CN112201274A - 一种基于极小化极大化的欠定盲源分离方法及系统和装置 - Google Patents

一种基于极小化极大化的欠定盲源分离方法及系统和装置 Download PDF

Info

Publication number
CN112201274A
CN112201274A CN202010851255.4A CN202010851255A CN112201274A CN 112201274 A CN112201274 A CN 112201274A CN 202010851255 A CN202010851255 A CN 202010851255A CN 112201274 A CN112201274 A CN 112201274A
Authority
CN
China
Prior art keywords
time
source
frequency domain
signal
matrix
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.)
Pending
Application number
CN202010851255.4A
Other languages
English (en)
Inventor
成玮
韩林晟
陈雪峰
鲁劲柏
宋超
张兴武
杨志勃
高琳
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010851255.4A priority Critical patent/CN112201274A/zh
Publication of CN112201274A publication Critical patent/CN112201274A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21343—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using decorrelation or non-stationarity, e.g. minimising lagged cross-correlations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于极小化极大化的欠定盲源分离方法及系统和装置，利用短时傅里叶变换将时域瞬时混合信号转化为每个频带上的频域瞬时混合，基于源信号的稀疏性，提取复值混合矩阵实部向量与虚部向量，通过余弦角进行单源点判定与提取，对单源点归一化和取模运算，通过对单源点的层次聚类实现混合矩阵的估计；利用混合矩阵以及源信号的稀疏性假设将源信号恢复问题转化为l1范数优化问题，将源信号在时频域恢复后采用短时傅里叶逆变换将时频域的源信号变换回时域从而实现欠定盲源分离。构建非凸罚函数使目标函数的优化逼近l0范数优化，避免了传统的l1范数正则化的系统性低估及依照稀疏性假设恢复的源信号，并且保证了目标函数的凸性。

Description

一种基于极小化极大化的欠定盲源分离方法及系统和装置
技术领域
本发明属于机械振动噪声信号处理领域，具体涉及一种基于极小化极大化的欠定盲源分离方法及系统和装置。
背景技术
燃气轮机等高端装备零部件众多，回转体不平衡运动、转子不对中以及夹装不紧产生的振动加速其与其连接件磨损，严重影响设备性能与寿命，而振动产生的辐射噪声则降低军事装备隐蔽性，严重影响军队作战能力。对燃气轮机等高端装备采取减振降噪措施能够有效抑制振动噪声，燃气轮机等高端装备具有结构复杂精密、振动噪声源众多、结构紧凑的特点，使得识别与定位振动噪声源尤为困难，成为实现减振降噪的技术瓶颈。因此对燃气轮机等高端装备进行振动噪声源识别，精准定位振噪源零部件，揭示其传递混合机制，可以有针对地指导燃气轮机等高端装备的减振降噪。
高端装备内部传感器采集的信号是多个振动噪声源传递至传感器的叠加。但由于燃机等高端装备内部结构精密紧凑，工作环境高温高压，传感器可安装位置少，无法安装足够的传感器。欠定盲源分离能够在缺乏先验知识且传感器数量少于源信号数量的情况下，有效分离出源信号。目前，欠定盲源分离方法主要通过信号在变换域进行聚类提取单源点并估计混合矩阵，然后利用混合矩阵采用l0范数优化恢复源信号，但l0不连续导致恢复的源信号误差很大，无法有效分离舰载燃气轮机等高端装备内部机械混合信号。
发明内容
本发明的目的在于提供一种基于极小化极大化的欠定盲源分离方法及系统和装置，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于极小化极大化的欠定盲源分离方法，包括以下步骤：
步骤1)、将采集的若干观测信号做短时傅里叶变换得到时频域复矩阵；
步骤2)，对时频域复矩阵进行单源点识别，提取时频域复值单源点；
步骤3)，根据步骤2中得到的频域复值单源点，通过层次聚类法对得到的时频域复值单源点进行聚类并估计出瞬时混合矩阵；
步骤4)，根据步骤3)中得到的瞬时混合矩阵，对基于非凸罚函数的范数目标函数进行全局寻优，实现频域复值源恢复，最后采用短时傅里叶逆变换将恢复的频域信号变换回时域得到分离信号。
进一步的，步骤1)具体为：采集M个观测信号x(t)＝[x1(t)x2(t)…xM(t)]T，其中上标T表示转置，采样时间序列t＝1,2,…,T，将采集的观测信号做短时傅里叶变换得到时频域的复矩阵X。
进一步的，通过短时傅里叶变换将每个待分析的时域观测信号xi(t)变换到时频域Xi＝[Xi,1,Xi,2,…,Xi,J]，其中第一维表示频率，第二维表示的是时间；所有的观测信号的时频域为一个三维矩阵X＝[Xi,j,k]其第一维是观测信号序列，第二维表示时间，第三维表示频率。
进一步的，对时频域复矩阵进行单源点识别，分别取时频域复矩阵X＝[Xi,j,k]同一时间同一频率的复值向量的实部以及虚部：
Figure BDA0002644806470000021
其中Xj.k＝[X1,j,k X2,j,k … XM,j,k]T是时频域复矩阵X＝[Xi，j，k]第j时刻，第k频段的子向量，Re(·)和Im(·)分别为取实部算子和取实部虚部算子，将实部与虚部余弦角大于ε的提取为单源点向量，即满足：
Figure BDA0002644806470000031
的Xj,k为单源点向量，其中，|·|表示对向量进行取模。
进一步的，对得到的时频域复值单源点进行取模并归一化处理使其变为实数向量且模为1，即：
Figure BDA0002644806470000032
其中
Figure BDA0002644806470000033
表示对Xj,k行取模并归一化处理，上标H表示共轭转置，diag(·)表示取方阵·对角元素并赋予新的同维向量中，对归一化后的单源点向量进行层次聚类，得到的所有聚类中心为对应混合矩阵的每一列，所有的聚类中心组合的矩阵为瞬时混合矩阵的估计
Figure BDA0002644806470000034
其中
Figure BDA0002644806470000035
表示对·的估计。
进一步的，利用瞬时混合矩阵
Figure BDA0002644806470000036
构造如下目标函数
Figure BDA0002644806470000037
其中
Figure BDA0002644806470000038
表示·的2范数的平方，||·||1表示·的1范数，λ>0，1>γ≥0，
Figure BDA0002644806470000039
表示以M维的复值向量为自变量求函数f(·)的最小值，对目标函数求极小值：
Figure BDA00026448064700000310
通过梯度下降来进行求解，分别更新目标函数中的v以及Y从而实现源信号在时频域的恢复。
进一步的，采用短时傅里叶逆变换，将恢复的时频域源信号变换到时域完成源信号的分离。
进一步的，利用以下公式对分离信号进行性能评价：
Figure BDA0002644806470000041
其中si为第i个源信号，
Figure BDA0002644806470000042
为估计的第j个分离信号，E(·)表示取均值，求得的波形相关系数
Figure BDA0002644806470000043
为估计的分离信号的准确性指标，代表分离信号同源信号的相关性。
一种基于极小化极大化的欠定盲源分离系统，包括数据采集模块、数据预处理模块、混合矩阵处理模块和分离模块；
数据采集模块用于获取待分析设备的观测信号，并将获取的观测信号传输至数据预处理模块；
数据预处理模块对观测信号做短时傅里叶变换得到时频域复矩阵，同时根据时频域复矩阵进行单源点识别，提取时频域复值单源点；
混合矩阵处理模块根据得到的频域复值单源点，通过层次聚类法对得到的时频域复值单源点进行聚类并估计出瞬时混合矩阵，并将瞬时混合矩阵传输至分离模块；
分离模块根据得到的瞬时混合矩阵，对基于非凸罚函数的范数目标函数进行全局寻优，实现频域复值源恢复，最后采用短时傅里叶逆变换将恢复的频域信号变换回时域得到分离信号并输出。
一种基于极小化极大化的欠定盲源分离装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种基于极小化极大化的欠定盲源分离方法，针对欠定瞬时混合盲分离，首先利用短时傅里叶变换将时域时域线性混合信号转化为时频域瞬时线性混合下每个频带上的分量，此时的时频域信号为复值的，基于混合数据样本的稀疏性以及同源相位一直假设，分别计算同一时频分量复值混合数据的实数向量与虚数向量余弦角，将夹角满足条件的向量提取为单源点向量，通过对提取的单源点向量进行聚类估计出混合矩阵；利用混合矩阵以及源信号的稀疏性假设将源信号恢复问题转化为l1范数优化问题，将源信号在时频域恢复后采用短时傅里叶逆变换将时频域的源信号变换回时域从而实现欠定盲源分离。本发明采用基于极小化极大化算法方法恢复源信号，构建非凸罚函数使目标函数的优化逼近l0范数优化，避免了传统的l1范数正则化的系统性低估及依照稀疏性假设恢复的源信号。并且保证了目标函数的凸性，即在最优解求解过程中不会陷于局部最优解，减少恢复信号与源信号间的误差。
本发明一种基于极小化极大化的欠定盲源分离系统，结构简单，能够根据上述方法快速将源信号在时频域恢复后采用短时傅里叶逆变换将时频域的源信号变换回时域从而实现欠定盲源分离，提高了源信号的分离精度，可以有针对地指导燃气轮机等高端装备的减振降噪。
附图说明
图1为本发明实例1中源信号波形和频谱图；
图2为本发明实例1中混合信号波形和频谱图；
图3为本发明实例1中采用本发明方法分离信号波形及其频谱图；
图4为本发明实例1中所述的l1传统范数优化方法分离信号波形和频谱图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
一种基于极小化极大化的欠定盲源分离方法，使用欠定线性瞬时混合模型，对混合观测信号进行分离，具体包括以下步骤：
步骤1，采集M个观测信号x(t)＝[x1(t) x2(t) … xM(t)]T，其中上标T表示转置，采样时间序列t＝1,2,…,T，将采集的观测信号做短时傅里叶变换得到时频域复矩阵X；
步骤2，对时频域复矩阵X进行单源点识别，提取时频域复值单源点；
步骤3，根据步骤2中得到的时频域复值单源点，通过层次聚类法对得到的时频域复值单源点进行聚类并估计出瞬时混合矩阵；
步骤4，根据步骤3中得到的估计混合矩阵，对基于非凸罚函数的l1范数目标函数进行全局寻优，实现频域复值源恢复，最后采用短时傅里叶逆变换将恢复的频域信号变换回时域得到分离信号y(t)。
步骤1中通过短时傅里叶变换将每个待分析的时域观测信号xi(t)变换到时频域Xi＝[Xi,1,Xi,2,…,Xi,J]，其中第一维表示频率，第二维表示的是时间；所有的观测信号的时频域为一个三维矩阵X＝[Xi,j,k]其第一维是观测信号序列，第二维表示时间，第三维表示频率。
步骤2中对步骤1中的时频域复矩阵单源点识别，分别取时频域复矩阵X＝[Xi,j,k]同一时间同一频率的复值向量的实部以及虚部：
Figure BDA0002644806470000061
其中Xj.k＝[X1,j,k X2,j,k … XM,j,k]T是时频域复矩阵X＝[Xi，j，k]第j时刻，第k频段的子向量，Re(·)和Im(·)分别为取实部算子和取实部虚部算子，进一步将实部与虚部余弦角大于ε的提取为单源点向量，即满足：
Figure BDA0002644806470000062
的Xj,k为单源点向量，其中，|·|表示对向量进行取模。
步骤3中对步骤2中的单源点向量进行取模并归一化处理使其变为实数向量且模为1，即：
Figure BDA0002644806470000071
其中
Figure BDA0002644806470000072
表示对Xj,k行取模并归一化处理，上标H表示共轭转置，diag(·)表示取方阵·对角元素并赋予新的同维向量中，对归一化后的单源点向量进行层次聚类，得到的所有聚类中心为对应混合矩阵的每一列，所有的聚类中心组合的矩阵为混合矩阵的估计
Figure BDA0002644806470000073
其中
Figure BDA0002644806470000074
表示对·的估计。
步骤4中利用步骤3中的估计矩阵
Figure BDA0002644806470000075
构造如下目标函数
Figure BDA0002644806470000076
其中
Figure BDA0002644806470000077
表示·的2范数的平方，||·||1表示·的1范数，λ>0，1>γ≥0，
Figure BDA0002644806470000078
表示以M维的复值向量为自变量求函数f(·)的最小值，对目标函数求极小值也就是求解如下极小化极大化优化问题：
Figure BDA0002644806470000079
通过梯度下降来进行求解，分别更新目标函数中的v以及Y从而实现源信号在时频域的恢复。采用短时傅里叶逆变换，将恢复的时频域源信号变换到时域完成源信号的分离。
利用以下公式对步骤4中利用以下公式对分离信号进行性能评价：
Figure BDA00026448064700000710
其中si为第i个源信号，
Figure BDA00026448064700000711
为估计的第j个分离信号，E(·)表示取均值，求得的波形相关系数
Figure BDA00026448064700000712
为估计的分离信号的准确性指标，代表分离信号同源信号的相关性。
下面通过方阵实验来对本发明做进一步的详细说明。
实例1，选择3个典型机械信号作为源信号，其表达式如下所示：
Figure BDA0002644806470000081
得到的源信号波形及其频谱图如图1所示，将源信号通过混合矩阵得到观测到的混合信号，观测数目为2，图2为混合信号的波形及频谱图，混合矩阵选择如下式所示。
Figure BDA0002644806470000082
从图2中可看出，由于源信号的互相叠加，从观测信号的时域波形中很难看出含有何种信号成品，从频谱中虽然可以看出其频率特性，然而由于缺乏先验知识，无法确认哪部分频域来自哪一个源，因此仅靠观测信号无法直接获取源信号的估计。
利用本发明提出的欠定盲分离方法对观测信号进行处理，本实例中短时傅里叶变换窗厂选择为512，窗型为汉宁窗，每次移动步长为256，本发明提出方法得到的分离信号波形和源信号及其频谱图如图3所示，对比图1和图3，可以看出分离信号的波形和和源信号波形极其相似，而且从频谱图对比可知，分离信号中保留了对应源信号的主要特征频率，表明本发明提出方法的准确性和有效性。
本实例中传统l1范数优化方法短时傅里叶变换窗厂为512，窗为汉宁床，窗每次移动步长为256，正则化参数λ＝0.55。传统l1范数优化方法得到的分离信号波形和源信号及其频谱图如图4所示，通过图1和图4，对比分离信号和源信号频谱图，传统l1范数优化方法也能从分离出主要特征频率，但由于l1范数优化固有的系统性低估真实信号，源信号3的特征频率被错误的估计到源信号1和源信号2中，使得还原的源信号存在较大误差。
为了定量评价估计恢复信号的准确性，采用下式对估计的源信号进行处理：
Figure BDA0002644806470000091
其中si为第i个源信号，
Figure BDA0002644806470000092
为估计的第j个分离信号，E(·)表示取均值，求得的波形相关系数
Figure BDA0002644806470000093
为估计的分离信号的准确性指标，代表分离信号同源信号的相关性。
经本发明方法得到的分离信号波形相关系数矩阵为：
Figure BDA0002644806470000094
经过传统l1范数优化方法得到的分离信号波形相关系数矩阵为：
Figure BDA0002644806470000095
从相关系数矩阵可以看出所提出方法的精度高于传统l1范数方法。
本发明构建了非凸罚函数使目标函数的优化逼近范数优化，避免了传统的范数正则化的系统性低估，保证了最优解求解过程中不会陷于局部最优解，减少恢复信号与源信号间的误差，能有精准有效的分离舰载燃气轮机等高端装备内部机械混合信号，为舰载燃气轮机减振降噪提供重要指导，具有重大工程意义。

Claims (10)

1.一种基于极小化极大化的欠定盲源分离方法，其特征在于，包括以下步骤：
步骤1)、将采集的若干观测信号做短时傅里叶变换得到时频域复矩阵；
步骤2)，对时频域复矩阵进行单源点识别，提取时频域复值单源点；
步骤3)，根据步骤2中得到的时频域复值单源点，通过层次聚类法对得到的时频域复值单源点进行聚类并估计出瞬时混合矩阵；
步骤4)，根据步骤3)中得到的瞬时混合矩阵，对基于非凸罚函数的范数目标函数进行全局寻优，实现频域复值源恢复，最后采用短时傅里叶逆变换将恢复的频域信号变换回时域得到分离信号。
2.根据权利要求1所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，步骤1)具体为：采集M个观测信号x(t)＝[x1(t) x2(t) … xM(t)]T，其中上标T表示转置，采样时间序列t＝1,2,…,T，将采集的观测信号做短时傅里叶变换得到时频域的复矩阵X。
3.根据权利要求2所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，通过短时傅里叶变换将每个待分析的时域观测信号xi(t)变换到时频域Xi＝[Xi,1,Xi,2,…,Xi,J]，其中第一维表示频率，第二维表示的是时间；所有的观测信号的时频域为一个三维矩阵X＝[Xi,j,k]其第一维是观测信号序列，第二维表示时间，第三维表示频率。
4.根据权利要求2所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，对时频域复矩阵进行单源点识别，分别取时频域复矩阵X＝[Xi,j,k]同一时间同一频率的复值向量的实部以及虚部：
Figure FDA0002644806460000011
其中Xj.k＝[X1,j,k X2,j,k … XM,j,k]T是时频域复矩阵X＝[Xi，j，k]第j时刻，第k频段的子向量，Re(·)和Im(·)分别为取实部算子和取实部虚部算子，将实部与虚部余弦角大于ε的提取为单源点向量，即满足：
Figure FDA0002644806460000021
的Xj,k为单源点向量，其中，|·|表示对向量进行取模。
5.根据权利要求4所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，对得到的时频域复值单源点进行取模并归一化处理使其变为实数向量且模为1，即：
Figure FDA0002644806460000022
其中
Figure FDA0002644806460000023
表示对Xj,k行取模并归一化处理，上标H表示共轭转置，diag(·)表示取方阵·对角元素并赋予新的同维向量中，对归一化后的单源点向量进行层次聚类，得到的所有聚类中心为对应混合矩阵的每一列，所有的聚类中心组合的矩阵为瞬时混合矩阵的估计
Figure FDA0002644806460000024
其中
Figure FDA0002644806460000025
表示对·的估计。
6.根据权利要求5所述的一种基于极小化极大化的欠定盲源分离方法，
其特征在于，利用瞬时混合矩阵
Figure FDA0002644806460000026
构造如下目标函数
Figure FDA0002644806460000027
其中
Figure FDA0002644806460000028
表示·的2范数的平方，||·||1表示·的1范数，λ>0，1>γ≥0，
Figure FDA0002644806460000029
表示以M维的复值向量为自变量求函数f(·)的最小值，对目标函数求极小值：
Figure FDA00026448064600000210
通过梯度下降来进行求解，分别更新目标函数中的v以及Y从而实现源信号在时频域的恢复。
7.根据权利要求6所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，采用短时傅里叶逆变换，将恢复的时频域源信号变换到时域完成源信号的分离。
8.根据权利要求6所述的一种基于极小化极大化的欠定盲源分离方法，其特征在于，利用以下公式对分离信号进行性能评价：
Figure FDA0002644806460000031
其中si为第i个源信号，
Figure FDA0002644806460000032
为估计的第j个分离信号，E(·)表示取均值，求得的波形相关系数
Figure FDA0002644806460000033
为估计的分离信号的准确性指标，代表分离信号同源信号的相关性。
9.一种基于极小化极大化的欠定盲源分离系统，其特征在于，包括数据采集模块、数据预处理模块、混合矩阵处理模块和分离模块；
数据采集模块用于获取待分析设备的观测信号，并将获取的观测信号传输至数据预处理模块；
数据预处理模块对观测信号做短时傅里叶变换得到时频域复矩阵，同时根据时频域复矩阵进行单源点识别，提取时频域复值单源点；
混合矩阵处理模块根据得到的频域复值单源点，通过层次聚类法对得到的时频域复值单源点进行聚类并估计出瞬时混合矩阵，并将瞬时混合矩阵传输至分离模块；
分离模块根据得到的瞬时混合矩阵，对基于非凸罚函数的范数目标函数进行全局寻优，实现频域复值源恢复，最后采用短时傅里叶逆变换将恢复的频域信号变换回时域得到分离信号并输出。
10.一种基于极小化极大化的欠定盲源分离装置，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
CN202010851255.4A 2020-08-21 2020-08-21 一种基于极小化极大化的欠定盲源分离方法及系统和装置 Pending CN112201274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010851255.4A CN112201274A (zh) 2020-08-21 2020-08-21 一种基于极小化极大化的欠定盲源分离方法及系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010851255.4A CN112201274A (zh) 2020-08-21 2020-08-21 一种基于极小化极大化的欠定盲源分离方法及系统和装置

Publications (1)

Publication Number Publication Date
CN112201274A true CN112201274A (zh) 2021-01-08

Family

ID=74004955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010851255.4A Pending CN112201274A (zh) 2020-08-21 2020-08-21 一种基于极小化极大化的欠定盲源分离方法及系统和装置

Country Status (1)

Country Link
CN (1) CN112201274A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095353A (zh) * 2021-03-01 2021-07-09 华中科技大学 一种基于ap聚类的欠定盲源分离方法
CN113422663A (zh) * 2021-05-31 2021-09-21 南京航空航天大学 一种基于信号分解与稀疏重构的混合信号分离方法及装置
CN113794489A (zh) * 2021-09-07 2021-12-14 中国人民解放军陆军工程大学 一种通信抗强相关干扰的方法
CN116866123A (zh) * 2023-07-13 2023-10-10 中国人民解放军战略支援部队航天工程大学 一种无正交受限的卷积盲分离方法
CN116962126A (zh) * 2023-06-02 2023-10-27 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002059772A2 (en) * 2000-11-09 2002-08-01 Hrl Laboratories, Llc Blind decomposition using fourier and wavelet transforms
CN107301434A (zh) * 2017-07-28 2017-10-27 西安交通大学 基于同步压缩短时傅里叶变换的盲分离混合矩阵估计方法
CN108710917A (zh) * 2018-05-23 2018-10-26 上海海事大学 一种基于网格和密度聚类的稀疏源信号盲分离方法
CN109243483A (zh) * 2018-10-17 2019-01-18 西安交通大学 一种含噪频域卷积盲源分离方法
CN109711468A (zh) * 2018-12-27 2019-05-03 西安交通大学 一种基于单源点的复值盲分离混合矩阵估计方法
WO2020041935A1 (zh) * 2018-08-27 2020-03-05 大连理工大学 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002059772A2 (en) * 2000-11-09 2002-08-01 Hrl Laboratories, Llc Blind decomposition using fourier and wavelet transforms
CN107301434A (zh) * 2017-07-28 2017-10-27 西安交通大学 基于同步压缩短时傅里叶变换的盲分离混合矩阵估计方法
CN108710917A (zh) * 2018-05-23 2018-10-26 上海海事大学 一种基于网格和密度聚类的稀疏源信号盲分离方法
WO2020041935A1 (zh) * 2018-08-27 2020-03-05 大连理工大学 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法
US20200089730A1 (en) * 2018-08-27 2020-03-19 Dalian University Of Technology Modal identification method for non-proportionally damped structures based on extended sparse component analysis
CN109243483A (zh) * 2018-10-17 2019-01-18 西安交通大学 一种含噪频域卷积盲源分离方法
CN109711468A (zh) * 2018-12-27 2019-05-03 西安交通大学 一种基于单源点的复值盲分离混合矩阵估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI CHENG ET AL.: "Underdetermined convolutive blind source separation in the time–frequency domain based on single source points and experimental validation", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, 10 June 2020 (2020-06-10), pages 1 - 50 *
陆建涛 等: "变步长等变自适应盲源分离算法", 《西安交通大学学报》, vol. 49, no. 12, 31 December 2015 (2015-12-31), pages 83 - 89 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095353A (zh) * 2021-03-01 2021-07-09 华中科技大学 一种基于ap聚类的欠定盲源分离方法
CN113095353B (zh) * 2021-03-01 2022-07-05 华中科技大学 一种基于ap聚类的欠定盲源分离方法
CN113422663A (zh) * 2021-05-31 2021-09-21 南京航空航天大学 一种基于信号分解与稀疏重构的混合信号分离方法及装置
CN113422663B (zh) * 2021-05-31 2022-10-11 南京航空航天大学 一种基于信号分解与稀疏重构的混合信号分离方法及装置
CN113794489A (zh) * 2021-09-07 2021-12-14 中国人民解放军陆军工程大学 一种通信抗强相关干扰的方法
CN116962126A (zh) * 2023-06-02 2023-10-27 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质
CN116962126B (zh) * 2023-06-02 2024-04-16 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质
CN116866123A (zh) * 2023-07-13 2023-10-10 中国人民解放军战略支援部队航天工程大学 一种无正交受限的卷积盲分离方法
CN116866123B (zh) * 2023-07-13 2024-04-30 中国人民解放军战略支援部队航天工程大学 一种无正交受限的卷积盲分离方法

Similar Documents

Publication Publication Date Title
CN112201274A (zh) 一种基于极小化极大化的欠定盲源分离方法及系统和装置
CN106052849B (zh) 一种汽车车内非平稳异常噪声源识别方法
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN109975762B (zh) 一种水下声源定位方法
CN109085614B (zh) 基于时-频谱值平滑与分割的gnss干扰特征辨识方法及系统
CN113704688B (zh) 基于变分贝叶斯平行因子分解的缺失振动信号的恢复方法
CN111160317B (zh) 微弱信号盲提取方法
CN104614069A (zh) 基于联合近似对角化盲源分离算法的电力设备故障音检测方法
CN112747921A (zh) 一种基于na-memd的多传感器机械故障诊断的方法
CN108108666B (zh) 一种基于小波分析和时频单源检测的混合矩阵估计方法
CN111665050A (zh) 一种基于聚类k-svd算法的滚动轴承故障诊断方法
CN112255595A (zh) 一种基于仿机载测量下的海杂波数据预处理方法
CN117119377A (zh) 基于滤波Transformer的室内指纹定位方法
Lei et al. Compressed sensing multiscale sample entropy feature extraction method for underwater target radiation noise
CN113126131A (zh) 一种超低失真导航信号采集及无混叠分离方法
CN112069987A (zh) 一种基于统计流形寻优降维的干扰类型自动识别方法
CN108537738A (zh) 一种矩阵补全方法
CN112082792A (zh) 一种基于mf-jade的旋转机械故障诊断方法
Zhang et al. Review on fault diagnosis on the rolling bearing
CN113109760B (zh) 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统
CN108957550B (zh) 基于svd-ica的tsp强工业电干扰压制方法
CN113869358A (zh) 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法
CN112578359A (zh) 一种通过双谱变换处理提取雷达信号脉内特征参数的方法
CN116610941B (zh) 快速峭度图轴承复合故障诊断方法、系统、设备以及介质

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