CN104375976B - 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 - Google Patents
基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 Download PDFInfo
- Publication number
- CN104375976B CN104375976B CN201410613325.7A CN201410613325A CN104375976B CN 104375976 B CN104375976 B CN 104375976B CN 201410613325 A CN201410613325 A CN 201410613325A CN 104375976 B CN104375976 B CN 104375976B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- tau
- matrix
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002950 deficient Effects 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 108700020469 14-3-3 Proteins 0.000 description 1
- 102000004899 14-3-3 Proteins Human genes 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- -1 available for voice Substances 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,主要解决现有技术在估计混合矩阵时受特定条件限制的问题。其实现步骤是:(1)对源信号进行采样得到观测数据;(2)利用观测数据的四阶累积量计算在不同时延下的四阶协方差矩阵;(3)将不同时延下的四阶协方差矩阵扩展成三阶张量的形式;(4)对三阶张量进行张量正则分解得到待识别混合矩阵的Khatri‑Rao乘积矩阵;(5)利用特征值分解的方法对该乘积矩阵进行处理,得到混合矩阵的估计值。本发明具有识别精度高的优点,可用于语音、通信、雷达及生物医学领域源信号在时频混叠条件下的欠定盲源分离。
Description
技术领域
本发明属于通信技术领域,特别涉及一种混合矩阵的识别方法,可用于语音、通信、雷达及生物医学领域源信号在时频混叠条件下的欠定盲源分离中。
背景技术
盲源分离BSS是指在未知的传输通道和源信号的条件下,仅通过传感器收到的观测信号来达到分离源信号的目的,该方法已经广泛地应用于语音信号处理、图像处理、雷达、通信及生物医学等各个领域。作为盲源分离的经典算法,独立分量分析ICA及其扩展算法大多用于解决观测信号数量等于或大于源信号数量条件下的问题,这种盲源分离称为正定或超定的盲源分离,但在实际过程中,往往需要解决源信号数量小于观测信号数量的问题,即欠定盲源分离UBSS。欠定盲源分离系统的线性瞬时模型为X(t)=AS(t)+W(t),其中X(t)∈CM表示观测信号,M为观测信号个数;S(t)∈CP为未知的源信号,P为源信号个数;W(t)∈CM表示加性噪声;未知混合矩阵A=[a1,a2,…,aP]∈CM×P。在欠定盲分离系统中,观测信号个数小于源信号个数,即M<P。欠定条件下的混合矩阵盲识别,就是在未知的混合矩阵A和源信号S(t)的条件下从观测信号X(t)中识别出混合矩阵,是盲源分离问题的一个难点。
目前,稀疏成分分析SCA是解决欠定盲源分离的问题的主要方法,大多数算法都是通过“两步法”来完成盲源分离,第一步则是估计出未知的传输通道,即混合矩阵模型,然后利用识别出的混合矩阵和稀疏分解的方法完成源信号的恢复,因此混合矩阵的识别在盲源分离问题中非常关键,其精度影响到后续源信号的恢复。部分学者利用信号的稀疏性,采用聚类的方法进行混合矩阵的识别,当源信号在时域上不满足稀疏性时,则利用傅立叶变换或小波变换等工具将信号变换到稀疏的频域上,然后利用聚类或势函数的方法识别混合矩阵,例如,NgutyenLin-Trung,ABelouchrani,KarimA-M.Separatingmoresourcesthansensorsusing time-frequencydistributions.EURASIPJournalonAppliedSignalProcessing,2005,17,pp.2828-2847,当源信号在时频域均混叠的情况下,该方法的性能则不理想。部分学者利用时频的方法,例如,陆凤波,黄知涛,彭耿,等,“基于时频分布的欠定混叠盲分离”,电子学报,2011,39(9),pp.2067-2072,该方法对观测信号进行时频处理,然后提取信号的自源时频点,利用自源时频点构造张量模型并对该模型进行张量正则分解,从而完成混合矩阵的识别,但是在频域交叠比较严重的情况下自源时频点的提取并不理想,因此会影响混合矩阵的识别性能;还有一部分学者利用信号的统计特性,例如DeLathauwerL,CastaingJ,CardosoJ,“Fourth-order cumulant-basedblindidentificationofunderdeterminedmixtures”,IEEETransactionsonSignalProcessing,2007,55(6),pp.2965-2973,该方法无需源信号满足稀疏的特性,只需要源信号是统计独立的非高斯信号,在实际过程中,这个条件往往是容易满足的,但该算法在求解的过程中,需要假设源信号具有相同符号的峭度,即反映振动信号分布特性的数值统计量,是归一化的四阶中心矩,而在源信号先验知识不足的情况下该条件往往很难满足,从而影响混合矩阵的识别精度。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,以在无需特定条件的前提下,提高识别精度。
本发明的技术方案是:在接收传感器处对经过未知通道的非高斯独立统计源信号进行采样,得到观测信号;利用观测信号的四阶累积量构建四阶协方差矩阵,并将四阶协方差矩阵表示成三阶张量模型;采用张量正则分解对三阶张量模型进行求解,对求解后得到的矩阵进行特征值分解,完成混合矩阵的识别。其实现步骤如下:
(1)在接收端对源信号进行采样,得到观测信号;
(2)计算观测信号的四阶协方差矩阵其中,τ1=0,τ2=0,τ3为整数且τ3∈[0,R-1],M为观测信号个数,R是大于P的正整数,取值为2*P,P为源信号的个数;
(3)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1)扩展成三阶张量Ti,j,k=[Q(0,0,k)]i,j,1≤i,j≤M2,0≤k<R;
(4)对三阶张量T进行张量正则分解,得到待识别混合矩阵的Khatri-Rao乘积源信号的四阶统计特性矩阵D∈CR×P及AQ的共轭矩阵
(5)将待识别混合矩阵的Khatri-Rao乘积AQ的第e列元素be表示为矩阵的形式Be,其中,Be的每个元素为:Be[i,j]=be((i-1)M+j),1≤i,j≤M,1≤e≤P,然后对Be进行特征值分解,其中最大的特征值对应的特征向量即为识别出的混合矩阵的第e列。
与现有技术相比,本发明具有以下优点:
第一,本发明利用观测信号的四阶统计特性解决欠定盲源分离中的混合矩阵识别的问题,克服现有技术在混合矩阵识别时要求源信号满足稀疏性的缺点,使得本发明可以解决源信号在时频均混叠的条件下的欠定盲源分离中混合矩阵的识别问题。
第二,本发明引入张量正则分解的方法对观测信号的四阶协方差矩阵扩展的三阶张量模型进行求解,克服现有技术中对观测信号的自源时频点提取困难的缺点,使得本发明提高了欠定盲源分离中混合矩阵的识别精度。
第三,本发明将不同时延下的四阶协方差矩阵扩展成三阶张量模型,然后再进行求解,克服现有技术中需要源信号具有相同符号的峭度的缺点,从而可以解决源信号先验知识不足的条件下欠定盲源分离中混合矩阵的识别。
附图说明
图1为本发明的实现流程图;
图2为本发明仿真实验中设置的4路源信号时域波形图;
图3为本发明仿真试验中设置的4路源信号时频图;
图4为用3个接收传感器对4路源信号的线性混合信号采样得到的3路观测信号;
图5为本发明和现有方法对图4仿真得到的混合矩阵估计性能随信噪比变化的曲线图。
具体实施方式
以下参照附图对本发明作进一步详细的描述。
参照图1,本发明实现步骤如下:
步骤1:在接收端对源信号进行采样得到观测信号。
M个传感器在t时刻对源信号进行等间隔采样,得到观测信号xi(t),其中,1≤i≤M,t∈[1,2,…,N],N为采样数据长度。
步骤2:计算观测信号的四阶协方差矩阵。
(2.1)计算观测信号的四阶矩:
其中,1≤i,j,k,l≤M,τ1,τ2,τ3分别为第j路,第k路以及第l路观测信号的时延;
(2.2)计算观测信号的互相关:
计算第i路观测信号xi(t)与第j路观测信号xj(t)在时延τ1下的互相关为:
计算第j路观测信号xj(t)与第l路观测信号xl(t)在时延τ3-τ2下的互相关为:
计算第i路观测信号xi(t)与第k路观测信号xk(t)在时延τ2下的互相关为:
第j路观测信号xj(t)与第l路观测信号xl(t)在时延τ3-τ1下的互相关为:
第i路观测信号xi(t)与第l路观测信号xl(t)在时延τ3下的互相关为:
第j路观测信号xj(t)与第k路观测信号xk(t)在时延τ2-τ1下的互相关为:
其中,*表示复数共轭;
(2.3)计算观测信号的四阶累积量:
(2.4)通过四阶累积量Ci,j,k,l(τ1,τ2,τ3)计算观测信号的四阶协方差矩阵Q(τ1,τ2,τ3):
Q(τ1,τ2,τ3)[M(i-1)+j,M(k-1)+l]=Ci,j,k,l(τ1,τ2,τ3),
(2.5)四阶协方差矩阵Q(τ1,τ2,τ3)中取τ1=0,τ2=0,τ3∈[0,R-1],获得不同时延下的四阶协方差矩阵:Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1),其中R是大于P的正整数,取值为2*P,P为源信号的个数。
步骤3:将观测信号的四阶协方差矩阵Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1)扩展成三阶张量Ti,j,k=[Q(0,0,k)]i,j(1≤i,j≤M2,0≤k<R);
(3.1)根据源信号是统计独立的特性,将四阶协方差矩阵Q(τ1,τ2,τ3)表示为:
其中,ap表示混合矩阵的第p列, 为Kronecker乘积,CS(τ1,τ2,τ3)是P×P的对角矩阵;
(3.2)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1)表示为:
其中,表示AQ的酉矩阵;
(3.3)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),Q(0,0,2),…,Q(0,0,R-1)扩展成三阶张量T,其中,T的第(i,j,k)个元素为Ti,j,k=[Q(0,0,k)]i,j,1≤i,j≤M2,0≤k<R-1,Q(0,0,0)为T的第一维切片,Q(0,0,1)为T的第二维切片,Q(0,0,2)为T的第三维切片,以此类推,Q(0,0,R-1)为T的第R维切片。
步骤4:对三阶张量T进行张量正则分解:
(4.1)根据三阶张量的定义,求解目标矩阵1≤r≤3,使得代价函数f(U(1),U(2),U(3))最小,其中代价函数f(U(1),U(2),U(3))的定义如下式:
其中,1≤i,j≤M2,0≤k<R-1,和分别为U(1)、U(2)和U(3)的第r个列向量, 和分别为和的第i、j、k个元素;
4.2)采用线性搜索迭代最小二乘LS_ALS算法,对上述代价函数f(U(1),U(2),U(3))进行优化,得到目标矩阵U(r),1≤r≤3,其中U(1)为待识别混合矩阵的Khatri-Rao乘积U(2)为AQ的共轭矩阵U(3)为源信号的四阶统计特性矩阵D∈CR×P。
步骤5:对待识别混合矩阵的Khatri-Rao乘积AQ进行特征值分解,得到混合矩阵估计值:
(5.1)将待识别混合矩阵的Khatri-Rao乘积AQ的每一列be表示为矩阵的形式Be,其中,Be的每个元素表示为:Be[i,j]=be((i-1)M+j),1≤i,j≤M,1≤e≤P;
(5.2)对Be进行特征值分解,其中最大的特征值对应的特征向量即为识别的混合矩阵的第e列,1≤e≤P。
本发明的效果可通过以下仿真进一步说明:
为验证本发明的有效性和正确性,采用三种已有的混合矩阵识别方法与本发明方法同时对某混合矩阵进行识别。所有仿真实验均在Windows8.1操作系统下采用Matlab2012b软件实现。
1)仿真参数
采样率200MHz,采样点数为1024。4个源信号是时域上和频域上混叠的LFM信号,各个源信号归一化频率范围为[0.5,0]、[0,0.4]、[0.5,0.24]和[0.35,0.15],其时域波形图和时频分布如图2和图3所示。
根据空间自由传输模型,混合矩阵A中每一个元素的定义为:
amp=exp(2πj(αmcos(θp)cos(φp)+βmcos(θp)sin(φp))),
其中,αm=(Ra/λ)cos(2π(m-1)/M),βm=(Ra/λ)sin(2π(m-1)/M),Ra/λ=0.55。信号入射方位角为θ1=3π/10、θ2=3π/10、θ3=2π/5和θ4=0;俯仰角φ1=7π/10、φ2=9π/10、φ3=3π/5和φ4=4π/5。
为了评价算法对混合矩阵的识别性能,采用平均相对误差EA作为评价因子:
式中,表示识别的混合矩阵,||·||F这里表示的是F范数。
2)仿真内容
在信噪比变化为0-35dB的范围,采用基于聚类的混合矩阵识别算法Cluster_based、基于时频分布的混合矩阵识别算法TFDs_based、基于联合对角化的四阶累积量混合矩阵估计算法FOOBI以及本发明方法对图4中的3路观测信号做100次MonteCarlo仿真实验,得到混合矩阵的性能随信噪比的变化曲线,如图5所示。
从图5可见,本发明方法在混合矩阵识别精度上要优于其他三种算法,从而验证了本发明方法对欠定盲源分离中的混合矩阵识别的有效性和正确性。
Claims (4)
1.一种基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,包括如下步骤:
(1)在接收端对源信号进行采样,得到观测信号;
(2)计算观测信号的四阶协方差矩阵其中,τ1=0,τ2=0,τ3为整数且τ3∈[0,R-1],M为观测信号个数,R是大于P的正整数,取值为2*P,P为源信号的个数;
(3)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1)扩展成三阶张量T,其中T的每一个元素为Ti,j,k=[Q(0,0,k)]i,j,1≤i,j≤M2,0≤k<R;
(4)对三阶张量T进行张量正则分解,得到待识别混合矩阵的Khatri-Rao乘积源信号的四阶统计特性矩阵D∈CR×P及AQ的共轭矩阵
(5)将待识别混合矩阵的Khatri-Rao乘积AQ的第e列元素be表示为矩阵的形式Be,
其中,Be的每个元素为:Be[i,j]=be((i-1)M+j),1≤i,j≤M,1≤e≤P,然后对Be进行特征值分解,其中最大的特征值对应的特征向量即为识别出的混合矩阵的第e列。
2.根据权利要求1所述的基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,其中步骤(2)所述的计算观测信号的四阶协方差矩阵按如下步骤进行:
(2.1)计算观测信号的四阶累积量:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中,τ1,τ2,τ3为时延,*表示复数共轭, xi(t)表示第i路观测信号,xj(t)表示第j路观测信号,xk(t)表示第k路观测信号,τ表示信号持续时间,当t≤0或者t≥τ时,均取xi(t)=0;
(2.2)通过四阶累积量Ci,j,k,l(τ1,τ2,τ3)计算观测信号的四阶协方差矩阵Q(τ1,τ2,τ3):
Q(τ1,τ2,τ3)[M(i-1)+j,M(k-1)+l]=Ci,j,k,l(τ1,τ2,τ3),
(2.3)在四阶协方差矩阵Q(τ1,τ2,τ3)中取τ1=0,τ2=0,τ3∈[0,R-1],获得不同时延下的四阶协方差矩阵:Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1),其中R是大于P的正整数,取值为2*P,P为源信号的个数。
3.根据权利要求1所述的基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,其中步骤(3)所述的四阶协方差矩阵扩展成三阶张量T,按如下步骤进行:
(3.1)根据源信号是统计独立的特性,将四阶协方差矩阵Q(τ1,τ2,τ3)表示为:
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>&CircleTimes;</mo>
<msubsup>
<mi>a</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>&rsqb;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>&CircleTimes;</mo>
<msubsup>
<mi>a</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>Q</mi>
</msub>
<msub>
<mi>C</mi>
<mi>S</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>A</mi>
<mi>Q</mi>
<mi>H</mi>
</msubsup>
<mo>,</mo>
</mrow>
其中,ap表示混合矩阵的第p列, 为Kronecker乘积,CS(τ1,τ2,τ3)是P×P的对角矩阵,CS(τ1,τ2,τ3)=diag[c1(τ1,τ2,τ3),…,cp(τ1,τ2,τ3)],cp的定义为:
<mrow>
<msub>
<mi>c</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mover>
<mo>=</mo>
<mi>&Delta;</mi>
</mover>
<mi>C</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>p</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>p</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
</msup>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>p</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
</msup>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>p</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,sp(t)表示第p路未知源信号,Cum表示求信号的累积量;
(3.2)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),…,Q(0,0,R-1)表示为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>Q</mi>
</msub>
<msub>
<mi>C</mi>
<mi>S</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<msubsup>
<mi>A</mi>
<mi>Q</mi>
<mi>H</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>Q</mi>
</msub>
<msub>
<mi>C</mi>
<mi>S</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msubsup>
<mi>A</mi>
<mi>Q</mi>
<mi>H</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mi>R</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>Q</mi>
</msub>
<msub>
<mi>C</mi>
<mi>S</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0</mn>
<mo>,</mo>
<mi>R</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msubsup>
<mi>A</mi>
<mi>Q</mi>
<mi>H</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,表示AQ的酉矩阵;
(3.3)将四阶协方差矩阵Q(0,0,0),Q(0,0,1),Q(0,0,2),…,Q(0,0,R-1)扩展成三阶张量T,其中,T的第(i,j,k)个元素为Ti,j,k=[Q(0,0,k)]i,j,1≤i,j≤M2,0≤k<R-1,
式中Q(0,0,0)为T的第一维切片,Q(0,0,1)为T的第二维切片,Q(0,0,2)为T的第三维切片,以此类推,Q(0,0,R-1)为T的第R维切片。
4.根据权利要求1所述的基于张量正则分解的欠定盲源分离中的混合矩阵识别方法,其中步骤(4)所述的对三阶张量T进行张量正则分解,按如下步骤进行:
(4.1)根据三阶张量的定义,求解目标矩阵使得代价函数f(U(1),U(2),U(3))最小,其中代价函数f(U(1),U(2),U(3))的定义由下式给出:
其中,1≤i,j≤M2,0≤k<R-1,和分别为U(1)、U(2)和U(3)的第r个列向量,和分别为和的第i、j、k个元素;
(4.2)采用线性搜索迭代最小二乘LS_ALS算法,对上述代价函数f(U(1),U(2),U(3))进行优化,得到目标矩阵U(r),1≤r≤3,其中U(1)为待识别混合矩阵的Khatri-Rao乘积U(2)为AQ的共轭矩阵U(3)为源信号的四阶统计特性矩阵D∈CR×P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410613325.7A CN104375976B (zh) | 2014-11-04 | 2014-11-04 | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410613325.7A CN104375976B (zh) | 2014-11-04 | 2014-11-04 | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104375976A CN104375976A (zh) | 2015-02-25 |
CN104375976B true CN104375976B (zh) | 2017-11-21 |
Family
ID=52554899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410613325.7A Expired - Fee Related CN104375976B (zh) | 2014-11-04 | 2014-11-04 | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104375976B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105282067B (zh) * | 2015-09-16 | 2018-04-27 | 长安大学 | 一种复数域盲源分离方法 |
CN105355212B (zh) * | 2015-10-14 | 2019-03-05 | 天津大学 | 一种稳健的欠定盲分离源数及混合矩阵估计方法及装置 |
CN107103286B (zh) * | 2017-03-31 | 2020-05-05 | 电子信息系统复杂电磁环境效应国家重点实验室 | 基于改进最短路径法的欠定盲源分离源信号恢复方法 |
CN106981292B (zh) * | 2017-05-16 | 2020-04-14 | 北京理工大学 | 一种基于张量建模的多路空间音频信号压缩和恢复方法 |
CN109711073B (zh) * | 2018-12-29 | 2022-11-22 | 广东工业大学 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
CN109946656A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于改进侦察模型的mimo雷达盲源分离技术研究 |
CN111082973B (zh) * | 2019-11-27 | 2021-06-22 | 福州大学 | 基于杠杆采样的网络时延估计方法 |
CN111796259B (zh) * | 2020-06-08 | 2023-04-07 | 华南理工大学 | 一种基于lfm互相关模特性逼近的子样本时延估计方法 |
CN113593600B (zh) * | 2021-01-26 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 混合语音分离方法和装置、存储介质及电子设备 |
CN116776108A (zh) * | 2023-06-14 | 2023-09-19 | 中国人民解放军空军预警学院 | 一种基于三阶累积量和张量分解的欠定联合盲源分离方法与系统 |
CN116776076A (zh) * | 2023-07-06 | 2023-09-19 | 中国人民解放军空军预警学院 | 一种三阶累计量和张量压缩的欠定盲源分离方法及系统 |
CN116866116B (zh) * | 2023-07-13 | 2024-02-27 | 中国人民解放军战略支援部队航天工程大学 | 一种延时混合线性盲分离方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561879A (zh) * | 2009-05-26 | 2009-10-21 | 上海大学 | 基于曲波表示的图像欠定盲分离方法 |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
CN102568493A (zh) * | 2012-02-24 | 2012-07-11 | 大连理工大学 | 一种基于最大矩阵对角率的欠定盲分离方法 |
CN103218524A (zh) * | 2013-04-03 | 2013-07-24 | 西安电子科技大学 | 基于密度的欠定盲源分离方法 |
-
2014
- 2014-11-04 CN CN201410613325.7A patent/CN104375976B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561879A (zh) * | 2009-05-26 | 2009-10-21 | 上海大学 | 基于曲波表示的图像欠定盲分离方法 |
CN102222508A (zh) * | 2011-07-12 | 2011-10-19 | 大连理工大学 | 一种基于矩阵变换的欠定盲分离方法 |
CN102568493A (zh) * | 2012-02-24 | 2012-07-11 | 大连理工大学 | 一种基于最大矩阵对角率的欠定盲分离方法 |
CN103218524A (zh) * | 2013-04-03 | 2013-07-24 | 西安电子科技大学 | 基于密度的欠定盲源分离方法 |
Non-Patent Citations (4)
Title |
---|
FOURTH ORDER BLIND IDENTIFICATION OF UNDERDETERMINED MIXTURES OF SOURCES (FOBIUM);Anne Ferriol et al.;《IEEE Transactions on Signal Processing》;20051231;第53卷(第5期);第1640-1653页 * |
Fourth-Order Cumulant-Based Blind Identification of Underdetermined Mixtures;Lieven De Lathauwer et al.;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20070630;第55卷(第6期);第 2965-2973页 * |
基于四阶累积张量方法的欠定盲源信号分离;葛素楠等;《电子学报》;20140531;第42卷(第5期);第992-997页 * |
基于时频分布的欠定混叠盲分离;陆凤波等;《电子学报》;20110930;第39卷(第9期);第2067-2072页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104375976A (zh) | 2015-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104375976B (zh) | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 | |
CN103654789B (zh) | 磁共振快速参数成像方法和系统 | |
CN105954712B (zh) | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 | |
CN102799892B (zh) | 一种mfcc水下目标特征提取和识别方法 | |
CN101893698B (zh) | 噪声源测试分析方法及其装置 | |
CN103941244B (zh) | 一种雷达目标一维距离像局部最优子空间识别方法 | |
CN110048416B (zh) | S-g滤波和自适应mp算法的低频振荡模态辨识方法 | |
CN101833951A (zh) | 用于说话人识别的多背景模型建立方法 | |
CN105759241A (zh) | 基于时差频差的直接定位方法 | |
CN104407328A (zh) | 基于空间脉冲响应匹配的封闭空间声源定位方法及系统 | |
CN109582919A (zh) | 一种基于均匀线性阵列的空时参数估计方法 | |
CN109298383A (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN101776748B (zh) | 复杂目标极点特征提取方法和装置 | |
CN105929386A (zh) | 一种基于高阶累积量的波达估计方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
WO2023029390A1 (zh) | 一种毫米波雷达手势检测识别方法 | |
CN109001687A (zh) | 基于广义旁瓣相消结构的机载雷达空时自适应滤波方法 | |
CN106199185A (zh) | 一种基于连续对数扫频的线性脉冲响应测量方法及系统 | |
CN106448694B (zh) | 一种基于复角检测的欠定盲源分离中的时频单源点提取方法 | |
CN105158751A (zh) | 一种声矢量阵快速方位估计方法 | |
CN105895089A (zh) | 一种语音识别方法及装置 | |
CN109901111A (zh) | 基于偏最小二乘回归的近场声源定位方法 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN104407319A (zh) | 阵列信号的目标源测向方法和系统 | |
CN109711468A (zh) | 一种基于单源点的复值盲分离混合矩阵估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |