CN110088635A - 用于同时去噪和盲源分离的认知信号处理器 - Google Patents

用于同时去噪和盲源分离的认知信号处理器 Download PDF

Info

Publication number
CN110088635A
CN110088635A CN201780078246.2A CN201780078246A CN110088635A CN 110088635 A CN110088635 A CN 110088635A CN 201780078246 A CN201780078246 A CN 201780078246A CN 110088635 A CN110088635 A CN 110088635A
Authority
CN
China
Prior art keywords
filter
reserve pool
signal
denoising
status signal
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
Application number
CN201780078246.2A
Other languages
English (en)
Other versions
CN110088635B (zh
Inventor
P·彼得
B·H·冯
S·R·劳
C·E·马丁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HRL Laboratories LLC
Original Assignee
HRL Laboratories LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US15/452,412 external-priority patent/US10153806B1/en
Priority claimed from US15/452,155 external-priority patent/US10484043B1/en
Application filed by HRL Laboratories LLC filed Critical HRL Laboratories LLC
Publication of CN110088635A publication Critical patent/CN110088635A/zh
Application granted granted Critical
Publication of CN110088635B publication Critical patent/CN110088635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0025—Particular filtering methods
    • H03H2021/0034—Blind source separation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Neurology (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Complex Calculations (AREA)

Abstract

描述了一种用于信号去噪和盲源分离的认知信号处理器。在操作期间，所述认知信号处理器接收包括多个源信号的混合信号。通过将所述混合信号映射至动态储备池以执行信号去噪，来生成去噪储备池状态信号。通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离的源信号。

Description

用于同时去噪和盲源分离的认知信号处理器
政府权利
本发明是在美国政府合同编号N00014-12-C-0027的政府支持下做出的。政府在本发明中具有特定权利。
相关申请的交叉引用
本申请是2017年3月7日提交的美国非临时申请No.15/452,412的部分继续申请。
本申请也是2017年3月7日提交的美国非临时申请No.15/452,155的部分继续申请。
本申请也是2017年1月18日提交的美国临时申请No.62/447,883的非临时申请，其全部内容通过引用并入于此。
技术领域
本发明涉及盲源分离器，并且更具体地，涉及对混合输入信号进行去噪并对该输入信号执行盲源分离以提取和分离信号的信号处理器。
背景技术
盲信号分离(还称为盲源分离)是在未借助于有关源信号或混合过程的信息(或者具有非常少的信息)的情况下，从一组混合信号(混合信号)中分离一组源信号。因此，在盲源分离(BSS)问题中，任何单个天线测量多个源信号。测量信号的天线可能不止一个，但通常每个天线“看到”所有源信号并产生它们的不同线性混合。然后，任务是使用所测量的混合信号以便恢复原始源信号。单个天线孤立工作的情况尤其具有挑战性，因为没有对空间分辨率的感测来帮助提取过程。
用于在超宽带宽上从无源RF天线检测、定位以及分类源发射器的目前发展水平的系统需要高速率模数转换器(ADC)。这种高速率ADC很昂贵且耗电量大，并且因基本物理限制(如瓦尔登(Walden)曲线(参见并入参考文献列表，参考文献No.9))而不能实现捕获超宽带宽所需的采样率。为了减轻这个问题，目前发展水平的电子支持测量(ESM)系统要么使用频谱扫描(其对于处理敏捷发射器来说太慢)，要么使用对尺寸、重量以及功率具有较大要求的一套数字信道化器。另外，ESM系统使用的检测，定位以及分类算法通常基于快速傅里叶变换，其具有高计算复杂度和存储器要求，使得难以在超宽带宽上实时操作它们。
而且，混合信号通常很嘈杂，致使它们难以分开。信号去噪的常规方法分为两类：基于滤波器的方法和基于训练的方法。基于滤波器的方法使用滤波来消除信号中的噪声，但过于简单化，而无法在适应高频突变的同时维持信号的低频长期趋势。基于训练的方法依赖于对关注信号进行建模的“字典”。这样的字典必须在离线过程中训练，并且需要可能无法获得的训练数据。另外，字典通常需要在平台上存储和利用大量存储器和计算，致使这种方法不可能用于超小尺寸、重量以及功率(SWaP)的系统。
用于BSS的常规方法通常需要比源信号的数量多的输入混合(其直接映射至较大数量的天线)，从而限制了它们在SWaP约束情况下的适用性(参见，参考文献No.1)。常规BSS的一些扩展已经解决了利用关于源的先验知识的“欠定”情况(具有比源少的混合)，如具有“低复杂度”或具有关于所学习字典的稀疏表示。这种先验知识模型过于宽泛，使得系统能够将整个混合过度拟合为单一源，并且需要大量存储器来存储字典和计算以恢复关于字典的输入混合的呈现(参见参考文献No.1和No.3)。在参考文献No.3中，作者将BSS算法与具有可调中心频率的IIR带通滤波器相结合，以便分离时间相关源。这项工作仍然十分有限，至少需要与源一样多的混合，要求混合“预先白化”以具有同一性值(identity-valued)协方差矩阵，并且使用源的二阶统计作为分离的唯一提示。
因此，持续需要这样一种系统，即，该系统减少为实现滤波、滤波器自适应，和/或信号跟踪所需的计算和硬件复杂度，并且在此过程中，允许该系统在包括有限可编程门阵列(FPGA)和定制数字专用集成电路(ASIC)的低功率硬件上开发。
发明内容
本公开提供了一种用于信号去噪和盲源分离的认知信号处理器。在各种实施方式中，所述认知信号处理器包括一个或多个处理器以及存储器。所述存储器例如是编码有可执行指令的非暂时性计算机可读介质，使得在执行所述指令时，所述一个或更多个处理器执行若干操作。在其它方面，所述一个或更多个处理器被硬布线或以其它方式配置成执行本文的操作。例如，在操作期间，所述认知信号处理器接收包括多个源信号的混合信号。通过将所述混合信号映射至动态储备池(reservoir)以执行信号去噪，来生成去噪储备池状态信号。最后，通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离源信号。
在另一方面，对所述去噪储备池状态信号进行滤波是利用一组滤波器执行的。
在另一方面，所述系统执行以下操作：控制所述一组滤波器，以使所述一组滤波器内的每个滤波器对独特波形进行滤波。
而且，每个滤波器具有可调中心频率。
在另一方面，对所述去噪储备池状态信号进行自适应滤波还包括以下操作：检测特定频带具有脉冲；将第一滤波器切换成跟踪状态，所述跟踪状态具有等于储备池状态谐振频率的中心频率，该储备池状态的谐振频率对应于所述特定频带；以及将所述第一滤波器的所述中心频率设定为保护区，以防止一组滤波器中的其它滤波器共用所述中心频率。
在又一方面，对所述去噪储备池状态信号进行自适应滤波还包括以下操作：如果所述第一滤波器失去所述特定频带的脉冲，则将所述第一滤波器切换成保持状态；在维持所述保护区的同时，在固定时段内将所述第一滤波器维持在所述保持状态；以及如果在所述固定时段期间内所述脉冲恢复，则将所述第一滤波器切换成跟踪状态，否则将所述第一滤波器切换成不活动状态并且移除所述保护区。
在另一方面，生成所述去噪储备池状态信号还包括对所述储备池状态信号进行延迟嵌入，以生成储备池状态历史。
另外，生成所述去噪储备池状态信号还包括在所述混合信号的一个小时间步之前生成预测输入信号，其中，所述预测输入信号与所述混合信号之间的误差被用于更新所述动态储备池的输出权重。
在另一方面，生成所述去噪储备池状态信号是利用以模拟硬件实现的动态储备池，通过满足一组常微分方程来执行的。
而且，生成所述去噪储备池状态信号是利用以软件或数字硬件实现的动态储备池，通过将一组常微分方程转换成延迟差分方程来执行的。
最后，本发明还包括一种计算机程序产品和计算机实现方法。所述计算机程序产品包括存储在非暂时性计算机可读介质上的计算机可读指令，该计算机可读指令可通过具有一个或更多个处理器的计算机执行，使得在执行所述指令时，所述一个或更多个处理器执行本文列出的操作。另选的是，所述计算机实现方法包括使计算机执行这种指令并且执行所得操作的行为。
附图说明
根据下面结合参照附图对本发明各个方面的详细描述，本发明的目的、特征以及优点将变清楚，其中：
图1A是描绘根据本发明各个实施方式的系统的组件的框图；
图1B描绘根据本发明各个实施方式的系统的框图；
图2是具体实施本发明一方面的计算机程序产品的例示图；
图3是描绘根据本发明各个实施方式的用于认知信号处理器的系统架构的例示图；
图4是描绘将输入信号矢量映射至高维状态空间的储备池计算机的例示图，该高维状态空间建模信号生成过程的基本时变动态；
图5是描绘储备池计算机中的状态空间表示分量与参数之间的对应关系的例示图；
图6是描绘动态储备池的例示图，该动态储备池将延迟嵌入应用于储备池状态以提供储备池动态的时间历史；
图7是描绘针对动态储备池模块和自适应信号预测模块的连续时间架构的例示图；
图8是描绘根据本发明各个实施方式的利用储备池状态的盲源分离(BSS)滤波器的架构的例示图；
图9是描绘针对自适应滤波器的初始状态的最佳传递函数的图；
图10是根据本发明各个实施方式的滤波器控制器的图；
图11A是例示利用按时段t的均匀采样对输入信号u(t)进行近似的图表；以及
图11B是例示利用线性基函数对输入信号u(t)进行近似的图表。
具体实施方式
本发明涉及盲源分离器，并且更具体地说，涉及对混合输入信号进行去噪并对该输入信号执行盲源分离以提取和分离信号的信号处理器。呈现以下描述以使本领域普通技术人员能够制造和使用本发明并将其并入特定应用的背景中。各种修改例以及不同应用方面的多种用途对于本领域技术人员来说是显而易见的，并且本文定义的一般原理可以被应用于广泛的方面。因此，本发明不旨在限于所呈现的方面，而是符合与本文所公开原理和新颖特征相一致的最广范围。
在下面的详细描述中，阐述了许多具体细节，以便提供对本发明的更详尽理解。然而，本领域技术人员应当明白，本发明可以在不必受限于这些具体细节的情况下来实践。在其它情况下，公知结构和装置按框图形式而不是按细节示出，以便避免模糊本发明。
将读者的注意引向与本说明书同时提交的所有文件和文档，并且该文件和文档可以利用本说明书开放以供公众查阅，所有这些文件和文档的内容通过引用并入于此。本说明书中公开的所有特征(包括任何所附权利要求、摘要以及附图)可以用服务相同、等同或相似目的的另选特征来代替，除非另有明确说明。因此，除非另有明确说明，所公开的每个特征仅仅是通用系列的等同或相似特征中的一个例子。
而且，权利要求书中没有明确陈述“用于执行指定功能的装置”或“用于执行特定功能的步骤”的任何部件不被解释为如在35U.S.C.Section 112,Paragraph 6中指定的“装置”或“步骤”条款。特别地，在本文的权利要求书中使用“…的步骤”或“……的动作”不旨在援引35U.S.C.112,Paragraph 6的规定。
在详细描述本发明之前，首先提供了引用参考文献的列表。接下来，提供了对本发明各个主要方面的描述。随后，介绍向读者提供了对本发明的一般理解。最后，提供本发明各个实施方式的具体细节以取得对具体方面的理解。
(1)并入参考文献列表
贯穿本申请引用以下参考文献。为了清楚和方便起见，这些参考文献在此被列为读者的中心资源。下列参考文献通过引用并入于此，就像在此完全陈述的一样。这些参考文献通过参照如下对应文献参考号而在本申请中加以引用，如下：
1.S.Choi,A.Cichocki,H.-M.Park,and S.-Y.Lee,“Blind Source Separationand Independent Component Analysis:A Review,”Neural Information Processing–Letters,Vol.6,No.1,January 2005。
2.A.Cichocki and A.Belouchrani,“Sources separation of temporallycorrelated sources from noisy data using a bank of band-pass filters,”inProc.of Independent Component Analysis and Signal Separation(ICA-2001),pp.173-178,San Diego,USA,Dec.9-13,2001。
3.A.Hyvarinen,“Complexity Pursuit:Separating Interesting Componentsfrom Time Series,”Neural Computation,Vol.13,No.4,pp.883-898,April 2001。
4.Igel,C.and Husken,M.,“Improving the Rprop learning algorithm”,inProc.of the 2nd Int.Symposium on Neural Computation(NC’2000),pp.115-121,ICSCAcademic Press,2000。
5.R.Legenstein,et al.“Edge of Chaos and Prediction of ComputationalPerformance for Neural Microcircuit Models,”Neural Networks,20(3),2007。
6.W.Maass,“Liquid Computing”,Proc.of the Conference CiE'07:COMPUTABILITY IN EUROPE 2007,Siena(Italy)
7.F.Takens,“Detecting Strange Attractors in Turbulence,”DynamicalSystems and Turbulence,Lecture Notes in Mathematics Vol.898,1981。
8.D.Verstraeten,et al.“An experimental unification of reservoircomputing methods”,Neural Networks,vol.20,no.3,April 2007。
9.R.H.Walden,“Analog-to-digital converter survey and analysis,”IEEEJ.Sel.Areas Commun.,vol.51,pp.539–548,1999。
10.H.Yap,et al.,“A First Analysis of the Stability of Takens’Embedding,”in Proc.of the IEEE Global Conference on Signal and InformationProcessing(GlobalSIP)symposium on Information Processing for Big Data,December 2014。
(2)主要方面
本发明的各种实施方式包括三个“主要”方面。第一方面是用于信号处理的系统(即，信号处理器)。该系统通常采用计算机系统操作软件的形式或采用“硬编码”指令集的形式。该系统可以并入提供不同功能的各种各样的装置中。第二个主要方面是通常采用软件的形式的一种方法，其利用数据处理系统(计算机)进行操作。第三个主要方面是计算机程序产品。该计算机程序产品通常表示存储在诸如光学存储装置(例如，光盘(CD)或数字万用盘(DVD))或诸如软盘或磁带的磁存储装置的非暂时性计算机可读介质上的计算机可读指令。计算机可读介质的其它非限制例包括：硬盘、只读存储器(ROM)以及闪速型存储器。这些方面将在下面进行更详细描述。
图1A中提供了描绘本发明的系统(即，计算机系统100)的示例的框图。计算机系统100被配置成执行与程序或算法相关联的计算、处理、操作和/或功能。在一个方面，本文讨论的某些处理和步骤被实现为驻留在计算机可读存储器单元内并由计算机系统100的一个或更多个处理器执行的一系列指令(例如，软件程序)。在执行时，所述指令使计算机系统100执行特定动作并展现特定行为，如本文所描述的。例如，在不同实施方式中，该系统包括一个或更多个处理器，其被配置成执行本文所述的各种操作。在一个方面，所述系统包括一个或更多个处理器以及存储器，所述存储器是编码有可执行指令的非暂时性计算机可读介质，使得在执行所述指令时，所述一个或更多个处理器执行所述操作。在其它方面，所述处理器被硬布线以执行所述操作。因此，系统100可以被配置成通过执行来自计算机存储器的指令或通过硬布线以执行某些任务来执行操作。
计算机系统100可以包括被配置成传送信息的地址/数据总线102。另外，一个或更多个数据处理单元(如处理器104(或多个处理器)与地址/数据总线102联接。处理器104被配置成处理信息和指令。在各个方面，处理器104(或多个处理器)包括微处理器、并行处理器、专用集成电路(ASIC)、数字ASIC、可编程逻辑阵列(PLA)、复杂可编程逻辑器件(CPLD)以及现场可编程门阵列(FPGA)中的一个或更多个。
计算机系统100被配置成利用一个或更多个数据存储单元。计算机系统100可以包括与地址/数据总线102联接的易失性存储器单元106(例如，随机存取存储器(“RAM”)、静态RAM、动态RAM等)，其中，易失性存储器单元106被配置成存储用于处理器104的信息和指令。计算机系统100还可以包括与地址/数据总线102联接的非易失性存储器单元108(例如，只读存储器(“ROM”)、可编程ROM(“PROM”)、可擦除可编程ROM(“EPROM”)、电可擦除可编程ROM(“EEPROM”)、闪速存储器等)，其中，非易失性存储器单元108被配置成存储用于处理器104的静态信息和指令。另选的，计算机系统100可以执行从诸如“云”计算中的在线数据存储单元取得的指令。在一方面，计算机系统100还可以包括与地址/数据总线102联接的一个或更多个接口，如接口110。所述一个或更多个接口被配置成使得计算机系统100能够与其它电子装置和计算机系统连接。由所述一个或更多个接口实现的通信接口可以包括有线(例如，串行电缆、调制解调器、网络适配器等)和/或无线(例如，无线调制解调器、无线网络适配器等)通信技术。
在一个方面，计算机系统100可以包括与地址/数据总线102联接的输入装置112，其中，输入装置112被配置成将信息和命令选择传送至处理器100。根据一个方面，输入装置112是字母数字输入装置(如键盘)，其可以包括字母数字键和/或功能键。另选的是，输入装置112可以是除字母数字输入装置之外的其它输入装置。在一方面，计算机系统100可以包括与地址/数据总线102联接的光标控制装置114，其中，光标控制装置114被配置成将用户输入信息和/或命令选择传送至处理器100。在一方面，光标控制装置114利用诸如鼠标器、轨迹球、轨迹板、光学跟踪装置，或触摸屏的装置来实现。前述尽管如此，但在一方面，诸如响应于使用与输入装置112相关联的特殊键和键序列命令，光标控制装置114经由来自输入装置112的输入而被指引和/或激活。在另选方面，光标控制装置114被配置成通过语音命令指引或引导。
在一方面，计算机系统100还可以包括一个或更多个可选计算机可用数据存储装置，如与地址/数据总线102联接的存储装置116。存储装置116被配置成存储信息和/或计算机可执行指令。在一个方面，存储装置116是诸如磁或光盘驱动器(例如，硬盘驱动器(“HDD”)、软盘、光盘只读存储器(“CD-ROM”)、数字万用盘(“DVD”))的存储装置。依据一个方面，显示装置118与地址/数据总线102或者系统100的任何其它合适位置或组件联接，其中显示装置118被配置成显示视频和/或图形。在一方面，显示装置118可以包括：阴极射线管(“CRT”)、液晶显示器(“LCD”)、场发射显示器(“FED”)、等离子体显示器、发光二极管(“LED”)或适于显示视频和/或图形图像以及用户可识别的字母数字字符的任何其它显示装置。
本文所呈现的计算机系统100是根据一方面的示例计算环境。然而，计算机系统100的非限制例并不严格受限于作为计算机系统。例如，一个方面提供了计算机系统100表示可以根据本文所述各个方面使用的一类数据处理分析。此外，还可以实现其它计算系统。实际上，本技术的精神和范围不限于任何单一数据处理环境。因此，在一方面，使用通过计算机执行的诸如程序模块之类的计算机可执行指令来控制或实现本技术的各个方面的一个或更多个操作。在一个实现中，这样的程序模块包括被配置成执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件，和/或数据结构。另外，一方面提供了本技术的一个或更多个方面通过利用一个或更多个分布式计算环境来实现，如其中任务由通过通信网络链接的远程处理装置执行，或者如其中各种程序模块位于包括存储器-存储装置的本地和远程计算机存储介质中。
图2中描绘了具体实施本发明的计算机程序产品(即，存储装置)的例示图。该计算机程序产品被描绘为软盘200或诸如CD或DVD的光盘202。然而，如先前提到，该计算机程序产品通常表示存储在任何兼容的非暂时性计算机可读介质上的计算机可读指令。如关于本发明所使用的术语“指令”通常指示要在计算机上执行的一组操作，并且可以表示整个程序的片段或单个分离软件模块。“指令”的非限制性示例包括计算机程序代码(源或目标代码)和“硬编码”电子装置(即，编码到计算机芯片中的计算机操作)。该“指令”被存储在任何非暂时性计算机可读介质上，如存储在计算机的存储器中或软盘、CD-ROM，以及闪存驱动器上。无论如何，这些指令被编码在非暂时性计算机可读介质上。
(3)介绍
本公开提供了一种用于信号处理的系统(或者另称为“认知”信号处理器(CSP))，其采取包含非常大的带宽(例如，>30GHz)上的脉冲波形的混合的输入信号，同时对该输入信号进行去噪并对该输入信号执行盲源分离(BSS)。通过对输入信号进行去噪和执行BSS，该系统有效地从该混合中提取和分离各个脉冲波形。
CSP的一些实施方式并入了一个或更多个以下特征。首先，该系统可以使用通过将可调混合权重应用于动态储备池的状态输出而构造的一组有限脉冲响应(FIR)滤波器。其次，可以利用下面进一步详细描述的新颖梯度下降过程来自适应每个滤波器的混合权重(以及因而的频率响应)。第三，可以通过利用储备池状态输出来激活和初始化滤波器，以确定何时在给定频带附近存在源信号。该系统所采用的自适应方案可以并入一种显式机制，该显式机制限制不同滤波器在频域中可以彼此接近到何种程度，这用于确保每个滤波器提取唯一信号。第四，该系统可以并入类似于动量的动态现象，并允许滤波器通过与时频域中的其它信号的重复冲突来跟踪信号。
在挑战去噪或BSS情况下，本文所述系统各个实施方式可以具有针对现有技术方法的若干优点/改进。这些优点/改进包括以下一项或更多项：
1.对于一些实施方式，因为CSP执行自适应滤波，所以其基于硬件的实施方式可以具有比当前强力信道化方法少得多的重量和功率。
2.对于一些实施方式，通过采用储备池状态作为提示机制，CSP可以采用具有高频率分辨率的极窄带宽滤波器，在超过30GHz的超宽带宽上检测和跟踪许多脉冲波形，但仍然表现出0.1纳秒量级的非常低的信号检测延迟。
3.对于一些实施方式，该系统能够利用覆盖宽范围的各种关注电磁和声学信号的约束来实时对信号去噪。许多其它当前方法使用强力但计算上昂贵的约束(如信号复杂度测量)，或者依赖松散约束(如滤波器组)，这可能在计算上不太昂贵，但捕获真实世界源信号结构的能力有限。与此相反，本系统通过利用可以在短时间间隔内线性预测的源信号中的关注波形的约束来改进现有技术，这可以以有限的计算成本进行快速计算。
4.对于一些实施方式，在确定性设计的储备池中，储备池状态皆对应于特定频率附近的输入信号能量的量。这允许CSP生成可以在硬件中有效实现的复杂输入信号的实时频谱图。
5.对于一些实施方式，CSP可以同时提取由单个天线线性混合的大量噪声源信号。也就是说，为了有效，CSP不需要多天线阵列或大量固定的预定义滤波器，而这是许多其它BSS方法所需要的。
6.对于一些实施方式，由于并入了状态相关的滤波器行为，因此即使信号短暂丢失，系统也能够连续跟踪源信号，并且减少误报的发生率。而且，每个滤波器提取一个独特的源信号，从而避免提取混杂和不必要的重复。
7.对于一些实施方式，由于对存储器和计算要求较低的独特的动量方法成分，滤波器能够通过时频域中的重复冲突来跟踪多个信号。这是一种很少有现有技术的盲源分离方法可以处理的情况。
如本领域技术人员应当清楚，本文描述的系统具有几种应用。例如，该系统可与Argon ST开发的电子支持测量(ESM)接收器以及与机载平台上的其它系统一起使用。该系统也适用于交通工具(例如，UAV、飞机、汽车、船、机器人)或人便携式应用，如快速检测重要对象(例如，障碍物、地形、其它车辆、人员、动物)并且将其与来自雷达天线信号的杂波分离。在自主驾驶车辆操作中，汽车或其它车辆可以使用雷达来探测和避开障碍物。由于杂波(如树木、其它汽车及墙壁)，障碍物的雷达回波可能比频谱内的其它回波弱，并且也被它们遮挡。在一个方面并且如图1B所示，本文所述系统100对射频(RF)信号(如由雷达接收器120(例如，天线、传感器等)收集的那些信号)进行去噪，并且同时增强对可能对应的显著对象的弱回波的检测，同时还分离出对应于场景中不同对象的所有窄带(频调(tone)线)脉冲。从杂波脉冲中分离出显著的对象脉冲降低了自主驾驶车辆被杂波混淆的可能性，然后可以有效地检测和避开显著的物体。例如，一旦检测到显著对象，系统100就可以使车辆122基于该显著物体来动作(通过连接至与恰当车辆控制系统的接口)，诸如减速、加速、停止、转向和/或以其它方式围绕该显著物体操纵。基于障碍物的其它动作也是可能的，诸如使车辆122利用声音警告、灯光、文本和/或图像(如雷达显示图像)，来通知或警告车辆乘员和/或车辆操作者有关障碍物。对于进一步的示例，系统100可以生成可调整的车辆系统的命令和控制操作，诸如车辆悬架或诸如安全气囊和安全带等的安全系统等。
(4)各个实施方式的具体细节
如上提到，本公开提供了一种信号处理的系统(或“认知”信号处理器(CSP))，其对混合输入信号进行去噪，并对输入信号执行盲源分离以提取和分离信号。图3中示出了CSP的架构。如图所示，第一组件是动态储备池计算机(RC)300，这是系统的“神经形态”(大脑启发)方面。储备池计算机300接受混合信号302作为输入并将其映射至称为动态储备池的高维动态系统。RC 300具有预定义数量的输出，这些输出是通过一组不同的线性函数连续映射储备池状态而生成的，每个输出定义一个这样的函数。CSP使用“动态”储备池计算机，这是因为储备池状态信号不断通过延迟嵌入(delay embedding)，这产生了储备池状态值的有限时间记录(即，储备池状态历史304)。图3的动态储备池的储备池状态历史304对应于如图6所描绘的要素602。即，在储备池状态x(t)、历史长度K+1并且延迟宽度τ的情况下，储备池状态历史304是集合(x(t)，x(t-τ)，..，x(t-(K+1)τ)。在与优化的储备池设计相结合时，这种延迟嵌入使得CSP能够对原始输入信号和各个储备池状态执行信号预测和去噪。
第二组件是自适应信号预测模块306，其使用基于梯度下降的短时间预测来自适应储备池的输出(即，储备池状态历史304)，以产生将来小时间步的、输入信号302的预测。由于输入信号302中的噪声本质上是随机且不可预测的，因此所预测的输入信号将没有噪声。所预测的输入信号与实际输入信号之间的误差被自适应信号预测模块用于在迭代处理中进一步调整储备池的输出权重，以生成去噪的储备池状态308。
CSP的第三组件是一组自适应盲源分离(BSS)滤波器310，其从输入的混合信号302分离出脉冲并进行跟踪。该组件是系统的一个关键方面。与使用一组自适应滤波器的先前BSS系统不同，本文所述的系统将滤波器实现为储备池状态的线性组合。与实现独立的FIR或IIR滤波器相比，这在硬件中实现起来更加高效。滤波器组310中的每个BSS滤波器由滤波器控制器激活，该滤波器控制器测量储备池状态能量以检测特定频带中信号的存在。BSS滤波器310还包括用于修改中心频率以便跟踪脉冲的机制。每个BSS滤波器310包括滤波器适配器，其基于误差函数和滤波器状态来更新特定滤波器的中心频率。该频率更新被描绘为图8中的要素804。
第四组件是控制/源选择器312，其确保每个BSS滤波器310跟踪独特的脉冲。控制/源选择器312接受滤波器310输出作为输入，并负责控制哪些滤波器主动跟踪脉冲波形，从而产生表示系统的最终输出的原始去噪脉冲波形(即，检测信号314)。
(4.1)储备池计算
CSP基于神经形态(大脑启发)信号处理的形式，称为储备池计算(RC)(参见参考文献No.5、No.6以及No.8中对储备池计算的描述)。如在图4中看到，储备池计算机300是递归神经网络(具有反馈连接的神经网络)的特殊形式，其通过将输入信号矢量302投影到高维储备池400状态空间中来操作，该状态空间包含信号生成处理的等效动态模型，该信号生成处理捕获关于输入302的所有可获得且可执行(actionable)的信息。储备池400具有可以离线或在线训练的读出层，以通过利用状态函数来学习所需输出。因此，RC 300具有递归神经网络的能力，以对非静止(时变)过程处理和现象建模，但是具有既准确又高效的简单读出层和训练算法。储备池状态可以利用可训练线性读出层402映射至有用的输出304，包括去噪输入、信号类、分离的信号以及异常。
储备池计算与状态空间滤波之间存在强联系。常规RF/微波滤波器通常实现拉普拉斯(Laplace)域滤波算法：
y(s)＝C T x(s)+Du(s)
其中，x(s)、u(s)，以及y(s)分别是储备池状态的状态空间表示、输入信号以及输出。
状态空间滤波器实现时域滤波算法，并且如在图5中看到，储备池400状态空间表示的不同分量具有与储备池计算机300中的不同参数的直接对应。具体来说，储备池连通性矩阵权重确定滤波器极点位置。类似地，输出层权重(C)502确定滤波器零位置。由于输出层权重502可自适应，因此储备池计算机300可以实现自适应(非线性)状态空间滤波器。
(4.2)信号去噪和盲源分离的优化储备池设计
在常规储备池计算机中，储备池连通性矩阵和输入至储备池映射矩阵两者中的权重通常是随机选择的。作为非限制例，和两者中的项可以是从零均值独立的、相同分布的样本(单位方差高斯(Gaussian)分布)。这种随机储备池权重矩阵已成功地用于许多先前的应用中，如模式识别。然而，在这些种类的储备池中，储备池状态的各个值是孤立无意义的，只有在经由所学习的混合权重组合在一起时才可以用于应用。另外，为了在低功率硬件(例如，FPGA或数字ASIC)中实现这样的储备池，该储备池状态更新需要与节点数的平方成比例的计算，随着储备池节点数的增加，这变得不可行。
下面描述的是针对信号去噪和盲源分离的任务来优化储备池权重矩阵的方法。对于信号去噪，所设计的储备池状态能够更好地预测输入信号，从而导致去噪信号的SNR增加。对于盲源分离，我们的优化储备池中的每个储备池状态测量特定谐振频率附近的信号能量的量，其可以用作使BSS子系统开始跟踪该给定频率附近的脉冲的提示机制。另外，BSS子系统可以使用所设计的储备池状态作为构建一组自适应FIR滤波器的基础，以跟踪输入混合信号中的各个窄带脉冲。最后，所设计的储备池状态的计算与节点数量线性成比例，从而实现低功耗硬件的高效实现。
为了以数学方式导出被用于实现优化去噪算法的RC输出层迭代自适应，使用由图4中的方程描述的线性状态空间。对于不依赖输入和状态空间矢量的A和B，该状态方程的形式解如下：
其可以通过时间区分方程的两边来验证。这里，eAt是矩阵指数，并且时间积分超过矩阵量。要注意的重点是，该形式解中的初始时间是任意的(当然是依靠因果关系)；因此，对于任何τ＞0：
给定某一时间ti的状态空间矢量，连同系统参数A和B以及在关注间隔0≤Δt≤τ内的输入信号u(ti+Δt)，该系统可以计算状态空间矢量在t+Δt的所有未来值。这种形式自然适合于以离散化形式进行并行计算，并且是优化信号预测和去噪算法的基础。
可以对使能显著简化算法的实现的线性状态空间系统进行若干观察。如前所述，矩阵A必须是实数的；另外，在描述无源IIR滤波器时，矩阵A具有特征值(滤波器的极点)，所述特征值要么是对应于纯阻尼模式的纯实数和负数，要么是参与复共轭对的特征值，其中负实部针对该特征值。该观察允许矩阵A被置于具有实数块对角化相似度变换的纯实数块对角形式中。块对角化矩阵SAS-1具有以下形式：
这里，n是复共轭极点的数量，其中N＝2n；包括纯阻尼极点并且将纯对角特征值引入规范形式(对于一些应用，使用仅具有复共轭对极点的系统矩阵A)。因为任何状态空间系统都可以通过对x(t)、B以及C进行相似度变换而转换成具有块对角A的系统，在下面假设A是块对角。
下面描述的是拉普拉斯域中的状态空间系统。块对角形式提供以下内容：
其中，上标(overhat)表示拉普拉斯域的量。应注意到，总和中分子的项B和C的组合针对每个j仅贡献两个独立量。对于每个块对角子空间，或等效地，对于每个振荡器，对响应的贡献有四个独立自由度(B和C两者中的每个都有两个分量)和两个约束。这允许系统将所有分量B固定为1，从而只需修改C即可控制传递函数。
对于去噪应用，可以利用状态系统对输入信号u(t)的延迟副本的响应来重建去噪信号。在前一段落的分析之后，输入信号u(t)上的所有延迟都可以转换成状态空间矢量x(t)上的延迟。随着输入信号上的延迟Nd，在基本延迟τ的情况下，拉普拉斯域响应为
另一方面，在状态空间矢量上具有延迟Nd的系统具有拉普拉斯域响应如下：
通过以下标识可以使状态空间延迟响应与输入信号延迟响应完全相同：下面，假设系统中的所有延迟为状态空间矢量x(t)。
在诸如FPGA的低功率硬件上实现状态空间系统可能不仅需要对关联系统方程进行离散化，而且需要为状态空间矢量进行适当归一化。考虑块对角化线性状态空间系统的单个2×2子块。可以以分析方式计算对2x2子块中的时间谐波输入信号的响应，其中，针对具有角频率ω的输入信号的渐近响应由给出。根据上面的论证，此形式假设针对该子块的B项已设定成1。最大响应值可以通过相对于ω区分该表达式，并求解给出零导数的输入信号频率来确定。假设阻尼很小，即，λr很小，直至最大响应处于谐振频率ω＝λi的最低阶。因此，可以适当地将每个状态空间分量归一化，使得其响应永远不会超过给定值。
(4.3)利用储备池状态延迟嵌入的动态储备池
本节描述如何通过应用相位延迟嵌入来制成“动态储备池”。相位延迟嵌入是动态系统理论中开发的一种技术，用于利用其观察u0(t)的延迟版本作为新的输入矢量u(t)来根据该观察建模混乱系统的动态。假设嵌入在N维状态空间中的未知(潜在混乱的)动态系统具有m维吸引子。这意味着虽然状态空间具有N个参数，但来自动态系统的信号形成全部位于该状态空间的m维子流形M上的轨迹，并且理论上(但实际上不是)可以用少至m个参数来指定。所述观察(接收信号)是状态空间的投影。相位延迟嵌入根据连接在一起的观察信号u0(t)的n个延迟版本生成新的输入矢量u(t)。根据Taken的工作(参见参考文献No.7)，对子流形M的曲率和投影h[·]的非简并性质给出了相当广泛的假设，如果延迟坐标维数的数量n＞2m+1，那么相位延迟嵌入u(t)保留动态系统的拓扑结构(即，形状)，并因此可以被用于根据观察重建动态系统。最近的工作(参见参考文献No.10)表明延迟坐标维数可以增加更多(但仍然不是环境数N的函数)，以便能够保留动态系统的拓扑和几何形状两者，而不需要完全获知该动态系统或观察函数。
如在图6中看到，对于一些实施方式，通过将延迟嵌入600应用于每个储备池状态以提供储备池动态的时间历史602来构造动态储备池400。当与所设计储备池状态相结合时，延迟嵌入状态使得能够单独预测和去噪每个状态，其可以被用于生成输入信号的去噪频谱图。
在图6中，时间历史602左侧的所有内容都是下面的微分方程的图解实例：三角形604指示乘以标量、矢量或矩阵常数。加号606指示两个或更多信号的总和，而积分符号608指示运行积分(running integral)。输入信号u0(t)通过矢量B映射到储备池中，并且通过组合Bu0(t)与根据状态转换矩阵A.缩放的当前储备池状态x(t)，来确定储备池状态的变化积分608指示该储备池指示储备池状态是由储备池状态变化的运行积分获得的。
(4.4)利用储备池状态的自适应信号预测
本节描述自适应信号预测模块，其使用动态储备池状态以便执行信号去噪。假定1)延迟嵌入式观察可以有效地模拟动态系统行为，2)具有延迟嵌入状态的储备池可以被设计成具有与具有延迟嵌入输入的储备池相同的行为，本文所述系统利用这些储备池状态变量的时间历史来执行观察的短期预测。该系统使用动态储备池计算机来学习预测函数F：
为了进一步理解，图7描绘了自适应信号预测模块306的连续时间架构。该模型示出了动态储备池400，其具有固定连接和附接至其的自适应输出层。宽带ADC前端为动态储备池400提供输入，其输出层权重基于短时预测进行自适应，以对输入信号进行去噪。经由下面描述的梯度学习算法自适应输出层的权重。梯度下降学习算法基于输入信号的短时预测。由于噪音是随机和不可预测的，因此，所预测的信号将没有噪声。
图6中的动态储备池400满足以下一组耦合常微分方程(ODE)：
其中，
为了对输入信号执行短时预测，该系统使用在线梯度下降算法。该构思是强制准确或以其它方式更好地预测在延迟嵌入中使用的当前时间点。在时间(t+τ)的预测输入值是根据输出权重的当前值(c k(t)，d(t))以及状态(x)的当前值和过去值以及输入(u)计算的。要最小化的二次误差函数由下式给出：
其中，λc和λd是加权输出权重和d两者的重要性的参数，并且
注意，是由x和u两者的延迟值化与输出权重和d两者的当前值表达的延迟输出，由此一般来说，然而，这种近似是合理的，并且允许该系统不需要存储输出权重的时间历史，从而便于更高效的硬件实现。
为了最小化二次误差E[c 1，...，c K+1，d]，E[c 1，...，c K+1，d]的梯度相对于和d来计算。基于这些梯度，针对和d(t)的权重更新满足以下常微分方程(ODE)：
其中，gc＝2λd和gd＝2λd是关于和d的“遗忘”率，μc和μd是关于和d的学习率，并且是误差信号。
针对动态储备池和权重自适应系统两者的ODE可以直接在模拟硬件中实现。为了在软件或高效数字硬件(例如，现场可编程门阵列(FPGA)或定制数字专用集成电路(ASIC))中实现上述ODE，更新方程必须离散化。为了在软件或数字硬件中实现该处理，将ODE转换成延迟差分方程(DDE)。对于具有状态空间表示的线性动态系统：
y(t)＝C(t)T x(t)+D(t)u(t).
给定离散时间步长大小τ，则获得等效DDE，其描述完全相同的滤波器动态：
y(t)＝C(t)T x(t)+D(t)u(t).
这表明当前储备池状态x(t)是前一时间步的储备池状态x(t-τ)和间隔[t-τ，t]内的输入信号u(t)的函数。由于整个连续间隔在软件或数字硬件中不可用，因此在数字CSP中，u(t)利用线性基函数在该间隔内近似。给定采样时段Δt，针对u(t)，可以按如下方式收集一组样本：其中，在由τ定义的时间窗内的采样间隔的数量中，(参见图11A)。如在图11B中看出，输入信号根据样本近似为其中，Ni(t)＝T(t-(i-t)Δt)是三角函数T(t)：的移位版本
基于线性基近似，针对储备池状态x(t)的DDE变为：
在没有普遍性损耗的情况下，t＝τ.如果两个辅助矩阵和被定义如下：
那么x(τ)可以被计算为：
基于此，可以针对状态(x)、输出(y)以及权重导出迭代更新，这在下面的算法1中进行总结。
注意，图7中的示例架构使得用户能够选择由局部和/或全局学习规则所管理的不同学习方法。通过选择将两个信号中的哪个信号输入到计算误差信号ε1(t)，...，εN(t)的求和点700和求702中来设定局部/全局学习规则。在没有普遍性损耗的情况下，检查对应于第一误差信号ε1(t)＝s1(t)-fb1(t)的求和点700。在学习方法#1(全局学习)中，求和点700的左侧和右侧的开关都向上翻转，使得s1(t)＝u0(t-τDIS)和fb1(t)＝y(t-τDOS)，因此ε1(t)＝u0(t-τDIS)-y(t-τDOS)是延迟输入信号与全局输出信号之间的误差。在全局学习模式中，每个状态元素根据相同的全局误差函数自适应。在学习方法#2(局部学习并且如图所示)中，求和点700的左侧和右侧的开关都向下翻转，使得s1(t)＝x1(t)和并因此 是所预测的状态元素与实际状态元素的延迟版本之间的误差。这种相同的行为适用于与误差信号ε2(t)，...，εN(t)相对应的求和点702。由于只有两种学习模式，因此图7中的所有开关都向上翻转或向下翻转。
在根据噪声输入状态变量及其去噪版本生成状态更新误差信号时的情况下，学习是局部的并且其不包括来自输出信号的任何信息。在这种情况下，只有将去噪状态组合到输出中的最后一个输出层使用全局误差，即，输入与输出之间的差异。为了用于该系统，使用该局部学习规则以确保由BSS子系统用于开发自适应FIR滤波器的各个储备池状态被充分去噪。
在图7中，输入信号u0(t)被馈送到动态储备池400中，从而产生N维储备池状态矢量x(t)。储备池状态矢量x1(t)，...，xN(t)中的各个元素皆单独地馈送到它们自己的自适应信号预测模块中。在没有普遍性损耗的情况下，储备池状态矢量中的第一元素x1(t)通过长度K延迟嵌入发送，以生成延迟嵌入矢量(x1(t)，x1(t-τ1)，...，x1(t-Kτ1))。利用自适应线性混合权重C11，...，C1K+1组合延迟嵌入矢量x1(t)，并按τsK进行延迟以获得辅助状态利用基于上述学习模式的误差信号ε1(t)经由梯度下降来自适应线性混合权重C11，...，C1K+1。类似地针对储备池状态元素x2(t)，..，xN(t)中的每一个进行该处理，以产生辅助状态元素利用自适应线性混合权重C01，...，C0N组合该组辅助状态并按τSK进行延迟，以获得最终输出信号y(t)。线性混合权重C01，...，C0N利用误差信号ε0(t)＝u0(t-τDIO)-y(t-τDOO)经由梯度下降来自适应。在上面，延迟参数τ1，...，τN，τDIS，τDSS，τDIO，τDOS，τDoo全部可以由用户基于被用于实例化本发明的计算硬件的定时要求来调节。
(4.5)利用储备池状态的盲源分离
在图8中示出了用于从信号混合物分离每个脉冲并进行跟踪的盲源分离(BSS)滤波器310的架构。针对该模块的输入是一组去噪储备池状态信号308。这些信号被馈送到储备池FIR滤波器块800中，其通过将特定的一组线性混合权重应用于储备池状态信号，来实现具有固定带宽和可调中心频率的FIR滤波器。下面，在章节(4.5.1)中，详细说明构造线性混合权重的方法，该方法在被应用于储备池状态时，实现具有给定带宽和中心频率的FIR滤波器。
BSS滤波器(在FIR滤波器块800中)通过最大化每个滤波器输出信号的功率来提取独特源信号。每个BSS滤波器的状态由滤波器控制器块802控制，其测量每个储备池状态下的功率，以确定哪些BSS滤波器主动跟踪信号，以及输入信号内的哪些频带包含BSS滤波器要跟踪的脉冲。频率更新块804接受滤波器输出信号806作为输入，并使用该信息来更新滤波器中心频率。利用完成反馈回路该新的中心频率来更新滤波器的中心频率(在FIR滤波器块800中)。随着系统的运行，提取源信号，并接着从分离出的源信号中提取诸如脉冲描述字(PDW：Pulse Descriptor Word)的特征。下面进一步详细描述BSS滤波器310的组件。
(4.5.1)基于储备池状态的FIR滤波器
BSS滤波器模块310的第一级是FIR滤波器块800，其包括一组自适应FIR滤波器。这些FIR滤波器被实现为应用于储备池状态信号的线性混合权重(例如，自适应滤波)以实现期望的滤波器响应。块800中的每个滤波器接收一组去噪储备池状态信号作为输入。
每个滤波器的中心频率都是自适应的，同时其带宽是固定的。在混合信号通过滤波器时，每一个滤波器都以这样的方式自适应，即，其中心频率收敛于独特的源信号的频率。源信号的频率可以是时间的函数。该系统仅要求在任何短时间间隔内以单一频率很好地表征源信号。
功率函数是该模块的反馈成分，并且负责引导滤波器中心频率的自适应。从概念上讲，每个滤波器可以被视为具有其自己的功率函数，其中，所有单独的功率函数都具有相同的形式。该功率被计算为其中，x是输入信号，h(fi)是具有固定带宽和中心频率fi的FIR滤波器。该目标是使功率最大化，这倾向于将滤波器的中心频率朝着源信号频率之一驱动。针对该目标的自适应发生在在快速时间尺度上，以便覆盖非常宽的带宽。功率函数的输出是功率信号。使用该功率信号以自适应滤波器中心频率并确定滤波器状态。该功率信号被定义为滤波器输出的归一化功率。该归一化功率由给出，其中M是平均使用的样本数，x(t)是针对滤波器的输入，并且var(x(t))是针对相同M个样本计算的输入的方差。
下面描述的是用于基于更新的中心频率来确定滤波器的极点和零点结构的过程。滤波器由以下状态空间系统方程描述：
y(t)＝Cx(t)+Du(t)
滤波器的极点由储备池状态转换矩阵A的特征值给出，而滤波器的零点可以利用其它状态空间系统系数B、C及D来改变。对于无源滤波器，矩阵A具有处于左半平面中的特征值，并且是纯实数的(和负数)，或者参与复共轭对。该观察允许滤波器结构被块对角化，使得将系统视为N个独立滤波器，每个都具有由A的复共轭对中的虚部描述的频率。当A的特征值都具有对应于低损耗系统的小的实部时，特征值的虚部确定滤波器的谐振频率。为了实现信道化响应，希望基于输入信号的预期带宽来选择A的极点。然而，因为储备池状态转换矩阵是固定的，所以必须利用C混合权重矩阵来自适应滤波器参数。
利用如上所述地选择的A的特征值(极点)，然后本发明使用数值最小化过程来确定产生传递函数的C的系数，该传递函数尽可能接近具有给定纹波特性的所需传递函数。因为滤波器系数C在该在线学习过程中经历进一步修改，所以只需要确定初始C系数，使能在反馈方案中实现快速收敛。在图9中示出针对具有周期性纹波的信道化传递函数的优化过程的示例输出。
图9是描绘针对自适应滤波器的初始状态的示例最佳传递函数的图形。选择极点以在针对增益902标绘的、1.05至2.0的频率900之间给出20个信道。期望增益904在1至0.707之间变化。通过针对C系数906的数值最小化过程来确定最佳滤波器。
(4.5.2)滤波器控制器
滤波器状态控制器802负责确定每个滤波器的当前状态(在FIR滤波器块800中)。滤波器存在于以下三种可能状态中的一个状态：不活动、跟踪及保持。当滤波器当前没有要提取的源信号时，其处于非活动状态。当滤波器主动提取源信号时，其处于跟踪状态。当滤波器处于提取源信号但丢失该信号的过程中时，其处于保持状态。准许以下状态转换：不活动→不活动、搜索→跟踪、跟踪→跟踪、跟踪→保持、保持→保持、保持→跟踪、保持→不活跃。
图10是由滤波器状态控制器实现的算法的图。滤波器控制器使用从储备池状态信号导出的功率信号来更新滤波器状态。功率、状态、signalCount以及holdingCount是滤波器特定变量。noiseThreshold、minSignalCount以及maxHoldCount是固定数值参数，其对于每个滤波器都是相同的并且由用户设定。滤波器可以处于以下三种可能状态中的一个状态中：不活动、跟踪以及保持。变量holdingCount和signalCount是每个滤波器特定的。
首先，通过将功率阈值化为储备池状态信号的归一化功率来确定1000相对于给定滤波器的信号的存在或不存在。在存在信号的情况下，该量度的值将上升超过预定义阈值。该阈值(noiseThreshold)是通过观察纯噪声下的值来确定的。如果功率信号高于该阈值，则意味着滤波器正在检测特定频带中的源信号。
接下来，对signalCount进行评估1002。signalCount变量是储备池状态功率信号已高于该阈值的连续时间步数。如果signalCount大于参数minSignalCount，则将滤波器的状态设定成跟踪1004，这是因为正在观察实际信号，而不只是噪音。否则为1006，如果滤波器的状态为保持并且变量holdingCount大于参数maxHoldCount，则将滤波器的状态设定回不活动1008。如果这是假的，则滤波器的状态没有变化1010。变量holdingCount是滤波器已经处于保持状态的连续时间步数。它被用于限制滤波器在该状态下可以花费的时间量。
如果功率信号降低到noiseThreshold之下并且滤波器处于跟踪状态1012，则其转换成保持状态1014。另一方面，在1016，如果其已经处于保持状态并且holdingCount大于maxHoldCount，则滤波器转换回不活动状态1016。否则，滤波器的状态没有变化1018。
(4.5.3)频率更新块
滤波器中心频率适配器负责利用滤波器输出功率信号更新滤波器在频域中的位置。除了使滤波器自适应以外，其确保滤波器能够在至少单个脉冲的持续时间内跟踪源信号。这样，从混合信号中提取出的脉冲不会在不同的滤波器输出之间分割。
如上提到，每个滤波器都存在三种状态中的一个状态中(即，不活动、跟踪以及保持)。在不活动状态，滤波器不跟踪任何特定信号。一旦滤波器控制器检测到特定频带包含足够的功率以指示存在脉冲，滤波器进入以中心频率初始化的跟踪状态，该中心频率等于比noiseThreshold高的储备池状态的谐振频率，并且设置滤波器保护区。如果在跟踪状态期间滤波器丢失了其正在跟踪的信号，则其将进入保持状态。在保持状态下，滤波器保持其当前中心频率达固定时段maxHoldCount，并且滤波器保护区仍保持原位。这种固定时段的非限制例是在如美国非临时申请No.15/452,155中描述的相关发明的实施方式中，其中maxHoldCount被设定成450个滤波器输出，对应于采样率为180GHz的输入信号的4500个时间步。如果在该时段期间信号恢复，则滤波器切换回跟踪状态。另一方面，如果在时间maxHoldCount之后没有信号恢复，则滤波器切换成不活动状态，并去除其保护区。
可以利用梯度下降算法和动量法的组合来更新滤波器的中心频率。梯度下降算法的非限制例是弹性传播(RProp)(参见参考文献No.4)。RProp仅使用梯度的符号信息而不是其量值，使其有利于有限精度的硬件实现。RProp更新由下式给出
ft+1＝ft-dt·Δft，
其中，dt＝sgn(p(x，ft+ε)-p(x，ft))是滤波器输出功率的导数的符号，并且Δft是频率增量。Δft是通过输出功率导数的符号变化顺序确定：
其中，μ+，μ-，Δfmax及Δfmin是用户定义的参数，所述参数确定RPROP更新的动态。动量法通过将线性函数拟合至一些数量的过去中心频率，然后将该线性模型外推至下一时间步来更新中心频率。
如果滤波器状态为跟踪并且变量trackholdCount大于用户指定参数fitLimit，则使用梯度下降法和动量法两者来确定下一中心频率。如果滤波器状态为保持，则仅使用梯度下降法。变量trackholdCount是滤波器处于跟踪或者保持状态的连续时间步数。条件trackholdCount＞fitLimit仅允许已经跟踪源信号很久的那些滤波器使用动量法。如果由梯度下降法生成的建议的下一中心频率是fg，并且动量法所建议的下一中心频率是fm，则下一中心频率由fnew＝c1*fg+c2*fm给出，其中，c1和c是正常数，使得c1+c2＝1。如果c1>c2，则更强调滤波器当前看到的混合信号部分，而如果c2>c1，则过去的中心频率的线性趋势在确定新频率时起着更强的作用。通常情况下，c1＝c2＝0.5。如果滤波器状态为holding并且trackholdCount>fitLimit，则已经执行了足够的信号跟踪以利用动量法来更新中心频率，但是当前没有跟踪信号，因此不使用梯度下降法。否则，滤波器中心频率没有变化。
(4.6)控制/源选择器模块
如图3所示，认知信号处理器的第四模块是控制/源选择器312。控制/源选择器312防止超过一个滤波器同时提取任何给定源信号。其实施处于跟踪或保持状态的每个滤波器的保护区。保护区是频域中以滤波器中心频率为中心的间隔。对于一些实施方式，滤波器的中心频率不被准许存在于另一滤波器的保护区内。控制解决滤波器尝试在另一滤波器的保护区内移动时出现的冲突的一般策略没有加以规定，因为这样的策略取决于中心频率自适应算法的细节。例如，如在美国非临时申请No.15/452,155中描述的相关发明的实施方式中，对于输入信号采样率为180Ghz来说，由梯度下降法建议的新中心频率可以是其它滤波器的任何旧中心频率的最接近频率为5GHz。如果存在冲突，则允许具有前一时刻的中心频率的滤波器维持该中心频率，并且被建议了新中心频率的滤波器必须仍保持其当前中心频率。
最后，虽然本发明已经根据几个实施方式进行了描述，但本领域普通技术人员应当容易地认识到本发明在其它环境中可以具有其它应用。应注意到，许多实施方式和实现都是可以的。而且，下面的权利要求书绝不是旨在将本发明的范围限制成上述具体实施方式。另外，“用于…的装置(means)”的任何陈述都旨在唤起对一部件和一权利要求的装置加功能的解读，而不具体使用陈述“用于…的装置(means)”的任何部件不是旨在被解读为装置加功能组件，即使权利要求以其它方式包括了单词“装置(means)”。而且，虽然已经按特定次序陈述了特定的方法步骤，但该方法步骤可以按任何希望次序发生并且落入本发明的范围内。

Claims (30)

1.一种认知信号处理器，该认知信号处理器用于信号去噪和盲源分离，该认知信号处理器包括：
一个或更多个处理器，所述一个或更多个处理器被配置成执行以下操作：
接收包括多个源信号的混合信号；
通过将所述混合信号映射至动态储备池以执行信号去噪，来生成去噪储备池状态信号；以及
通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离源信号。
2.根据权利要求1所述的认知信号处理器，其中，对所述去噪储备池状态信号进行滤波的操作是利用一组滤波器执行的。
3.根据权利要求2所述的认知信号处理器，所述认知信号处理器还包括以下操作：控制所述一组滤波器，以使所述一组滤波器内的各个滤波器对独特波形进行滤波。
4.根据权利要求3所述的认知信号处理器，其中，各个滤波器具有可调中心频率。
5.根据权利要求1所述的认知信号处理器，其中，对所述去噪储备池状态信号进行自适应滤波的操作还包括以下操作：
检测特定频带具有脉冲；
将第一滤波器切换成具有如下中心频率的跟踪状态：该中心频率等于与所述特定频带相对应的储备池状态谐振频率；以及
将所述第一滤波器的中心频率设定为保护区，以防止一组滤波器中的其它滤波器共用该中心频率。
6.根据权利要求5所述的认知信号处理器，其中，对所述去噪储备池状态信号进行自适应滤波的操作还包括以下操作：
如果所述第一滤波器失去所述特定频带的所述脉冲，则将所述第一滤波器切换成保持状态；
将所述第一滤波器维持在所述保持状态达固定时段，同时维持所述保护区；
如果所述脉冲在所述固定时段内恢复，则将所述第一滤波器切换成所述跟踪状态，否则将所述第一滤波器切换成不活动状态并且移除所述保护区。
7.根据权利要求1所述的认知信号处理器，其中，生成所述去噪储备池状态信号的操作还包括对所述储备池状态信号进行延迟嵌入，以生成储备池状态历史。
8.根据权利要求1所述的认知信号处理器，其中，生成所述去噪储备池状态信号的操作还包括在所述混合信号的一个小时间步长之前生成预测输入信号，所述预测输入信号与所述混合信号之间的误差用于更新所述动态储备池的输出权重。
9.根据权利要求1所述的认知信号处理器，其中，生成所述去噪储备池状态信号的操作是利用按模拟硬件实现的动态储备池，通过满足一组常微分方程来执行的。
10.根据权利要求1所述的认知信号处理器，其中，生成所述去噪储备池状态信号的操作是利用按软件或数字硬件实现的动态储备池，通过将一组常微分方程转换成延迟差分方程来执行的。
11.一种计算机程序产品，该计算机程序产品用于信号去噪和盲源分离，该计算机程序产品包括：
编码有可执行指令的非暂时性计算机可读介质，使得当由一个或更多个处理器执行所述指令时，所述一个或更多个处理器执行以下操作：
接收包括多个源信号的混合信号；
通过将所述混合信号映射至动态储备池以执行信号去噪，来生成去噪储备池状态信号；以及
通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离源信号。
12.根据权利要求11所述的计算机程序产品，其中，对所述去噪储备池状态信号进行滤波的操作是利用一组滤波器执行的。
13.根据权利要求12所述的计算机程序产品，所述计算机程序产品还包括以下操作：控制所述一组滤波器，以使所述一组滤波器内的各个滤波器对独特波形进行滤波。
14.根据权利要求13所述的计算机程序产品，其中，各个滤波器具有可调中心频率。
15.根据权利要求11所述的计算机程序产品，其中，对所述去噪储备池状态信号进行自适应滤波的操作还包括以下操作：
检测特定频带具有脉冲；
将第一滤波器切换成具有如下中心频率的跟踪状态：该中心频率等于与所述特定频带相对应的储备池状态谐振频率；以及
将所述第一滤波器的中心频率设定为保护区，以防止一组滤波器中的其它滤波器共用该中心频率。
16.根据权利要求15所述的计算机程序产品，其中，对所述去噪储备池状态信号进行自适应滤波的操作还包括以下操作：
如果所述第一滤波器失去所述特定频带的所述脉冲，则将所述第一滤波器切换成保持状态；
将所述第一滤波器维持在所述保持状态达固定时段，同时维持所述保护区；
如果所述脉冲在所述固定时段内恢复，则将所述第一滤波器切换成所述跟踪状态，否则将所述第一滤波器切换成不活动状态并且移除所述保护区。
17.根据权利要求11所述的计算机程序产品，其中，生成所述去噪储备池状态信号的操作还包括对所述储备池状态信号进行延迟嵌入，以生成储备池状态历史。
18.根据权利要求11所述的计算机程序产品，其中，生成所述去噪储备池状态信号的操作还包括在所述混合信号的一个小时间步长之前生成预测输入信号，所述预测输入信号与所述混合信号之间的误差被用于更新所述动态储备池的输出权重。
19.根据权利要求11所述的计算机程序产品，其中，生成所述去噪储备池状态信号的操作是利用按模拟硬件实现的动态储备池，通过满足一组常微分方程来执行的。
20.根据权利要求11所述的计算机程序产品，其中，生成所述去噪储备池状态信号的操作是利用按软件或数字硬件实现的动态储备池，通过将一组常微分方程转换成延迟差分方程来执行的。
21.一种进行信号去噪和盲源分离的计算机实现方法处理器，该方法包括以下动作：
使一个或更多个处理器执行编码在非暂时性计算机可读介质上的指令，使得在执行所述指令时，所述一个或更多个处理器执行以下操作：
接收包括多个源信号的混合信号；
通过将所述混合信号映射至动态储备池以执行信号去噪，来生成去噪储备池状态信号；以及
通过对所述去噪储备池状态信号进行自适应滤波，识别至少一个分离源信号。
22.根据权利要求21所述的计算机实现方法，其中，对所述去噪储备池状态信号进行滤波的操作是利用一组滤波器执行的。
23.根据权利要求22所述的计算机实现方法，所述计算机实现方法还包括以下操作：控制所述一组滤波器，以使所述一组滤波器内的各个滤波器对独特波形进行滤波。
24.根据权利要求23所述的计算机实现方法，其中，各个滤波器具有可调的中心频率。
25.根据权利要求21所述的计算机实现方法，其中，对所述去噪储备池状态信号自适应滤波的操作还包括以下操作：
检测特定频带具有脉冲；
将第一滤波器切换成具有如下中心频率的跟踪状态：该中心频率等于与所述特定频带相对应的储备池状态谐振频率；以及
将所述第一滤波器的中心频率设定为保护区，以防止一组滤波器中的其它滤波器共用该中心频率。
26.根据权利要求25所述的计算机实现方法，其中，对所述去噪储备池状态信号进行自适应滤波的操作还包括以下操作：
如果所述第一滤波器失去所述特定频带的所述脉冲，则将所述第一滤波器切换成保持状态；
将所述第一滤波器维持在所述保持状态达固定时段，同时维持所述保护区；
如果所述脉冲在所述固定时段内恢复，则将所述第一滤波器切换成所述跟踪状态，否则将所述第一滤波器切换成不活动状态并且移除所述保护区。
27.根据权利要求21所述的计算机实现方法，其中，生成所述去噪储备池状态信号的操作还包括对所述储备池状态信号进行延迟嵌入以生成储备池状态历史。
28.根据权利要求21所述的计算机实现方法，其中，生成所述去噪储备池状态信号的操作还包括在所述混合信号的一个小时间步长之前生成预测输入信号，所述预测输入信号与所述混合信号之间的误差用于更新所述动态储备池的输出权重。
29.根据权利要求21所述的计算机实现方法，其中，生成所述去噪储备池状态信号的操作是利用按模拟硬件实现的动态储备池，通过满足一组常微分方程来执行的。
30.根据权利要求21所述的计算机实现方法，其中，生成所述去噪储备池状态信号是利用按软件或数字硬件实现的动态储备池，通过将一组常微分方程转换成延迟差分方程来执行的。
CN201780078246.2A 2017-01-18 2017-11-20 用于去噪和盲源分离的认知信号处理器、方法与介质 Active CN110088635B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201762447883P 2017-01-18 2017-01-18
US62/447,883 2017-01-18
US15/452,155 2017-03-07
US15/452,412 US10153806B1 (en) 2015-03-19 2017-03-07 Cognitive architecture for wideband, low-power, real-time signal denoising
US15/452,155 US10484043B1 (en) 2015-03-19 2017-03-07 Adaptive blind source separator for ultra-wide bandwidth signal tracking
US15/452,412 2017-03-07
PCT/US2017/062561 WO2018136144A1 (en) 2017-01-18 2017-11-20 Cognitive signal processor for simultaneous denoising and blind source separation

Publications (2)

Publication Number Publication Date
CN110088635A true CN110088635A (zh) 2019-08-02
CN110088635B CN110088635B (zh) 2022-09-20

Family

ID=62909270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780078246.2A Active CN110088635B (zh) 2017-01-18 2017-11-20 用于去噪和盲源分离的认知信号处理器、方法与介质

Country Status (3)

Country Link
EP (1) EP3571514A4 (zh)
CN (1) CN110088635B (zh)
WO (1) WO2018136144A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11863221B1 (en) * 2020-07-14 2024-01-02 Hrl Laboratories, Llc Low size, weight and power (swap) efficient hardware implementation of a wide instantaneous bandwidth neuromorphic adaptive core (NeurACore)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10783430B2 (en) 2016-09-26 2020-09-22 The Boeing Company Signal removal to examine a spectrum of another signal
US10921422B2 (en) * 2017-10-25 2021-02-16 The Boeing Company Below-noise after transmit (BAT) Chirp Radar
US11002819B2 (en) 2018-04-24 2021-05-11 The Boeing Company Angular resolution of targets using separate radar receivers
CN109061597B (zh) * 2018-08-23 2022-04-15 哈尔滨工业大学 基于盲源分离与时频脊波域滤波的电离层杂波抑制方法
FR3093817B1 (fr) * 2019-03-13 2021-04-23 Thales Sa Systeme de traitement radar et procede de debruitage associe
CN112329855B (zh) * 2020-11-05 2023-06-02 华侨大学 基于自适应字典的欠定工作模态参数识别方法及检测方法
CN112435685B (zh) * 2020-11-24 2024-04-12 深圳市友杰智新科技有限公司 强混响环境的盲源分离方法、装置、语音设备和存储介质
CN113671471B (zh) * 2021-08-18 2024-04-30 中国科学院声学研究所北海研究站 一种水声目标检测盲源分离方法
CN113835068B (zh) * 2021-09-22 2023-06-20 南京信息工程大学 一种基于独立成分分析的盲源分离实时抗主瓣干扰方法
US20230308192A1 (en) * 2022-03-07 2023-09-28 The Boeing Company Very low frequency signals for underwater communications

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6167417A (en) * 1998-04-08 2000-12-26 Sarnoff Corporation Convolutive blind source separation using a multiple decorrelation method
US20010033248A1 (en) * 2000-02-29 2001-10-25 Yuri Owechko Cooperative mobile antenna system
US6421372B1 (en) * 1999-11-10 2002-07-16 Itt Manufacturing Enterprises, Inc. Sequential-acquisition, multi-band, multi-channel, matched filter
WO2002059772A2 (en) * 2000-11-09 2002-08-01 Hrl Laboratories, Llc Blind decomposition using fourier and wavelet transforms
US20040158821A1 (en) * 2002-12-18 2004-08-12 Scott Rickard System and method for non-square blind source separation under coherent noise by beamforming and time-frequency masking
US20050047611A1 (en) * 2003-08-27 2005-03-03 Xiadong Mao Audio input system
US6898612B1 (en) * 1998-11-12 2005-05-24 Sarnoff Corporation Method and system for on-line blind source separation
CN1705228A (zh) * 2004-06-01 2005-12-07 松下电器产业株式会社 信号处理器
CN1748250A (zh) * 2002-12-11 2006-03-15 索夫塔马克斯公司 在稳定性约束下使用独立分量分析的语音处理系统和方法
US20060069531A1 (en) * 2004-09-23 2006-03-30 Interdigital Technology Corporation Blind signal separation using polarized antenna elements
BRPI0516289A (pt) * 2004-09-23 2008-09-02 Interdigital Tech Corp separação de sinais estatisticamente independentes com o uso de uma combinação entre elementos correlatos e elementos não correlatos de antenas
US20090264786A1 (en) * 2008-04-21 2009-10-22 Brainscope Company, Inc. System and Method For Signal Denoising Using Independent Component Analysis and Fractal Dimension Estimation
CN101828335A (zh) * 2007-10-18 2010-09-08 摩托罗拉公司 稳健双麦克风噪声抑制系统
CN101949977A (zh) * 2010-06-02 2011-01-19 华南理工大学 基于盲源分离的铁路移频信号抗干扰装置及方法
CN102866425A (zh) * 2012-09-17 2013-01-09 中国石油大学(华东) 一种基于盲源地震信号平稳叠加模型的盲分离方法
US8364483B2 (en) * 2008-12-22 2013-01-29 Electronics And Telecommunications Research Institute Method for separating source signals and apparatus thereof
CN103051401A (zh) * 2012-12-28 2013-04-17 公安部第三研究所 基于小波的认知无线电频谱感知方法
CN103368264A (zh) * 2013-07-22 2013-10-23 国家电网公司 一种变电站继电保护室安全运检平台
US20140005988A1 (en) * 2009-11-03 2014-01-02 Marina Brockway Physiological signal denoising
US20140226838A1 (en) * 2013-02-13 2014-08-14 Analog Devices, Inc. Signal source separation
CN104473631A (zh) * 2014-12-12 2015-04-01 广东工业大学 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统
US9042496B1 (en) * 2013-02-19 2015-05-26 The United States Of America, As Represented By The Secretary Of The Army Signal modulation scheme determination through an at least fourth-order noise-insensitive cumulant
CN105022316A (zh) * 2014-05-01 2015-11-04 Gn瑞声达A/S 用于数字音频信号的多频带信号处理器
CN105628419A (zh) * 2015-12-18 2016-06-01 国网安徽省电力公司 基于独立分量分析去噪的gis机械缺陷诊断系统及方法
WO2016125059A1 (en) * 2015-02-05 2016-08-11 Dh Technologies Development Pte. Ltd. Interference detection and peak of interest deconvolution
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
CN106199342A (zh) * 2016-09-20 2016-12-07 西安科技大学 一种配电网单相接地故障选线方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6167417A (en) * 1998-04-08 2000-12-26 Sarnoff Corporation Convolutive blind source separation using a multiple decorrelation method
US6898612B1 (en) * 1998-11-12 2005-05-24 Sarnoff Corporation Method and system for on-line blind source separation
US6421372B1 (en) * 1999-11-10 2002-07-16 Itt Manufacturing Enterprises, Inc. Sequential-acquisition, multi-band, multi-channel, matched filter
US20010033248A1 (en) * 2000-02-29 2001-10-25 Yuri Owechko Cooperative mobile antenna system
WO2002059772A2 (en) * 2000-11-09 2002-08-01 Hrl Laboratories, Llc Blind decomposition using fourier and wavelet transforms
CN1748250A (zh) * 2002-12-11 2006-03-15 索夫塔马克斯公司 在稳定性约束下使用独立分量分析的语音处理系统和方法
US20040158821A1 (en) * 2002-12-18 2004-08-12 Scott Rickard System and method for non-square blind source separation under coherent noise by beamforming and time-frequency masking
US20050047611A1 (en) * 2003-08-27 2005-03-03 Xiadong Mao Audio input system
CN1705228A (zh) * 2004-06-01 2005-12-07 松下电器产业株式会社 信号处理器
US20060069531A1 (en) * 2004-09-23 2006-03-30 Interdigital Technology Corporation Blind signal separation using polarized antenna elements
BRPI0516289A (pt) * 2004-09-23 2008-09-02 Interdigital Tech Corp separação de sinais estatisticamente independentes com o uso de uma combinação entre elementos correlatos e elementos não correlatos de antenas
CN101828335A (zh) * 2007-10-18 2010-09-08 摩托罗拉公司 稳健双麦克风噪声抑制系统
US20090264786A1 (en) * 2008-04-21 2009-10-22 Brainscope Company, Inc. System and Method For Signal Denoising Using Independent Component Analysis and Fractal Dimension Estimation
US8364483B2 (en) * 2008-12-22 2013-01-29 Electronics And Telecommunications Research Institute Method for separating source signals and apparatus thereof
US20140005988A1 (en) * 2009-11-03 2014-01-02 Marina Brockway Physiological signal denoising
CN101949977A (zh) * 2010-06-02 2011-01-19 华南理工大学 基于盲源分离的铁路移频信号抗干扰装置及方法
CN102866425A (zh) * 2012-09-17 2013-01-09 中国石油大学(华东) 一种基于盲源地震信号平稳叠加模型的盲分离方法
CN103051401A (zh) * 2012-12-28 2013-04-17 公安部第三研究所 基于小波的认知无线电频谱感知方法
US20140226838A1 (en) * 2013-02-13 2014-08-14 Analog Devices, Inc. Signal source separation
US9042496B1 (en) * 2013-02-19 2015-05-26 The United States Of America, As Represented By The Secretary Of The Army Signal modulation scheme determination through an at least fourth-order noise-insensitive cumulant
CN103368264A (zh) * 2013-07-22 2013-10-23 国家电网公司 一种变电站继电保护室安全运检平台
CN105022316A (zh) * 2014-05-01 2015-11-04 Gn瑞声达A/S 用于数字音频信号的多频带信号处理器
CN104473631A (zh) * 2014-12-12 2015-04-01 广东工业大学 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统
WO2016125059A1 (en) * 2015-02-05 2016-08-11 Dh Technologies Development Pte. Ltd. Interference detection and peak of interest deconvolution
CN105628419A (zh) * 2015-12-18 2016-06-01 国网安徽省电力公司 基于独立分量分析去噪的gis机械缺陷诊断系统及方法
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
CN106199342A (zh) * 2016-09-20 2016-12-07 西安科技大学 一种配电网单相接地故障选线方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALI DEIHIMI 等: "Application of echo state network for harmonic detection in distribution networks", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》 *
ANDRIUS PETRENAS等: "Reservoir Computing for Extraction of Low Amplitude Atrial Activity in Atrial Fibrillation", 《COMPUTING IN CARDIOLOGY(CINC)》 *
XIN LIU 等: "Blind Source Separation Algorithm Based on Wavelet Denoising", 《2010 FIRST INTERNATIONAL CONFERENCE ON PERVASIVE COMPUTING, SIGNAL PROCESSING AND APPLICATIONS》 *
张朝柱等: "基于curvelet变换和独立分量分析的含噪盲源分离", 《计算机应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11863221B1 (en) * 2020-07-14 2024-01-02 Hrl Laboratories, Llc Low size, weight and power (swap) efficient hardware implementation of a wide instantaneous bandwidth neuromorphic adaptive core (NeurACore)

Also Published As

Publication number Publication date
CN110088635B (zh) 2022-09-20
EP3571514A4 (en) 2020-11-04
EP3571514A1 (en) 2019-11-27
WO2018136144A1 (en) 2018-07-26

Similar Documents

Publication Publication Date Title
CN110088635A (zh) 用于同时去噪和盲源分离的认知信号处理器
Ding et al. Multimodal safety-critical scenarios generation for decision-making algorithms evaluation
US10128820B2 (en) Cognitive signal processor for simultaneous denoising and blind source separation
Ubeda-Medina et al. Adaptive auxiliary particle filter for track-before-detect with multiple targets
US9749007B1 (en) Cognitive blind source separator
US20160132768A1 (en) Systems and methods for training multipath filtering systems
Boccato et al. Application of natural computing algorithms to maximum likelihood estimation of direction of arrival
US10404299B1 (en) System for parallelized cognitive signal denoising
Ye et al. Comparison of unintentional frequency and phase modulation features for specific emitter identification
Pokorny et al. Topological trajectory clustering with relative persistent homology
US11086299B2 (en) System and method for estimating uncertainty of the decisions made by a supervised machine learner
US11037057B1 (en) Cognitive signal processor
Ghassemi et al. An extended bayesian optimization approach to decentralized swarm robotic search
Kazimierski Proposal of neural approach to maritime radar and automatic identification system tracks association
US10162378B1 (en) Neuromorphic processor for wideband signal analysis
Kazemi et al. Deep learning for direct automatic target recognition from SAR data
Li et al. From Kinect skeleton data to hand gesture recognition with radar
Shen et al. Adaptive Markov inference game optimization (AMIGO) for rapid Discovery of satellite behaviors
Li et al. Time‐based multi‐component irregular FM micro‐Doppler signals decomposition via STVMD
Zheng et al. Analysis of Autonomous Underwater Vehicle (AUV) navigational states based on complex networks
Du et al. Adaptive Kalman filter enhanced with spectrum analysis to estimate guidance law parameters with unknown prior statistics
CN111062453B (zh) 一种超融合全栈式云数据中心系统及方法
Ahmed et al. Bayesian Hidden Markov models for UAV-enabled target localization on road networks with soft-hard data
US10720949B1 (en) Real-time time-difference-of-arrival (TDOA) estimation via multi-input cognitive signal processor
Sun et al. Blind separation with unknown number of sources based on auto-trimmed neural network

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