CN112217749A - 一种盲信号分离方法及装置 - Google Patents
一种盲信号分离方法及装置 Download PDFInfo
- Publication number
- CN112217749A CN112217749A CN202011039886.2A CN202011039886A CN112217749A CN 112217749 A CN112217749 A CN 112217749A CN 202011039886 A CN202011039886 A CN 202011039886A CN 112217749 A CN112217749 A CN 112217749A
- Authority
- CN
- China
- Prior art keywords
- data points
- clusters
- optimal
- hypersphere
- 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
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 82
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 description 16
- 230000002776 aggregation Effects 0.000 description 16
- 230000014509 gene expression Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0238—Channel estimation using blind estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03891—Spatial equalizers
- H04L25/03898—Spatial equalizers codebook-based design
- H04L25/0391—Spatial equalizers codebook-based design construction details of matrices
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种盲信号分离方法及装置，方法包括：从n个预设传感器中分别获得n个混合信号，并分别对n个混合信号的超球面映射集合处理得到映射至超球面上数据点的集合；对集合进行超球面上数据点的估计处理得到最佳不相似阈值和最佳聚类数量；根据最佳聚类数量对集合和最佳不相似阈值的划分处理得到多个聚类。本发明剔除了各聚集方向在球心位置的混杂数据，从而去除了聚集方向信息不明显的多数数据，提高了分析效率，并通过球面投影改善聚类的聚集性，保证了盲信号分离的有效进行，算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
Description
技术领域
本发明主要涉及信号分离技术领域，具体涉及一种盲信号分离方法及装置。
背景技术
盲信号分离指的是从多个观测到的混合信号中分析出原始信号。通常观测到的信号来自多个原始信号的混合，这些原始信号未知并相互独立，信号混合的方式也不知道。盲信号分离方法广泛应用于生物医学、图像处理、无线通信、语音信号处理和水声信号处理等领域。
盲信号分离所要提取的原始信号通常在频域中表现出稀疏特性，从而混合信号在时频域中表现出明显的方向聚集特性。基于信号频域稀疏性的盲信号分离的方法利用这一方向聚集性提取原始信号的混合方式，从而实现盲信号分离。但是由于信号的稀疏特性往往不够理想，导致方向聚集性并不足够明显，从而大多数的接收信号数据反而严重影响了信号分离方法的效率和分离结果的准确性。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种盲信号分离方法及装置。
本发明解决上述技术问题的技术方案如下：一种盲信号分离方法，包括如下步骤：
从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
分别对多个所述聚类进行均值点判断，得到多个列矢量；
对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
本发明解决上述技术问题的另一技术方案如下：一种盲信号分离装置，包括：
映射集合处理模块，用于从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
估计处理模块，用于对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
划分处理模块，用于根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
均值点判断模块，用于分别对多个所述聚类进行均值点判断，得到多个列矢量；
混合矩阵计算模块，用于对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
原始信号矢量估计值获得模块，用于对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
本发明的有益效果是：通过分别对n个混合信号的超球面映射集合处理得到映射至超球面上数据点的集合，对集合的超球面上数据点的估计处理得到最佳不相似阈值和最佳聚类数量，剔除了方向聚集性并不够明显的数据，提高了信号分离方法的效率和分离结果的准确性，根据最佳聚类数量对集合和最佳不相似阈值的划分处理得到多个聚类，使得聚类的划分更稳定精确，分别对多个聚类的均值点判断得到多个列矢量，排除了意外数据的干扰，对多个列矢量的混合矩阵的计算得到混合矩阵，使得各矢量幅度增益归一化，对混合矩阵进行矩阵的判断得到原始信号矢量估计值，本发明剔除了各聚集方向在球心位置的混杂数据，从而去除了聚集方向信息不明显的多数数据，提高了分析效率，并通过球面投影改善聚类的聚集性，保证了盲信号分离的有效进行，算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
附图说明
图1为本发明一实施例提供的盲信号分离方法的流程示意图；
图2为本发明一实施例提供的盲信号分离装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明一实施例提供的盲信号分离方法的流程示意图。
如图1所示，一种盲信号分离方法，包括如下步骤：
从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
分别对多个所述聚类进行均值点判断，得到多个列矢量；
对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
应理解地，所述混合信号是指语音、雷达、通信、医学信号等等。
应理解地，所述预设传感器是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。
上述实施例中，通过分别对n个混合信号的超球面映射集合处理得到映射至超球面上数据点的集合，对集合的超球面上数据点的估计处理得到最佳不相似阈值和最佳聚类数量，剔除了方向聚集性并不够明显的数据，提高了信号分离方法的效率和分离结果的准确性，根据最佳聚类数量对集合和最佳不相似阈值的划分处理得到多个聚类，使得聚类的划分更稳定精确，分别对多个聚类的均值点判断得到多个列矢量，排除了意外数据的干扰，对多个列矢量的混合矩阵的计算得到混合矩阵，使得各矢量幅度增益归一化，对混合矩阵进行矩阵的判断得到原始信号矢量估计值，本发明剔除了各聚集方向在球心位置的混杂数据，从而去除了聚集方向信息不明显的多数数据，提高了分析效率，并通过球面投影改善聚类的聚集性，保证了盲信号分离的有效进行，算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合的过程包括：
利用短时傅里叶变换算法分别对n个所述混合信号进行转换处理，得到n个时频域信号；
将所述n个时频域信号映射在n维空间中，得到多个数据点；
对多个所述数据点进行标准差计算，得到数据点标准差；
通过所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合。
具体地，采用短时傅里叶变换将采集到的n个所述混合信号变换为时频域表示，并映射到n维空间中，n个所述混合信号在同一频率点上的取值即为空间中一个数据点的n维坐标，并计算所有数据点的标准差，将距离原点不小于m倍标准差的数据映射到单位超球面上。
上述实施例中，利用短时傅里叶变换算法分别对n个混合信号的转换处理得到n个时频域信号，将n个时频域信号映射在n维空间中得到多个数据点，对多个数据点的标准差计算得到数据点标准差，通过数据点标准差对多个数据点的集合处理得到映射至超球面上数据点的集合，剔除了方向聚集性并不够明显的数据，提高了信号分离方法的效率和分离结果的准确性，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述通过所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合的过程包括：
通过第一式以及所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合，所述第一式为:
C＝{||x||-1x|||x||>m×L0},
其中，L0为数据点标准差，C为映射至超球面上数据点的集合，x为数据点，m为倍数。
优选地，所述m可以为5至10。
应理解地，选取n维混合空间中半径为m×L0、中心为原点的超球面外所有所述数据点x并将其映射到中心位于原点的单位超球面上，以获得所述映射至超球面上数据点的集合。
上述实施例中，通过第一式以及数据点标准差对多个所述数据点的集合处理得到映射至超球面上数据点的集合，剔除了方向聚集性并不够明显的数据，提高了信号分离方法的效率和分离结果的准确性，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量的过程包括：
对所述集合进行不相似阈值的计算，得到多个不相似阈值；
通过BSAS顺序聚类算法分别对多个所述不相似阈值进行聚类数量的估计，得到多个聚类数量；
对多个所述聚类数量的重复次数进行统计，并将重复次数最多的所述聚类数量作为最佳聚类数量；
计算所述最佳聚类数量对应的多个所述不相似阈值的几何平均值，得到最佳不相似阈值。
应理解地，所述几何平均值一般指几何平均数，几何平均数是对各变量值的连乘积开项数次方根。求几何平均数的方法叫做几何平均法。如果总水平、总成果等于所有阶段、所有环节水平、成果的连乘积总和时，求各阶段、各环节的一般水平、一般成果，要使用几何平均法计算几何平均数，而不能使用算术平均法计算算术平均数。根据所拿握资料的形式不同，其分为简单几何平均数和加权几何平均数两种形式。
应理解地，估计超球面上数据点的所述最佳不相似阈值和相应的所述最佳聚类数量。
具体地，所述聚类数量中元素的取值会有重复，将重复出现次数最多的那个取值作为所述最佳聚类数量，并取对应所述最佳聚类数量的几个所述不相似阈值的几何平均值为所述最佳不相似阈值。
上述实施例中，对集合进行不相似阈值的计算得到多个不相似阈值，通过BSAS顺序聚类算法分别对多个不相似阈值的聚类数量的估计得到多个聚类数量，对多个聚类数量的重复次数的统计并将重复次数最多的聚类数量作为最佳聚类数量，计算最佳聚类数量对应的多个不相似阈值的几何平均值得到最佳不相似阈值，为后续的数据处理提供基础，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述对所述集合进行不相似阈值的计算，得到多个不相似阈值的过程包括：
通过第二式对所述集合进行不相似阈值的计算，得到多个不相似阈值，所述第二式为：
Θi＝exp(-i/4)×d，
其中，i＝1,…,H，d为所述集合中任意两个数据点间距离的最大值，Θi为不相似阈值。
应理解地，用预设参数H控制搜寻所述最佳不相似阈值的区域范围。
上述实施例中，通过第二式对集合进行不相似阈值的计算得到多个不相似阈值，为后续的数据处理提供基础，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类的过程包括：
利用MBSAS聚类算法根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类。
应理解地，使用MBSAS算法将超球面上的多个数据点划分为所述最佳聚类数量个聚类。
上述实施例中，利用MBSAS聚类算法根据最佳聚类数量对集合和最佳不相似阈值的划分处理得到多个聚类，使得聚类的划分更稳定精确，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述分别对多个所述聚类进行均值点判断，得到多个列矢量的过程包括：
S1：将多个所述聚类中只含有1个所述数据点的所述聚类进行删除，得到多个筛选后聚类；
S2：分别计算多个所述筛选后聚类的算术平均值，得到多个均值点；
S3：判断每两个所述均值点是否满足第三式，若不满足，则将两个所述均值点均作为列矢量；若满足，则执行S4；所述第三式为：
||mcl+mcj||<D，
其中，mcl为第一个均值点，mcj为第二个均值点，D为预设阈值；
S4：将两个所述均值点对应的所述筛选后聚类进行数据点数量多少的比较，得到数据点数量小的待映射聚类和数据点数量多的聚类；
S5：分别对所述待映射聚类中的多个所述数据点进行原点对称映射处理，得到映射后聚类；
S6：将所述映射后聚类和所述数据点数量多的聚类进行合并处理，得到合并聚类；
S7：计算所述合并聚类中的多个所述数据点的算术平均值，得到合并聚类算术平均值，并将所述合并聚类算术平均值作为所述列矢量。
优选地，所述预设阈值D可以为0.01。
应理解地，所述算术平均值一般指算术平均数，算术平均数(arithmetic mean)，又称均值，是统计学中最基本、最常用的一种平均指标，分为简单算术平均数、加权算术平均数。它主要适用于数值型数据，不适用于品质数据。根据表现形式的不同，算术平均数有不同的计算形式和计算公式。
应理解地，所述合并处理是指将所述映射后聚类中的数据点和所述数据点数量多的聚类中的数据点合并在一起，得到新的聚类，即所述合并聚类。
具体地，先删除只包含1个所述数据点的所述聚类，之后分别计算其余所述聚类Ci的均值点mci(i＝1,…,K，并且Ci中的数据点超过1个)，mci取值为所述聚类Ci中全体元素的算术平均值。其中，如果两个均值点mcl和mcj满足||mcl+mcj||<D，所述D为预设阈值，通常取值较小，例如0.01，就认为相应的两个聚类Cl和Cj中的均值点位于通过原点的同一条轴线上。对于均值点位于通过原点的同一条轴线上的两个聚类Cl和Cj，先将势较小的那个所述聚类中的所述数据点关于原点对称映射，再将映射后得到的聚类与势较大的聚类合并为一个聚类Ck，并重新计算得到聚类Ck中全体数据点坐标的算术平均值mck作为列矢量，如果不满足，则直接把两个均值点mcl和mcj均作为列矢量。
上述实施例中，分别对多个聚类的均值点判断得到多个列矢量，排除了意外数据的干扰，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述对多个所述列矢量进行混合矩阵的计算，得到混合矩阵的过程包括：
通过第四式分别对多个所述列矢量进行归一化处理，得到多个归一化矢量，所述第四式为：
其中，i＝1,…,N，mi为列矢量，
为归一化矢量，N为列矢量数量；
通过第五式对多个所述归一化矢量进行混合矩阵的计算，得到混合矩阵，所述第五式为：
其中，
为混合矩阵，
为第一个归一化矢量，
为第N个归一化矢量，N为归一化矢量数量。
具体地，将最终得到的多个所述均值点表示为所述列矢量m1,…,mN，由对所述列矢量m1,…,mN得到归一化矢量
于是得到恢复的混合矩阵
上述实施例中，通过第四式分别对多个列矢量的归一化处理得到多个归一化矢量，通过第五式对多个归一化矢量的混合矩阵的计算得到混合矩阵，使得各矢量幅度增益归一化，提高了分析效率，保证了盲信号分离的有效进行，且算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
可选地，作为本发明的一个实施例，所述对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值的过程包括：
当所述混合矩阵为正定矩阵或者超定矩阵时，则通过第六式对所述混合矩阵进行信号分离，得到原始信号矢量估计值，所述第六式为：
其中，t＝1,…,T，
为原始信号矢量估计值，
为混合矩阵；
当所述混合矩阵为欠定矩阵时，则利用最小l-1范数算法对所述混合矩阵进行信号分离，得到所述原始信号矢量估计值。
具体地，在得到混合矩阵后，根据不同情况进行信号分离。在正定或超定的情况下，所述原始信号矢量估计值为
(t＝1,…,T)。在欠定情况下，使用最小l-1范数方法求解所述原始信号矢量估计值
上述实施例中，当混合矩阵为正定矩阵或者超定矩阵时，则通过第六式对混合矩阵的信号分离得到原始信号矢量估计值，当混合矩阵为欠定矩阵时，则利用最小l-1范数算法对混合矩阵的信号分离得到原始信号矢量估计值，剔除了各聚集方向在球心位置的混杂数据，从而去除了聚集方向信息不明显的多数数据，提高了分析效率，并通过球面投影改善聚类的聚集性，保证了盲信号分离的有效进行，算法简单高效，可以准确方便的分析聚类数量和聚类中心，提高了分析效率，易于实施且灵活性较高。
图2为本发明一实施例提供的盲信号分离装置的模块框图。
可选地，作为本发明的另一个实施例，如图2所示，一种盲信号分离装置，包括：
映射集合处理模块，用于从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
估计处理模块，用于对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
划分处理模块，用于根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
均值点判断模块，用于分别对多个所述聚类进行均值点判断，得到多个列矢量；
混合矩阵计算模块，用于对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
原始信号矢量估计值获得模块，用于对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。用于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种盲信号分离方法，其特征在于，包括如下步骤：
从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
分别对多个所述聚类进行均值点判断，得到多个列矢量；
对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
2.根据权利要求1所述的盲信号分离方法，其特征在于，所述分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合的过程包括：
利用短时傅里叶变换算法分别对n个所述混合信号进行转换处理，得到n个时频域信号；
将所述n个时频域信号映射在n维空间中，得到多个数据点；
对多个所述数据点进行标准差计算，得到数据点标准差；
通过所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合。
3.根据权利要求2所述的盲信号分离方法，其特征在于，所述通过所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合的过程包括：
通过第一式以及所述数据点标准差对多个所述数据点进行集合处理，得到映射至超球面上数据点的集合，所述第一式为:
C＝{||x||-1x|||x||>m×L0},
其中，L0为数据点标准差，C为映射至超球面上数据点的集合，x为数据点，m为倍数。
4.根据权利要求3所述的盲信号分离方法，其特征在于，所述对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量的过程包括：
对所述集合进行不相似阈值的计算，得到多个不相似阈值；
通过BSAS顺序聚类算法分别对多个所述不相似阈值进行聚类数量的估计，得到多个聚类数量；
对多个所述聚类数量的重复次数进行统计，并将重复次数最多的所述聚类数量作为最佳聚类数量；
计算所述最佳聚类数量对应的多个所述不相似阈值的几何平均值，得到最佳不相似阈值。
5.根据权利要求4所述的盲信号分离方法，其特征在于，所述对所述集合进行不相似阈值的计算，得到多个不相似阈值的过程包括：
通过第二式对所述集合进行不相似阈值的计算，得到多个不相似阈值，所述第二式为：
Θi＝exp(-i/4)×d，
其中，i＝1,…,H，d为所述集合中任意两个数据点间距离的最大值，Θi为不相似阈值。
6.根据权利要求5所述的盲信号分离方法，其特征在于，所述根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类的过程包括：
利用MBSAS聚类算法根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类。
7.根据权利要求6所述的盲信号分离方法，其特征在于，所述分别对多个所述聚类进行均值点判断，得到多个列矢量的过程包括：
S1：将多个所述聚类中只含有1个所述数据点的所述聚类进行删除，得到多个筛选后聚类；
S2：分别计算多个所述筛选后聚类的算术平均值，得到多个均值点；
S3：判断每两个所述均值点是否满足第三式，若不满足，则将两个所述均值点均作为列矢量；若满足，则执行S4；所述第三式为：
||mcl+mcj||<D，
其中，mcl为第一个均值点，mcj为第二个均值点，D为预设阈值；
S4：将两个所述均值点对应的所述筛选后聚类进行数据点数量多少的比较，得到数据点数量小的待映射聚类和数据点数量多的聚类；
S5：分别对所述待映射聚类中的多个所述数据点进行原点对称映射处理，得到映射后聚类；
S6：将所述映射后聚类和所述数据点数量多的聚类进行合并处理，得到合并聚类；
S7：计算所述合并聚类中的多个所述数据点的算术平均值，得到合并聚类算术平均值，并将所述合并聚类算术平均值作为所述列矢量。
8.根据权利要求1-7任一项所述的盲信号分离方法，其特征在于，所述对多个所述列矢量进行混合矩阵的计算，得到混合矩阵的过程包括：
通过第四式分别对多个所述列矢量进行归一化处理，得到多个归一化矢量，所述第四式为：
其中，i＝1,…,N，mi为列矢量，
为归一化矢量，N为列矢量数量；
通过第五式对多个所述归一化矢量进行混合矩阵的计算，得到混合矩阵，所述第五式为：
其中，
为混合矩阵，
为第一个归一化矢量，
为第N个归一化矢量，N为归一化矢量数量。
9.根据权利要求8所述的盲信号分离方法，其特征在于，所述对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值的过程包括：
当所述混合矩阵为正定矩阵或者超定矩阵时，则通过第六式对所述混合矩阵进行信号分离，得到原始信号矢量估计值，所述第六式为：
其中，t＝1,…,T，
为原始信号矢量估计值，
为混合矩阵；
当所述混合矩阵为欠定矩阵时，则利用最小l-1范数算法对所述混合矩阵进行信号分离，得到所述原始信号矢量估计值。
10.一种盲信号分离装置，其特征在于，包括：
映射集合处理模块，用于从n个预设传感器中分别获得n个混合信号，并分别对所述n个混合信号进行超球面映射集合处理，得到映射至超球面上数据点的集合；
估计处理模块，用于对所述集合进行超球面上数据点的估计处理，得到最佳不相似阈值和最佳聚类数量；
划分处理模块，用于根据所述最佳聚类数量对所述集合和所述最佳不相似阈值进行划分处理，得到多个聚类；
均值点判断模块，用于分别对多个所述聚类进行均值点判断，得到多个列矢量；
混合矩阵计算模块，用于对多个所述列矢量进行混合矩阵的计算，得到混合矩阵；
原始信号矢量估计值获得模块，用于对所述混合矩阵进行矩阵的判断，得到原始信号矢量估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011039886.2A CN112217749A (zh) | 2020-09-28 | 2020-09-28 | 一种盲信号分离方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011039886.2A CN112217749A (zh) | 2020-09-28 | 2020-09-28 | 一种盲信号分离方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112217749A true CN112217749A (zh) | 2021-01-12 |
Family
ID=74051457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011039886.2A Pending CN112217749A (zh) | 2020-09-28 | 2020-09-28 | 一种盲信号分离方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112217749A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116959742A (zh) * | 2023-08-16 | 2023-10-27 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
| 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 |
| CN106202756A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于单层感知机的欠定盲源分离源信号恢复方法 |
| JP2017037269A (ja) * | 2015-08-13 | 2017-02-16 | 日本電信電話株式会社 | クラスタリング装置、クラスタリング方法及びクラスタリングプログラム |
-
2020
- 2020-09-28 CN CN202011039886.2A patent/CN112217749A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
| 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 |
| JP2017037269A (ja) * | 2015-08-13 | 2017-02-16 | 日本電信電話株式会社 | クラスタリング装置、クラスタリング方法及びクラスタリングプログラム |
| CN106202756A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于单层感知机的欠定盲源分离源信号恢复方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王咏平等: "未知数量稀疏源的盲分离方法", 《 华中科技大学学报(自然科学版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116959742A (zh) * | 2023-08-16 | 2023-10-27 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
| CN116959742B (zh) * | 2023-08-16 | 2024-05-14 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| Malo et al. | Psychophysically tuned divisive normalization approximately factorizes the PDF of natural images | |
| CN111127387B (zh) | 无参考图像的质量的评价方法 | |
| CN110245687B (zh) | 用户分类方法以及装置 | |
| CN111680642B (zh) | 一种地形分类方法及装置 | |
| Polzehl et al. | Structural adaptive segmentation for statistical parametric mapping | |
| He et al. | Underdetermined BSS based on K-means and AP clustering | |
| CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
| CN114580572B (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
| Li et al. | Regularized structural equation modeling with stability selection. | |
| CN110659620B (zh) | 基于模糊控制的滤波降噪方法 | |
| CN112217749A (zh) | 一种盲信号分离方法及装置 | |
| CN114818828A (zh) | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 | |
| CN117054998A (zh) | 一种基于信息熵背景平稳度的集群目标检测方法和系统 | |
| CN113156386A (zh) | 一种雷达、辐射源识别方法及计算机可读存储介质 | |
| CN108846407B (zh) | 基于独立成分高序不确定脑网络的磁共振影像分类方法 | |
| CN111310680A (zh) | 一种基于深度学习的辐射源个体识别方法 | |
| CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
| CN113095394B (zh) | 一种基于鲁棒聚类粒子群优化的欠定盲源分离方法 | |
| CN113591704A (zh) | 体重指数估计模型训练方法、装置和终端设备 | |
| CN112363859A (zh) | 异常判定阈值的确定方法及装置 | |
| CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 | |
| CN111008710A (zh) | 一种全局信息加局部信息正则的支持向量数据描述方法 | |
| CN110046327A (zh) | 一种基于帕德逼近的通信误差函数逼近方法 | |
| CN112766459B (zh) | 一种基于生成器的异常检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |