CN113191233A - 盲信号分离方法及系统、电子设备及存储介质 - Google Patents

盲信号分离方法及系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113191233A
CN113191233A CN202110431484.5A CN202110431484A CN113191233A CN 113191233 A CN113191233 A CN 113191233A CN 202110431484 A CN202110431484 A CN 202110431484A CN 113191233 A CN113191233 A CN 113191233A
Authority
CN
China
Prior art keywords
separation
signal
blind
blind 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.)
Granted
Application number
CN202110431484.5A
Other languages
English (en)
Other versions
CN113191233B (zh
Inventor
崔志涛
张利敏
蹇柯
王宽福
方勇
牛熠
廉玉忠
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.)
CITY COLLEGE OF DONGGUAN UNIVERSITY OF TECHNOLOGY
Original Assignee
CITY COLLEGE OF DONGGUAN UNIVERSITY OF TECHNOLOGY
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 CITY COLLEGE OF DONGGUAN UNIVERSITY OF TECHNOLOGY filed Critical CITY COLLEGE OF DONGGUAN UNIVERSITY OF TECHNOLOGY
Priority to CN202110431484.5A priority Critical patent/CN113191233B/zh
Publication of CN113191233A publication Critical patent/CN113191233A/zh
Application granted granted Critical
Publication of CN113191233B publication Critical patent/CN113191233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种盲信号分离方法及系统、电子设备及存储介质，其包括如下步骤：采集混合信号；对混合信号进行白化预处理；建立盲信号分离模型；获取分离矩阵；获取恢复的源信号。本发明通过建立盲信号分离模型，实现了对混合信号中源信号的分离操作，大大提高了源信号的分离精度及分离速度。

Description

盲信号分离方法及系统、电子设备及存储介质
技术领域
本发明涉及信号处理技术领域，尤其是涉及一种盲信号分离方法及系统、电子设备及存储介质。
背景技术
在信号处理领域中，很多收集得到的图像或声源信号数据可以看成是不可见、独立源信号的混合，盲源分离(Blind source separation，BSS)问题引起了越来越多的关注，如何在混叠信道未知的情况下，辨识出这些独立的源信号是一个挑战性的问题。
发明内容
基于此，有必要针对现有技术的不足，提供一种盲信号分离方法及系统、电子设备及存储介质，有效提升盲信号分离算法在特定场景下的分离性能，实现源信号的分离操作，提高对混合信号中源信号的分离精度及分离速度。
为解决上述技术问题，本发明采用以下技术方案：
本发明提供了一种盲信号分离方法，其包括如下步骤：
步骤S110、采集混合信号；
步骤S120、对混合信号进行白化预处理；
步骤S130、建立盲信号分离模型
x(t)＝AS(t)，t＝1，2，...，N，
xp(t)＝ap1s1(t)+ap2s2(t)+…+apnsn(t)，
p＝1，2，…，m，
x(t)＝[x1(t)，x2(t)，…，xn(t)]T，
s(t)＝[s1(t)，s2(t)，…，sn(t)]T；
其中，x(t)为混合信号，s(t)为源信号，xp(t)为x(t)中的第p个混合信号，m＝n，A为混合矩阵，a为混合矩阵A中的元素，N为混合信号的采样总点数；
步骤S140、获取分离矩阵W；
步骤S150、获取恢复的源信号y(t)＝Wx(t)。
第二方面，本发明提供了一种盲信号分离系统，其包括：
采集模块，用于采集混合信号；
白化预处理模块，用于对混合信号进行白化预处理；
建模模块，用于建立盲信号分离模型；
分离模块，用于获取分离矩阵；
恢复模块，用于获取恢复的源信号。
第三方面，本发明提供了一种电子设备，所述电子设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的盲信号分离方法。
第四方面，本发明提供了一种存储介质，其存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现上述的盲信号分离方法。
综上所述，本发明提供的一种盲信号分离方法及系统、电子设备及存储介质通过通过建立盲信号分离模型，实现了对混合信号中源信号的分离操作，大大提高了源信号的分离精度及分离速度。
附图说明
图1为本发明实施例提供的盲信号分离方法的流程示意图。
图2为本发明实施例提供的盲信号分离系统的结构框图。
图3为本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。
图1是本发明实施例提供的第一种盲信号分离方法的流程示意图，如图1所示，该盲信号分离方法，具体包括如下步骤：
步骤S110、采集混合信号；其中，混合信号为包括亚高斯源信号的混合信号，亚高斯源信号为已知定义，在此不必赘述，如Te-Won Lee在文献资料《Independent ComponentAnalysis Using an Extended Infomax Algorithm for Mixed Subgaussian andSupergaussian Sources)》中就有提及亚高斯源信号。
步骤S120、对混合信号进行白化预处理，白化预处理为已知技术，在此不必赘述。
步骤S130、建立盲信号分离模型
x(t)＝AS(t)，t＝1，2，...，N，
xp(t)＝ap1s1(t)+ap2s2(t)+…+apnsn(t)，
p＝1，2，…，m，
x(t)＝[x1(t)，x2(t)，…，xn(t)]T，
s(t)＝[s1(t)，s2(t)，…，sn(t)]T；
其中，x(t)为混合信号，s(t)为源信号，xp(t)为x(t)中的第p个混合信号，盲源分离问题根据源信号数目n和混合信号数目m之间的大小关系可分为正定盲信号分离m＝n、欠定盲信号分离m＜n和超定盲信号分离m＞n三种情况。本实施例中盲信号分离问题为正定盲信号分离，即m＝n，A为混合矩阵，a为混合矩阵A中的元素，N为混合信号的采样总点数，例如采样总点数可通过电脑设备当中的matlab2014b软件获取；x(t)中的t指代为混合信号x(t)中的第t个采样点。
步骤S140、获取分离矩阵W；
所述步骤S140、获取分离矩阵W的方法，具体包括如下步骤：
步骤S141、定义随机向量y，获取随机向量y的互信息
Figure BDA0003031533590000041
Figure BDA0003031533590000042
其中，y＝(y1，y2，…，yn)T；p(y)是随机向量y＝(y1，y2，…，yn)T的联合概率密度，p(yi)是边缘概率密度。
在其中一个实施例中，采用
Figure BDA0003031533590000043
作为随机向量y的概率密度函数。
步骤S142、基于公式y＝Wx，随机向量y的互信息I(y)满足
Figure BDA0003031533590000044
其中，H(x)为信息熵，x为混合信号向量；
步骤S143、基于非线性函数ri＝gi(yi)输出r＝(r1，r2，…，rn)T的总熵量H(r，W)满足公式
Figure BDA0003031533590000045
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1，2，...，n。
步骤S144、通过梯度算法获取H(r，W)取得最值时的分离矩阵W。
在其中一个实施例中，所述步骤S144、通过梯度算法获取H(r，W)取得最值的分离矩阵W的具体操作为：
①、H(r，W)关于分离矩阵W求导获得
Figure BDA0003031533590000051
Figure BDA0003031533590000052
Figure BDA0003031533590000053
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1，2，...，n；
②、获取H(r，W)的自然梯度
Figure BDA0003031533590000054
I为单位矩阵，此时调节公式W(k+1)＝W(k)+uk[I-ψ(y(k)yT(k))]W(k)，其中，μk为第k步迭代步长。
③、基于Extend-Infomax算法及迭代公式
Figure BDA0003031533590000055
Figure BDA0003031533590000056
Figure BDA0003031533590000057
获取H(r，W)取得最值时的分离矩阵W；
其中，当λ＞2时，在保证Extend-Infomax算法稳态误差的同时大大缩短运行时间，有效提高了盲信号的分离速度及精度。
具体地，在本实施例中，设定混合矩阵
Figure BDA0003031533590000058
初始分离矩阵W＝0.5*I，μk为固定迭代步长，μk＝0.003，最大迭代步数max＝200000。
在本实施例中，λ可以以0.01的增幅逐步增大，且λ位于有效增加区间内时，有效增加区间的大小与采样点数N的大小有关，本领域技术人员可根据实际需求设定入的有效增加区间范围，在此不必进行赘述。
在其中一个实施例中，本发明梯度算法中为自然梯度算法，其中，H(r，W)的自然梯度与H(r，W)的常规梯度之间的关系满足：
Figure BDA0003031533590000061
从而得到H(r，W)的自然梯度
Figure BDA0003031533590000062
Figure BDA0003031533590000063
以提高盲信号分离的速度，保证盲信号分离的精确性。
步骤S150、获取恢复的源信号y(t)＝Wx(t)；其中，y(t)是源信号s(t)的其中一种排列，并具有幅度的不确定性。
本实施例提供的盲信号分离方法通过建立盲信号分离模型，实现了对混合信号中源信号的分离操作，大大提高了源信号的分离精度及分离速度，该过程可以迭代地进行，以实现最佳的分离效果。
图2是本发明实施例提供的一种盲信号分离系统的结构框图，如图2所示，对应于上述盲信号分离方法，本发明还提供一种盲信号分离系统，该盲信号分离系统包括用于执行上述盲信号分离方法的模块，该系统可以被配置于电子设备等捕捉终端，应用本发明盲信号分离系统，通过建立盲信号分离模型，实现了对混合信号中源信号的分离操作，大大提高了源信号的分离精度及分离速度。
具体地，如图2所示，该盲信号分离系统包括采集模块110、白化预处理模块120、建模模块130、分离模块140及恢复模块150。
采集模块110，用于采集混合信号；
白化预处理模块120，用于对混合信号进行白化预处理；
建模模块130，用于建立盲信号分离模型；
分离模块140，用于获取分离矩阵；
恢复模块150，用于获取恢复的源信号。
其中，若分离模块140获取分离矩阵，具体用于执行如下步骤：
步骤S141、定义随机向量y，获取随机向量y的互信息
Figure BDA0003031533590000064
Figure BDA0003031533590000065
其中，y＝(y1，y2，…，yn)T；p(y)是随机向量y＝(y1，y2，…，yn)T的联合概率密度，p(yi)是边缘概率密度。
步骤S142、基于公式y＝Wx，随机向量y的互信息I(y)满足
Figure BDA0003031533590000071
其中，H(x)为信息熵，x为混合信号向量；
步骤S143、基于非线性函数ri＝gi(yi)输出r＝(r1，r2，…，rn)T的总熵量H(r，W)满足公式
Figure BDA0003031533590000072
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1，2，...，n。
步骤S144、通过梯度算法获取H(r，W)取得最值时的分离矩阵W。
图3是本发明实施例提供的一种电子设备的内部结构框图，如图3所示，本发明提供的电子设备包括通过系统总线连接的通过系统总线连接的存储器、处理器；所述存储器上存储有计算机程序，所述处理器用于提供计算和控制能力，以支撑整个电子设备的运行，所述处理器执行所述计算机程序时实现上述的一种盲信号分离方法。
存储器可以包括非易失性存储介质和内存储器，该非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现盲信号分离方法。
该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行盲信号分离方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其他的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的盲信号分离方法可实现为一种计算机程序的方式，计算机程序可以在如图3所示的电子设备上运行。电子设备的存储器中可存储组成该盲信号分离系统的各个程序模块，比如，图2所示的采集模块110、白化预处理模块120、建模模块130、分离模块140及恢复模块150。各个程序模块构成的计算机程序使得处理器执行本说明中描述的本申请各个实施例的盲信号分离系统的步骤。例如，图3所示的电子设备可以通过如图2所示的盲信号分离系统中的采集模块110采集混合信号；通过白化预处理模块120对混合信号进行白化预处理；通过建模模块130建立盲信号分离模型；通过分离模块140获取分离矩阵；通过恢复模块150获取恢复的源信号。
在一个实施例中，提出了一种电子设备，包括存储器和处理器，所述存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：步骤S110、采集混合信号；步骤S120、对混合信号进行白化预处理；步骤S130、建立盲信号分离模型；步骤S140、获取分离矩阵；步骤S150、获取恢复的源信号。
在一个实施例中，所述处理器在实现所述步骤S140、获取分离矩阵W的步骤时，具体实现如下步骤：步骤S141、定义随机向量y，获取随机向量y的互信息
Figure BDA0003031533590000081
其中，y＝(y1，y2，…，yn)T；p(y)是随机向量y＝(y1，y2，…，yn)T的联合概率密度，p(yi)是边缘概率密度；步骤S142、基于公式y＝Wx，随机向量y的互信息I(y)满足
Figure BDA0003031533590000082
Figure BDA0003031533590000083
其中，H(x)为信息熵，x为混合信号向量；步骤S143、基于非线性函数ri＝gi(yi)输出r＝(r1，r2，…，rn)T的总熵量H(r，W)满足公式
Figure BDA0003031533590000084
Figure BDA0003031533590000091
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1，2，...，n；步骤S144、通过梯度算法获取H(r，W)取得最值时的分离矩阵W。
应当理解，在本申请实施例中，处理器可以是中央处理单元(Central ProcessingUnit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该电子设备中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：步骤S110、采集混合信号；步骤S120、对混合信号进行白化预处理；步骤S130、建立盲信号分离模型；步骤S140、获取分离矩阵；步骤S150、获取恢复的源信号。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
综上所述，本发明一种盲信号分离方法及系统、电子设备及存储介质通过建立盲信号分离模型，实现了对混合信号中源信号的分离操作，大大提高了源信号的分离精度及分离速度。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的。例如，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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。该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，可以存储在一个存储介质中。基于这样的理解，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (10)

1.一种盲信号分离方法，其特征在于，包括如下步骤：
步骤S110、采集混合信号；
步骤S120、对混合信号进行白化预处理；
步骤S130、建立盲信号分离模型
x(t)＝AS(t),t＝1,2,…,N，
xp(t)＝ap1s1(t)+ap2s2(t)+…+apnsn(t)，
p＝1，2，…，m，
x(t)＝[x1(t)，x2(t)，…,xn(t)]T，
s(t)＝[s1(t)，s2(t)，…，sn(t)]T；
其中，x(t)为混合信号，s(t)为源信号，xp(t)为x(t)中的第p个混合信号，m＝n，A为混合矩阵，a为混合矩阵A中的元素，N为混合信号的采样总点数；
步骤S140、获取分离矩阵W；
步骤S150、获取恢复的源信号y(t)＝Wx(t)。
2.根据权利要求1所述的盲信号分离方法，其特征在于，所述步骤S140、获取分离矩阵W的方法，具体包括如下步骤：
步骤S141、定义随机向量y，获取随机向量y的互信息
Figure FDA0003031533580000011
Figure FDA0003031533580000012
其中，y＝(y1，y2，…，yn)T；p(y)是随机向量y＝(y1，y2，…，yn)T的联合概率密度，p(yi)是边缘概率密度；
步骤S142、基于公式y＝Wx，随机向量y的互信息I(y)满足
Figure FDA0003031533580000013
其中，H(x)为信息熵，x为混合信号向量；
步骤S143、基于非线性函数ri＝gi(yi)输出r＝(r1，r2，…，rn)T的总熵量H(r,W)满足公式
Figure FDA0003031533580000021
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1,2,…,n。
步骤S144、通过梯度算法获取H(r,W)取得最值时的分离矩阵W。
3.根据权利要求2所述的盲信号分离方法，其特征在于，所述步骤S144、通过梯度算法获取H(r,W)取得最值的分离矩阵W的具体操作为：
①、H(r,W)关于分离矩阵W求导获得
Figure FDA0003031533580000022
Figure FDA0003031533580000023
Figure FDA0003031533580000024
其中，gi(yi)为源信号si(t)的累积分布函数，si(t)为s(t)的第i个分量，i为下标，i＝1,2,…,n；
②、获取H(r,W)的自然梯度
Figure FDA0003031533580000025
I为单位矩阵，此时调节公式W(k+1)＝W(k)+uk[I-ψ(y(k)yT(k))]W(k)，其中，μk为第k步迭代步长；
③、基于Extend-Infomax算法及迭代公式
Figure FDA0003031533580000026
Figure FDA0003031533580000027
Figure FDA0003031533580000028
获取H(r,W)取得最值时的分离矩阵W。
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μk为固定迭代步长。
5.根据权利要求3所述的盲信号分离方法，其特征在于：所述μk＝0.003。
6.根据权利要求3所述的盲信号分离方法，其特征在于：所述λ取值满足λ＞2。
7.根据权利要求3所述的盲信号分离方法，其特征在于：所述梯度算法为自然梯度算法。
8.一种盲信号分离系统，其特征在于，包括：
采集模块，用于采集混合信号；
白化预处理模块，用于对混合信号进行白化预处理；
建模模块，用于建立盲信号分离模型；
分离模块，用于获取分离矩阵；
恢复模块，用于获取恢复的源信号。
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的盲信号分离方法。
10.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现如权利要求1-7中任一项所述的盲信号分离方法。
CN202110431484.5A 2021-04-21 2021-04-21 盲信号分离方法及系统、电子设备及存储介质 Active CN113191233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110431484.5A CN113191233B (zh) 2021-04-21 2021-04-21 盲信号分离方法及系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110431484.5A CN113191233B (zh) 2021-04-21 2021-04-21 盲信号分离方法及系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113191233A true CN113191233A (zh) 2021-07-30
CN113191233B CN113191233B (zh) 2023-04-18

Family

ID=76977936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110431484.5A Active CN113191233B (zh) 2021-04-21 2021-04-21 盲信号分离方法及系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113191233B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172766A (zh) * 2021-12-06 2022-03-11 东莞理工学院城市学院 信号分离方法、装置、电子设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001027874A1 (en) * 1999-10-14 2001-04-19 The Salk Institute Unsupervised adaptation and classification of multi-source data using a generalized gaussian mixture model
US20030061035A1 (en) * 2000-11-09 2003-03-27 Shubha Kadambe Method and apparatus for blind separation of an overcomplete set mixed signals
EP1611521A2 (en) * 2003-03-28 2006-01-04 Harris Corporation System and method for hybrid minimum mean squared error matrix-pencil separation weights for blind source separation
US20080208570A1 (en) * 2004-02-26 2008-08-28 Seung Hyon Nam Methods and Apparatus for Blind Separation of Multichannel Convolutive Mixtures in the Frequency Domain
CN101432805A (zh) * 2006-05-02 2009-05-13 高通股份有限公司 用于盲源分离（bss）的增强技术
US20130294611A1 (en) * 2012-05-04 2013-11-07 Sony Computer Entertainment Inc. Source separation by independent component analysis in conjuction with optimization of acoustic echo cancellation
CN104009948A (zh) * 2014-05-12 2014-08-27 南京信息工程大学 一种基于改进人工蜂群算法的盲源分离方法
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
JP2015210512A (ja) * 2014-04-24 2015-11-24 晋哉 齋藤 ブラインド信号分離方法およびその装置
CN110596670A (zh) * 2019-10-16 2019-12-20 北京环境特性研究所 基于盲信号分离的群目标极点提取方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001027874A1 (en) * 1999-10-14 2001-04-19 The Salk Institute Unsupervised adaptation and classification of multi-source data using a generalized gaussian mixture model
US20030061035A1 (en) * 2000-11-09 2003-03-27 Shubha Kadambe Method and apparatus for blind separation of an overcomplete set mixed signals
EP1611521A2 (en) * 2003-03-28 2006-01-04 Harris Corporation System and method for hybrid minimum mean squared error matrix-pencil separation weights for blind source separation
US20080208570A1 (en) * 2004-02-26 2008-08-28 Seung Hyon Nam Methods and Apparatus for Blind Separation of Multichannel Convolutive Mixtures in the Frequency Domain
CN101432805A (zh) * 2006-05-02 2009-05-13 高通股份有限公司 用于盲源分离（bss）的增强技术
US20130294611A1 (en) * 2012-05-04 2013-11-07 Sony Computer Entertainment Inc. Source separation by independent component analysis in conjuction with optimization of acoustic echo cancellation
JP2015210512A (ja) * 2014-04-24 2015-11-24 晋哉 齋藤 ブラインド信号分離方法およびその装置
CN104009948A (zh) * 2014-05-12 2014-08-27 南京信息工程大学 一种基于改进人工蜂群算法的盲源分离方法
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
CN110596670A (zh) * 2019-10-16 2019-12-20 北京环境特性研究所 基于盲信号分离的群目标极点提取方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘海鹏等: "一种改进牛顿法的盲源分离算法", 《电脑与信息技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172766A (zh) * 2021-12-06 2022-03-11 东莞理工学院城市学院 信号分离方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN113191233B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
US20180182377A1 (en) Method and device for extracting speech feature based on artificial intelligence
JP5506785B2 (ja) 勾配ヒストグラムを用いた指紋表現
CN110363091B (zh) 侧脸情况下的人脸识别方法、装置、设备及存储介质
EP3605407A1 (en) Information processing device, information processing method, and computer-readable storage medium
CN109508717A (zh) 一种车牌识别方法、识别装置、识别设备及可读存储介质
CN111383232B (zh) 抠图方法、装置、终端设备及计算机可读存储介质
Choi et al. Optimal combination of image denoisers
CN111081266B (zh) 一种训练生成对抗网络、语音增强方法及系统
Budhiraja et al. Long time asymptotics for constrained diffusions in polyhedral domains
CN110023989A (zh) 一种素描图像的生成方法及装置
US10762657B2 (en) Mesh denoising
Ren et al. A weighted adaptive mean shift clustering algorithm
CN113191233B (zh) 盲信号分离方法及系统、电子设备及存储介质
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
KR102516366B1 (ko) 특징 데이터 획득 방법 및 장치
CN112116922B (zh) 一种噪声盲源信号分离方法、终端设备及存储介质
CN110659631A (zh) 车牌识别方法和终端设备
CN113052208B (zh) 基于视觉的煤岩识别方法、存储介质及电子设备
Zhao et al. Variable selection of varying dispersion student-t regression models
Bhardwaj et al. Low complexity hardware accelerator for nD FastICA based on coordinate rotation
WO2009151002A2 (ja) パターン識別方法、装置およびプログラム
Toulgaridis et al. Architecture and implementation of a restricted Boltzmann machine for handwritten digits recognition
CN110717503A (zh) 一种分类方法、装置、电子设备及计算机存储介质
Kountchev et al. New Approaches in Intelligent Image Analysis
CN112084896B (zh) 基于Lp/q-混合范数的联合递归加权空间滤波方法

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
GR01 Patent grant
GR01 Patent grant