CN109086686A - 基于自适应动量因子的时变信道下的盲源分离方法 - Google Patents
基于自适应动量因子的时变信道下的盲源分离方法 Download PDFInfo
- Publication number
- CN109086686A CN109086686A CN201810763660.3A CN201810763660A CN109086686A CN 109086686 A CN109086686 A CN 109086686A CN 201810763660 A CN201810763660 A CN 201810763660A CN 109086686 A CN109086686 A CN 109086686A
- Authority
- CN
- China
- Prior art keywords
- indicate
- separation
- sampled point
- matrix
- indicates
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明提出了一种基于自适应动量因子的时变信道下的盲源分离方法,属于信号处理领域,旨在保证分离收敛速度的同时有效降低分离的稳态误差,实现步骤为:构造分离指标并获取分离指标的自适应更新公式;获取分离矩阵的迭代步长;获取自适应动量因子;获取分离矩阵的迭代公式;获取源信号的估计值。本发明在分离矩阵的迭代中引入了自适应动量因子,在保证不降低分离收敛速度的条件下,降低了分离的稳态误差,提高源信号估计的准确性。
Description
技术领域
本发明属于信号处理领域,涉及一种时变信道下的盲源分离方法,具体涉及一种基于自适应动量因子的时变信道下的盲源分离方法。
背景技术
盲源分离BSS是在源信号和传输信道均未知的情况下,仅根据源信号的统计独立性假设,从观测信号中恢复出源信号的过程。按照信道频率是否随时间而发生变化的特性,将信道分为非时变信道和时变信道,BSS即可分为非时变信道下的BSS以及时变信道下的BSS。
根据对数据处理的方式的不同,盲源分离算法分为批处理算法和在线算法。批处理算法如FastICA算法、JADE算法。在线算法是指随着数据的不断输入作递归式迭代处理,具有实时处理的特点,因而对时变信道具有一定的跟踪能力,但算法的收敛性和稳定性受到步长的影响,如EASI算法,自然梯度算法。传统的在线算法中采用固定步长对分离矩阵进行迭代,会限制收敛速度或者导致较高的稳态误差。
目前的技术在传统的在线算法的基础上采用自适应步长,引入自适应动量因子等方法来提高收敛速度,降低稳态误差,如邓大鹏,李骏,丁德强,贺翥祯于2016年在计算机工程与应用的第3期第52卷中公开的适用于时变系统的在线盲源分离算法研究。
陆建涛,成玮,訾艳阳,何正嘉于2015年12月在西安交通大学学报的第12期第49卷中公开了一种变步长等变自适应盲源分离算法,该方法利用EASI收敛条件构造用于表示信号分离程度的分离指标S,并设计带遗忘因子的更新算法实现分离指标S的自适应更新,再以分离指标S为变量构造非线性单调递增函数,作为分离矩阵的步长,即为分离矩阵迭代过程中的步长,计算分离矩阵和观测信号的乘积,得到源信号的估计。该方法在分离矩阵的迭代过程中根据分离指标S来获取步长,在迭代初期信号还未分离,分离指标S具有较大值,依据S取得较大值的步长,提高了分离的收敛速度,在迭代后期信号已经部分分离,分离指标S具有较小值,依据S取得较小值的步长,降低了分离的稳态误差。
上述方法的不足之处是:该方法在分离矩阵的迭代中根据分离指标S来获取步长,步长的取值控制了分离矩阵中各元素的更新幅度,在算法收敛后,分离矩阵中各元素更新幅度过大或过小都会导致过高的稳态误差,因为采取分离指标S对步长进行更新,从而在步长数值的调节过程中不可避免地会引入一定的误差,使得在降低稳态误差方面带来的效果有限。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于自适应动量因子的盲源分离的算法,旨在保证分离收敛速度的同时有效降低分离的稳态误差。
为实现上述目的,其发明采取的的技术方案包括如下步骤:
(1)获取分离指标S的自适应更新公式:
(1a)构造以常数为底数的指数函数Γ,同时利用EASI收敛条件构造分离指标S;
(1b)采用带有指数函数Γ的在线更新方式对分离指标S进行自适应更新,得到分离指标S的自适应更新公式;
(2)获取分离矩阵的迭代步长μ(k):
(2a)以分离指标S为变量构造非线性单调递增函数k表示观测信号的采样点,k≥1;
(2b)设分离矩阵的当前步长μ1(k),以μ1(k-1)和为变量构造线性函数μ(k),并将该线性函数作为迭代步长;
(3)定义混合矩阵A(k)、分离矩阵W(k)、全局矩阵G(k)和串音误差PI(k):
定义阶数为m×n的混合矩阵A(k),阶数为n×m分离矩阵W(k),并将A(k)和W(k)的乘积作为全局矩阵G(k),G(k)串音误差为PI(k),其中,m表示观测信号的个数,m≥2,n表示源信号的个数,n≥2;
(4)获取自适应动量因子ψ(k):
(4a)采用最小均方误差准则构造A(k)的估计矩阵的目标函数,并通过梯度下降算法求解该目标函数,得到A(k)的估计矩阵然后通过迭代步长μ(k)代替中的固定步长,得到估计矩阵的迭代公式;
(4b)将和W(k)的乘积作为G(k)的估计矩阵并通过计算串音误差PI(k)的估计值
(4c)构造以为变量的函数,该函数即为自适应动量因子ψ(k);
(5)获取分离矩阵W(k)的迭代公式:
(5a)以W(k)的KL散度为目标函数,并采用自然梯度算法对该目标函数进行求解,得到W(k)的更新公式;
(5b)将W(k)的更新公式与动量项ψ(k)[W(k)-W(k-1)]进行拼接,并通过迭代步长μ(k)代替W(k)中的固定步长,得到W(k)的迭代公式;
(6)获取源信号的估计值:
判断当前观测信号的采样点数k是否小于观测信号长度,若是,则令k=k+1,并执行步骤(1),否则,计算观测信号x(k)与分离矩阵W(k)的乘积y(k),得到源信号的估计值。
本发明与现有技术相比,有以下优点:
本发明由于在获取自适应动量因子时,采用串音误差的估计值来构造动量因子函数,使得动量因子可以自适应的进行更新,并且通过参数控制自适应动量因子的取值范围,使得自适应动量因子在算法收敛点的邻域内,更精确的控制分离矩阵中各元素的更新幅度,降低分离的稳态误差;在分离矩阵的迭代初期,步长的取值较大,使得分离矩阵快速达到收敛状态,而自适应动量因子的值很小,分离矩阵中各元素更新的幅度很小,以致对收敛速度并没有较大的影响。因此,本发明在保证分离收敛速度的前提下,进一步降低稳态误差,提高源信号估计的准确性。
附图说明
图1为本发明的实现流程图;
图2为本发明与现有变步长等变自适应盲源分离算法串音误差的仿真对比图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细描述。
参照图1、一种基于自适应动量因子的时变信道下的盲源分离方法,包括如下步骤:
步骤1)获取分离指标S的自适应更新公式,按如下步骤进行:
步骤1a)构造以常数为底数的指数函数Γ,同时利用EASI收敛条件构造分离指标S;
指数函数Γ的表达式为:
其中,k表示观测信号的采样点,η表示一个常数,表示第k-1个采样点处的Γ的值,表示第k个采样点处的Γ的值;
利用EASI收敛条件构造分离指标S,其构造过程如下:
当EASI算法达到收敛时,满足E[I-y(k)y(k)T+y(k)f[y(k)]T-f[y(k)]yT(k)]=0由于
[I-y(k)y(k)T]T=I-y(k)y(k)T
[y(k)f[y(k)]T-f[y(k)]yT(k)]T=-[y(k)f[y(k)]T-f[y(k)]yT(k)]
故I-y(k)y(k)T为对称阵,可表示为如下的形式:
y(k)f[y(k)]T-f[y(k)]yT(k)为斜对称阵,且其对角线元素为0,可表示为如下的形式:
根据算法达到收敛时满足的条件可知,以上两个矩阵对应位置的元素之和均为0,即:
aii=0,i=1,2,…,N
因此,当EASI算法达到收敛时,有下式成立:
对上式取F范数得:
最后得到分离指标S:
S=max(||E[I-y(k)y(k)T]||,||E[y(k)f[y(k)]T]-f[y(k)]yT(k)||)
其中,k表示观测信号的采样点,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,E[·]表示均值,f[·]是非线性奇函数,T是转置运算符,||·||表示F范数;
步骤1b)采用带有指数函数Γ的在线更新方式对分离指标S进行自适应更新,得到分离指标S的自适应更新公式:
在信号分离的初始阶段,分离信号与源信号之间的差别较大,随着分离过程的进行,两者之间的误差逐渐减小,利用初始阶段的数据对S进行更新会有较大误差,因此,采用步骤1a)中的函数Γ的在线更新方式对S进行更新,其更新公式的获取过程按如下步骤进行:
首先,对分离指标S的表达式进行简单的标记,令
再对按如下公式进行自适应更新:
其中,k表示观测信号的采样点,表示在第k个采样点处的更新,表示在第k个采样点处的更新,y(k)表示第k个采样点处的分离信号,η表示一个常数,表示第k-1个采样点处的遗忘因子,表示第k个采样点处的遗忘因子;
得到分离指标S的自适应更新公式为:
其中,k表示观测信号的采样点,表示在第k个采样点处的更新,表示在第k个采样点处的更新,T表示转置运算符;
步骤2)获取迭代步长μ(k):
步骤2a)以分离指标S为变量构造非线性单调递增函数k表示观测信号的采样点,k≥1;
在分离过程的初期阶段,分离信号的误差较大,此时应采用较大步长,在分离过程的后期,源信号已经基本分离,此时应采用小的分离步长,以减小分离信号的稳态误差,增加信号分离的准确性,因此,构造一个非线性单调递增函数
其中,k表示观测信号的采样点,α1,α2是常数,S是分离指标。
步骤2b)设分离矩阵的当前步长μ1(k),考虑当前采样点的步长的选取受前一个采样点的步长的影响,以μ1(k-1)和为变量构造线性函数μ(k),并将该线性函数作为迭代步长,该线性步长μ(k)为:
其中,k表示观测信号的采样点,μ(k-1)表示第k个采样点处的迭代步长;
步骤3)定义混合矩阵A(k)、分离矩阵W(k)、全局矩阵G(k)和串音误差PI(k):
定义阶数为m×n的混合矩阵A(k),阶数为n×m分离矩阵W(k),并将A(k)和W(k)的乘积作为全局矩阵G(k),G(k)串音误差为PI(k),其中,m表示观测信号的个数,m≥2,n表示源信号的个数,n≥2;
步骤4)获取自适应动量因子ψ(k):
步骤4a)采用最小均方误差准则构造A(k)的估计矩阵的目标函数,并通过梯度下降算法求解该目标函数,得到A(k)的估计矩阵然后通过迭代步长μ(k)代替中的固定步长,得到估计矩阵的迭代公式;
的目标函数为:梯度下降的方向为:
而
因此,的迭代更新计算公式为:
其中,σ为的步长,k表示观测信号的采样点,x(k)表示观测信号,T表示转置运算符;
为了使得可以实现自适应更新迭代,通过迭代步长μ(k)代替中的固定步长σ,得到估计矩阵的迭代公式,其表达式为:
其中,k表示观测信号的采样点,x(k)是观测信号,μ(k)表示第第k个采样点处的迭代步长,表示第k个采样点处的混合矩阵的估计矩阵,表示第k个采样点处的混合矩阵的估计矩阵,T表示转置运算符;
步骤4b)将和W(k)的乘积作为G(k)的估计矩阵并通过计算串音误差PI(k)的估计值计算公式为:
其中,k表示观测信号的采样点,表示全局矩阵的估计矩阵,i表示的行,j表示的列,表示第k个采样点处的第i行,第j列元素,表示第k个采样点处的第i行的所有元素,表示第k个采样点处的第j列的所有元素,|·|表示绝对值,∑表示求和运算符;
步骤4c)构造以为变量的函数,该函数即为自适应动量因子ψ(k);
在分离信号的初始阶段,应选取较大动量因子提高收敛速度,在分离信号的后期阶段应选取较小动量因子降低稳态误差,而随着算法的进行的值也随之减小,与动量因子的变化趋势一致,因此,可以通过来实现动量因子的自适应更新。自适应动量因子ψ(k)的函数为:
其中,k表示观测信号的采样点,δ,ε表示控制动量因子的参数,表示第k个采样点处的串音误差PI(k)的估计值;
步骤5)获取分离矩阵W(k)的迭代公式:
步骤5a)以W(k)的KL散度为目标函数,并采用自然梯度算法对该目标函数进行求解,得到W(k)的更新公式;
W(k)的目标函数为:
其中,i是一个变量,m表示观测信号的个数,k表示采样点,y(k)表示第k个采样点处的分离信号,qi(y(k))表示y(k)的概率密度函数;
KL散度越小,分离信号的独立性越好,得到的源信号的估计越准确,因此需要求解目标函数的极小值,由微积分知识我们可知函数J(W)的负梯度-▽J(W)提供了函数最快速下降方向,梯度下降搜索J(W)极小值的方法是:W(k+1)=W(k)-η▽J(W(k)),即
其中,η表示步长,T表示转置运算符,ΔW(k)表示W(k)的增量;
在黎曼空间下,随机梯度不再是目标函数的最陡下降方向,最陡下降方向为:
因此,ΔW(k)=W(k+1)-W(k)=W(k)+η[I-f(y(k)y(k)T]W(k),
为保证W(k)的正交性,设ΔW(k)=ε×W(k),其中ε是一个很小的变化矩阵,要求ε是一个斜对称矩阵,则取ε的表达式为:
ε=η[I-f[y(k)]yT(k)+y(k)f[y(k)]T-y(k)y(k)T]
得到W(k)的更新公式,其表达式为:
W(k+1)=W(k)+η[I-f[y(k)]yT(k)+y(k)f[y(k)]T-y(k)y(k)T]W(k)
其中,k表示观测信号的采样点,W(k)表示第k个采样点处的分离矩阵,W(k+1)表示第k+1个采样点处的分离矩阵,η表示固定步长,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,f[·]表示非线性奇函数,T是转置运算符;
步骤5b)将W(k)的更新公式与动量项ψ(k)[W(k)-W(k-1)]进行拼接,并通过迭代步长μ(k)代替W(k)中的固定步长,得到W(k)的迭代公式,其表达式为:
W(k+1)=W(k)+μ(k)[I-f[y(k)]yT(k)+y(k)f[y(k)]T-y(k)y(k)T]W(k)+ψ(k)[W(k)-W(k-1)]
其中,k表示观测信号的采样点,W(k)表示第k个采样点处的分离矩阵,W(k+1)表示第k+1个采样点处的分离矩阵,μ(k)表示第k个采样点处的迭代步长,ψ(k)是第k个采样点处的自适应动量因子,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,f[·]表示非线性奇函数,T是转置运算符。
步骤6)获取源信号的估计值:
判断当前观测信号的采样点数k是否小于观测信号长度,若是,则令k=k+1,并执行步骤(1),否则,计算观测信号x(k)与分离矩阵W(k)的乘积y(k),得到源信号的估计值。
以下结合仿真实验,对本发明的技术效果作以说明。
1、仿真条件和内容:
用Matlab对本发明与现有变步长等变自适应盲源分离算法的串音误差的进行对比仿真对比,仿真参数设置如下:采用4个QAM调制信号作为源信号,其载频分别为,61MHz,62MHz,63MHz,64MHz,由Matlab仿真软件随机产生一个4×4阶的矩阵混合矩阵A1,源信号经过混合矩阵混合后得到观测信号,噪声采用高斯白噪声,信噪比为25dB,采样频率为56MHz,采样点为60000,在第30001个采样点处混合矩阵突变为A2=A1+0.05*I,I是与A1同阶的单位矩阵。
2、仿真结果分析:
参照图2,串音误差PI的下降的速度的快慢表明分离的收敛速度越快,算法达到收敛状态后,PI的值越小表明分离的稳态误差越小,从图中可以看出,在信道变化前后,本发明所述的方法和现有技术的PI均很快下降到相对平稳的值,表明都有较快的收敛速度;在信道变化前后,与现有技术相比,本发明所述的方法的串音误差PI值更小几乎接近于0,表明本发明所述算法降低了现有技术的稳态误差;综上所述,本发明所述算法可以实现在保证在不降低现有技术收敛速度的前提下,达到降低稳态误差的效果。
Claims (10)
1.一种基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,包括如下步骤:
(1)获取分离指标S的自适应更新公式:
(1a)构造以常数为底数的指数函数Γ,同时利用EASI收敛条件构造分离指标S;
(1b)采用带有指数函数Γ的在线更新方式对分离指标S进行自适应更新,得到分离指标S的自适应更新公式;
(2)获取分离矩阵的迭代步长μ(k):
(2a)以分离指标S为变量构造非线性单调递增函数k表示观测信号的采样点,k≥1;
(2b)设分离矩阵的当前步长μ1(k),以μ1(k-1)和为变量构造线性函数μ(k),并将该线性函数作为迭代步长;
(3)定义混合矩阵A(k)、分离矩阵W(k)、全局矩阵G(k)和串音误差PI(k):
定义阶数为m×n的混合矩阵A(k),阶数为n×m分离矩阵W(k),并将A(k)和W(k)的乘积作为全局矩阵G(k),G(k)串音误差为PI(k),其中,m表示观测信号的个数,m≥2,n表示源信号的个数,n≥2;
(4)获取自适应动量因子ψ(k):
(4a)采用最小均方误差准则构造A(k)的估计矩阵的目标函数,并通过梯度下降算法求解该目标函数,得到A(k)的估计矩阵然后通过迭代步长μ(k)代替中的固定步长,得到估计矩阵的迭代公式;
(4b)将和W(k)的乘积作为G(k)的估计矩阵并通过计算串音误差PI(k)的估计值
(4c)构造以为变量的函数,该函数即为自适应动量因子ψ(k);
(5)获取分离矩阵W(k)的迭代公式:
(5a)以W(k)的KL散度为目标函数,并采用自然梯度算法对该目标函数进行求解,得到W(k)的更新公式;
(5b)将W(k)的更新公式与动量项ψ(k)[W(k)-W(k-1)]进行拼接,并通过迭代步长μ(k)代替W(k)中的固定步长,得到W(k)的迭代公式;
(6)获取源信号的估计值:
判断当前观测信号的采样点数k是否小于观测信号长度,若是,则令k=k+1,并执行步骤(1),否则,计算观测信号x(k)与分离矩阵W(k)的乘积y(k),得到源信号的估计值。
2.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(1)中所述的指数函数Γ和分离指标S,其表达式分别为:
S=max(||E[I-y(k)y(k)T]||,||E[y(k)f[y(k)]T]-f[y(k)]yT(k)||)
其中,k表示观测信号的采样点,η表示一个常数,表示第k-1个采样点处的Γ,表示第k个采样点处的Γ,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,E[·]表示均值,f[·]是非线性奇函数,T表示转置运算符,||·||表示F范数。
3.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(1b)中分离指标S的自适应更新公式按如下步骤获得:
(1b1)对步骤(1a)中分离指标S的表达式进行简单的标记,令
(1b2)对按如下公式进行自适应更新:
其中,k表示观测信号的采样点,表示在第k个采样点处的更新,表示在第k个采样点处的更新,y(k)表示第k个采样点处的分离信号,η表示一个常数,表示第k-1个采样点处的遗忘因子,表示第k个采样点处的遗忘因子;
步骤(1b3)中所述的分离指标S的自适应更新公式为:
其中,k表示观测信号的采样点,表示在第k个采样点处的更新,表示在第k个采样点处的更新,T表示转置运算符。
4.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(2a)中所述的非线性单调递增函数为:
其中,k表示观测信号的采样点,α1,α2是常数,S是分离指标。
5.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(2b)中所述的迭代步长μ(k)为:
其中,k表示观测信号的采样点,μ(k-1)表示第k个采样点处的迭代步长。
6.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(4a)中所述的估计矩阵的迭代公式,其表达式为:
其中,k表示观测信号的采样点,x(k)是观测信号,μ(k)表示第k个采样点处的迭代步长,表示第k个采样点处的混合矩阵的估计矩阵,表示第k+1个采样点处的混合矩阵的估计矩阵,T表示转置运算符。
7.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(4b)中所述的串音误差PI(k)的估计值计算公式为:
其中,k表示观测信号的采样点,表示全局矩阵的估计矩阵,i表示的行,j表示的列,表示第k个采样点处的第i行,第j列元素,表示第k个采样点处的第i行的所有元素,表示第k个采样点处的第j列的所有元素,|·|表示绝对值,∑表示求和运算符。
8.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(4c)中所述的自适应动量因子ψ(k)的函数为:
其中,k表示观测信号的采样点,δ,ε表示固定常数,表示第k个采样点处的串音误差PI(k)的估计值。
9.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(5a)中所述的分离矩阵W(k)的更新公式,其表达式为:
W(k+1)=W(k)+η[I-f[y(k)]yT(k)+y(k)f[y(k)]T-y(k)y(k)T]W(k)
其中,k表示观测信号的采样点,W(k)表示第k个采样点处的分离矩阵,W(k+1)表示第k+1个采样点处的分离矩阵,η表示固定步长,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,f[·]表示非线性奇函数,T是转置运算符。
10.根据权利要求1所述的基于自适应动量因子的时变信道下的盲源分离方法,其特征在于,步骤(5b)中所述的分离矩阵W(k)的迭代公式,其表达式为:
W(k+1)=W(k)+μ(k)[I-f[y(k)]yT(k)+y(k)f[y(k)]T-y(k)y(k)T]W(k)+ψ(k)[W(k)-W(k-1)]
其中,k表示观测信号的采样点,W(k)表示第k个采样点处的分离矩阵,W(k+1)表示第k+1个采样点处的分离矩阵,μ(k)表示第k个采样点处的迭代步长,ψ(k)是第k个采样点处的自适应动量因子,y(k)表示第k个采样点处的分离信号,I表示一个n×n阶的单位矩阵,n表示源信号的个数,f[·]表示非线性奇函数,T是转置运算符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763660.3A CN109086686B (zh) | 2018-07-12 | 2018-07-12 | 基于自适应动量因子的时变信道下的盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763660.3A CN109086686B (zh) | 2018-07-12 | 2018-07-12 | 基于自适应动量因子的时变信道下的盲源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086686A true CN109086686A (zh) | 2018-12-25 |
CN109086686B CN109086686B (zh) | 2022-09-30 |
Family
ID=64837611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810763660.3A Active CN109086686B (zh) | 2018-07-12 | 2018-07-12 | 基于自适应动量因子的时变信道下的盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086686B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011733A (zh) * | 2019-03-25 | 2019-07-12 | 华中科技大学 | 一种基于动量因子的解偏振复用方法及系统 |
CN111769547A (zh) * | 2020-06-12 | 2020-10-13 | 广西大学 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
CN112349292A (zh) * | 2020-11-02 | 2021-02-09 | 深圳地平线机器人科技有限公司 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
CN113687314A (zh) * | 2021-08-25 | 2021-11-23 | 西安电子科技大学 | 一种雷达抗主瓣干扰方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
GB201301914D0 (en) * | 2012-02-02 | 2013-03-20 | Emerson Process Management | Enhanced Sequential Method for Solving Pressure/Flow Network Parameters in a Real-Time Distributed Industrial Process Simulation System |
CN103188184A (zh) * | 2012-12-17 | 2013-07-03 | 中国人民解放军理工大学 | 基于npca的自适应变步长盲源分离方法 |
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN103763230A (zh) * | 2014-01-17 | 2014-04-30 | 南京信息工程大学 | 一种改进的自适应盲源分离方法 |
CN104022978A (zh) * | 2014-06-18 | 2014-09-03 | 中国联合网络通信集团有限公司 | 一种半盲信道估计方法和系统 |
CN104866866A (zh) * | 2015-05-08 | 2015-08-26 | 太原理工大学 | 改进的自然梯度变步长盲源分离算法 |
CN104935546A (zh) * | 2015-06-18 | 2015-09-23 | 河海大学 | 提高自然梯度算法收敛速度的mimo-ofdm信号盲分离方法 |
CN105142177A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 复数神经网络信道预测方法 |
CN105551347A (zh) * | 2016-01-21 | 2016-05-04 | 殷俊峰 | 一种智能数学教学用概率学习装置 |
CN105962914A (zh) * | 2016-05-24 | 2016-09-28 | 北京千安哲信息技术有限公司 | 基于盲源分离的呼吸与心跳信号的分离方法及装置 |
CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
CN106887238A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于改进独立向量分析算法的声信号盲分离方法 |
CN107622242A (zh) * | 2017-09-22 | 2018-01-23 | 福建师范大学福清分校 | 一种工程中盲源混合信号的加速分离方法 |
US20180069631A1 (en) * | 2016-09-08 | 2018-03-08 | Nxgen Partners Ip, Llc | Method for muxing orthogonal modes using modal correlation matrices |
CN107978110A (zh) * | 2017-12-06 | 2018-05-01 | 中国科学院上海技术物理研究所 | 基于图像匹配的电子围栏智能在位识别系统及识别方法 |
CN108089059A (zh) * | 2017-12-19 | 2018-05-29 | 西南交通大学 | 一种基于稀疏独立分量分析的谐波阻抗估算方法 |
-
2018
- 2018-07-12 CN CN201810763660.3A patent/CN109086686B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201301914D0 (en) * | 2012-02-02 | 2013-03-20 | Emerson Process Management | Enhanced Sequential Method for Solving Pressure/Flow Network Parameters in a Real-Time Distributed Industrial Process Simulation System |
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
CN103188184A (zh) * | 2012-12-17 | 2013-07-03 | 中国人民解放军理工大学 | 基于npca的自适应变步长盲源分离方法 |
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN103763230A (zh) * | 2014-01-17 | 2014-04-30 | 南京信息工程大学 | 一种改进的自适应盲源分离方法 |
CN104022978A (zh) * | 2014-06-18 | 2014-09-03 | 中国联合网络通信集团有限公司 | 一种半盲信道估计方法和系统 |
CN104866866A (zh) * | 2015-05-08 | 2015-08-26 | 太原理工大学 | 改进的自然梯度变步长盲源分离算法 |
CN104935546A (zh) * | 2015-06-18 | 2015-09-23 | 河海大学 | 提高自然梯度算法收敛速度的mimo-ofdm信号盲分离方法 |
CN105142177A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 复数神经网络信道预测方法 |
CN105551347A (zh) * | 2016-01-21 | 2016-05-04 | 殷俊峰 | 一种智能数学教学用概率学习装置 |
CN105962914A (zh) * | 2016-05-24 | 2016-09-28 | 北京千安哲信息技术有限公司 | 基于盲源分离的呼吸与心跳信号的分离方法及装置 |
CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
US20180069631A1 (en) * | 2016-09-08 | 2018-03-08 | Nxgen Partners Ip, Llc | Method for muxing orthogonal modes using modal correlation matrices |
CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
CN106887238A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于改进独立向量分析算法的声信号盲分离方法 |
CN107622242A (zh) * | 2017-09-22 | 2018-01-23 | 福建师范大学福清分校 | 一种工程中盲源混合信号的加速分离方法 |
CN107978110A (zh) * | 2017-12-06 | 2018-05-01 | 中国科学院上海技术物理研究所 | 基于图像匹配的电子围栏智能在位识别系统及识别方法 |
CN108089059A (zh) * | 2017-12-19 | 2018-05-29 | 西南交通大学 | 一种基于稀疏独立分量分析的谐波阻抗估算方法 |
Non-Patent Citations (3)
Title |
---|
YUAN L. X等: "Variable step-size sign natural gradient algorithm for sequential blind source separation", 《IEEE SIGNAL PROCESSING》 * |
张天骐: "带自适应动量因子的变步长盲源分离方法", 《通信学报》 * |
李康: "基于自然梯度算法的自适应盲源分离研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011733A (zh) * | 2019-03-25 | 2019-07-12 | 华中科技大学 | 一种基于动量因子的解偏振复用方法及系统 |
CN111769547A (zh) * | 2020-06-12 | 2020-10-13 | 广西大学 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
CN111769547B (zh) * | 2020-06-12 | 2023-07-28 | 广西大学 | 一种三层联动机制的交互式综合能源系统实时调控方法 |
CN112349292A (zh) * | 2020-11-02 | 2021-02-09 | 深圳地平线机器人科技有限公司 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
CN112349292B (zh) * | 2020-11-02 | 2024-04-19 | 深圳地平线机器人科技有限公司 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
CN113687314A (zh) * | 2021-08-25 | 2021-11-23 | 西安电子科技大学 | 一种雷达抗主瓣干扰方法 |
CN113687314B (zh) * | 2021-08-25 | 2024-02-06 | 西安电子科技大学 | 一种雷达抗主瓣干扰方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109086686B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086686A (zh) | 基于自适应动量因子的时变信道下的盲源分离方法 | |
CN107316067B (zh) | 一种基于惯性传感器的空中手写字符识别方法 | |
CN105242779B (zh) | 一种识别用户动作的方法和移动智能终端 | |
CN110473565A (zh) | 一种无需源数估计的独立向量分析信号分离方法 | |
CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
CN106779055B (zh) | 图像特征提取方法和装置 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN110333667A (zh) | 一种基于非线性新息辨识模型的船舶运动仿真及控制方法 | |
CN112183671A (zh) | 一种针对深度学习模型的目标攻击对抗样本生成方法 | |
CN111582373A (zh) | 一种基于加权迁移极限学习机算法的辐射源识别方法 | |
Pomponi et al. | Pseudo-rehearsal for continual learning with normalizing flows | |
CN107015945A (zh) | 一种基于混合转移分布的高阶交互式多模型滤波方法 | |
Cruces-Alvarez et al. | On a new blind signal extraction algorithm: different criteria and stability analysis | |
Majumdar | Course 4 random matrices, the Ulam problem, directed polymers & growth models, and sequence matching | |
CN105844094B (zh) | 基于梯度下降法和牛顿法的欠定盲源分离源信号恢复方法 | |
CN109583485A (zh) | 一种基于反馈训练的有监督深度学习方法 | |
Wei et al. | TVT: Training-Free Vision Transformer Search on Tiny Datasets | |
Navarro et al. | Fast fully-compressed suffix trees | |
Zhiqi | Gesture learning and recognition based on the Chebyshev polynomial neural network | |
CN104504181B (zh) | 一种基于稀疏复原的信号包络线提取方法 | |
Fischer et al. | Increasing the performance of a training algorithm for local model networks | |
CN110097116A (zh) | 一种基于独立成分分析和核密度估计的虚拟样本生成方法 | |
Watanabe et al. | Minimum error classification with geometric margin control | |
CN110212891A (zh) | 基于nrp-lstm的非线性滤波方法 | |
Zhang et al. | Synchronization of chaotic systems and long short-term memory networks by sharing a single variable |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |