤5）中，所述改进的排序算法是指对现有基于幅值相关度的排序算法进行了改进，加入了影响因子，改进后的排序算法的计算公式具体如下：

                                （1），

                   （2），

其中， 表示影响因子，表示频点与的距离，表示频点处第路分离信号的幅值的绝对值，表示时间，为待排序频点上独立分量的原排序的第项，表示频点上独立分量的最终排序，表示频点g上独立分量的排序，表示的第项，表示频点处排序序号为的信号幅值的绝对值，表示频点处第路分离信号的幅值，表示频点处第路分离信号的幅值， 表示源信号数，表示两个向量x、y的相关度， 表示求组合数，用来控制频点距离对排序的影响，、均为正整数。

所述相关度的函数如式（3）所示：

                                            （3），

其中表示求均值，。

本发明相比时域盲源算法具有稳定性强，复杂度低的优点；相比采用信号到达角、脉内特征等信号特征的频域盲源分离算法具有通用性强的优点。经实验，本发明对线性混合信号、卷积混合信号都具有较好的分离效果。对于两路源信号、两路混合信号的线性混合盲分离实验，信号长度取不同值时，EF_Murata算法的两路分离信号的信噪比相对Murata算法平均高13.84dB及12.68dB。对于两路源信号、两路混合信号的卷积混合盲分离实验，信号长度取不同值时，EF_Murata算法的两路分离信号的信噪比相对Murata算法平均高4.48dB及8.77dB。

附图说明

图1为基于改进的排序算法的频域盲源分离算法流程图；

图2（a）为源信号的其中一路波形图；

图2（b）为源信号的另一路波形图；

图3（a）为线性混合信号的其中一路波形图；

图3（b）为线性混合信号的另一路两路波形图；

图4（a）为采用Murata算法分离信号获得的一路波形图；

图4（b）为采用Murata算法分离信号获得的另一路波形图

图5（a）为采用本发明分离信号获得的一路波形图；

图5（b）为本发明分离信号获得的另一路波形图；

图6为不同时长信号的分离效果比较图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。应该指出，所描述的施例仅视为说明的目的，而不是对本发明的限制。

结合图1对本发明作进一步的说明，给出本发明技术方案中所涉及的各个细节问题的详细解释。

以线性混合信号盲源分离为例，给出一个具体实施例程。

1）获得混合信号，源信号选用两路声音信号、，其波形分别如图2(a)、2(b)所示（波形如图2(a)、2(b)所示的两路声音信号、具体可从网站http://bssnesta.webatu.com/software.html下载）。对此两路声音信号，采用线性混合，混合模型如下：

，       ，                                 

其中，混合信号，源信号，表示时间，T表示转秩。

混合信号具有两路波形，其波形图分别如图3(a)、3(b))所示。

2）将混合信号进行时频变换得到频域混合信号（表示频点，表示时间）。时频变换采用Matlab软件里的spectrogram函数进行短时傅里叶变换。主要仿真参数设置如表1所示：

表1 主要仿真参数

采样率	FFT长度	窗函数	窗口移动长度
				16kHz	512	海明窗	20

3）选取某一频点 混合信号进行白化预处理。

4）对预处理后的信号进行复数独立成分分析，获得各频点处独立信号。

5）若频点 是起始频点，则选取下一频点，回到步骤3），若不是起始频点，则根据改进的排序算法进行排序。此施例源信号数，则组合数，令（即频点距离对排序的影响呈负比例的线性关系），邻域范围，得到针对此实施例的改进的排序公式：

，                              

，

其中， 表示影响因子， 表示频点处第路分离信号的幅值的绝对值，表示时间，为待排序频点上独立分量的原排序的第项，表示频点上独立分量的最终排序，表示频点g上独立分量的排序，表示的第项，表示频点处排序序号为的信号幅值的绝对值，表示频点处第路分离信号的幅值，表示频点处第路分离信号的幅值， 表示两个向量x、y的相关度，、均为正整数。                         

6）重复步骤3）到5），直至所有频点均已排序。

7）将排完序的频域信号进行时频反变换得到时域信号，时频反变换采用短时傅里叶反变换，参数设置要与表1一致。

最终得到的两路波形如图5(a)、5(b)所示，作为对比，图4(a)、4(b)画出了采用Murata算法获得的两路分离信号。

为进一步测试本发明的分离性能，令邻域范围，测试信号长度取集合内不同值时的分离效果。由于源信号已知，因此我们可以用信噪比来表示分离效果。信噪比的定义为：

                                      （4），

其中表示源信号，表示分离出的信号。

不同算法分离信号第一路的信噪比如图6所示。由图6可以看出：除信号时长为1秒、3秒时，本发明的分离性能与Murata算法差不多，其他时长，本发明的分离性能相比Murata算法都有较大提升。

Claims (3)

1.基于改进的排序算法的频域盲源分离算法，其特征在于：包括以下步骤：

1)获取混合信号；

2)对混合信号进行时频变换得到频域混合信号；

3)对频域混合信号进行白化预处理；

4)对预处理后的频域混合信号，在不同频点进行复数独立成分分析，得到各频点处独立成分；

5)采用改进的排序算法对各频点独立成分进行排序；

6)对排序后的频域信号进行时频反变换，得到时域信号；

所述步骤5)中的改进的排序算法是指对现有基于幅值相关度的排序算法进行了改进，加入了影响因子，改进后的排序算法的计算公式具体如下：

${\Π}_f=\underset{\Π}{\arg \max }\underset{|g-f|\≤L}{\Σ}\mathrm{\η}\left(\underset{i=1}{\overset{N}{\Σ}}\mathrm{co}r\right(v_{\Π\left(i\right)}^f,v_{{\Π}_g\left(i\right)}^g)),$

$\begin{array}{cc}\mathrm{\&eta;}={\left|g-f\right|}^{-\mathrm{\&beta;}}(1-\frac{1}{C_N^2}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=i+1}{\overset{N}{\&Sigma;}}|cor(v_i^g,v_j^g)\left|\right)& (0.5<\mathrm{\&beta;}<2.5)\end{array},$

其中，η表示影响因子，L表示频点f与g的距离，表示频点f处第i路分离信号的幅值的绝对值，t表示时间，Π(i)为待排序频点f上独立分量的原排序的第i项，Π_f表示频点f上独立分量的最终排序，Π_g表示频点g上独立分量的排序，Π_g(i)表示Π_g的第i项，表示频点g处排序序号为i的信号幅值的绝对值，表示频点g处第i路分离信号的幅值，表示频点g处第j路分离信号的幅值，N表示源信号数，cor(x,y)表示两个向量x、y的相关度，表示求组合数，β用来控制频点距离对排序的影响，i、j均为正整数；

所述相关度的函数式为

$cor(x,y)=\frac{\left(E\right(x\&CenterDot;y)-E(x\left)E\right(y\left)\right)}{{\mathrm{\&sigma;}}_x{\mathrm{\&sigma;}}_y},$

其中，E(*)表示求均值，σ_x＝[E(x²)-E(x)²]^1/2。

2.根据权利要求1所述的基于改进的排序算法的频域盲源分离算法，其特征在于：步骤1)中，所述混合信号通过至少两路源信号混合获得，且源信号应满足统计独立且非高斯。

3.根据权利要求1或2所述的基于改进的排序算法的频域盲源分离算法，其特征在于：所述步骤2)中的时频变换是指短时傅里叶变换。