CN114464206A - 一种单通道盲源分离方法及系统 - Google Patents

一种单通道盲源分离方法及系统 Download PDF

Info

Publication number
CN114464206A
CN114464206A CN202210374828.8A CN202210374828A CN114464206A CN 114464206 A CN114464206 A CN 114464206A CN 202210374828 A CN202210374828 A CN 202210374828A CN 114464206 A CN114464206 A CN 114464206A
Authority
CN
China
Prior art keywords
signal
data
input
gate
separation
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
CN202210374828.8A
Other languages
English (en)
Inventor
李晓柏
骆伟林
杨瑞娟
程伟
黄美荣
杨帆
李煜
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202210374828.8A priority Critical patent/CN114464206A/zh
Publication of CN114464206A publication Critical patent/CN114464206A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Abstract

本发明提供一种单通道盲源分离方法，网络训练阶段，首先将数据集进行标准化处理，并随机打乱样本序列，然后使用卷积神经网络提取空间特征，再由双向长短时记忆网络挖掘信号的时序规律，最后进行全连接特征融合，多次训练并保存模型参数；在测试阶段，利用构建好的测试集和训练好的模型完成对算法的验证与测试，得到分离信号相比于传统单通道盲源分离算法与单一网络结构的深度学习算法，所提算法的相似系数最大，失真率最小，实现了对混叠信号的高精度分离。

Description

一种单通道盲源分离方法及系统
技术领域
本发明涉及信号处理技术领域，尤其涉及一种单通道盲源分离方法及系统。
背景技术
随着信息化智能化战争形态的不断发展，以及由军事强国推动的电磁频谱作战域对抗日趋激烈，主战装备的复杂电磁环境适应能力和智能化水平遇到了严峻挑战。采用侦干探通一体化技术，集雷达、干扰、侦察、通信功能为一体，一体化接收处理各种战场复杂电磁信号，为应对这种挑战提供了一个新的解决思路。侦干探通一体化接收处理前端可采用宽开接收机，将较大频率范围内的所有信号全部接收，并通过后端处理使得这些信号成为可用信号，这样既提高了处理的效能，又简化了硬件部分，而侦干探通一体化接收处理所面临的首要问题则是复杂混叠信号盲源分离。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种单通道盲源分离方法及系统，解决了一体化系统单通道接收信号时分离精度低、可分离信源数较少、鲁棒性差的难题
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种单通道盲源分离方法，包括以下步骤：
S1、构建不同信噪比下的数据集、划分训练集和测试集；
S2、将所述训练集进行标准化处理并随机打乱训练集；
S3、使用所述训练集对神经网络进行训练，并使用CNN提取信号的空间信息，然后使用BiLSTM挖掘信号的时序规律，并利用算法更新模型参数；
S4、所述验证集验证模型训练效果，根据验证结果微调模型参数；
S5、计算损失值，并判断是否收敛；
如果是，进行下一步；
如果不是，使用Adam优化算法进行反向传播，更新模型参数，重复所述S3和S4；
S6、所述测试集测试已训练好的模型性能，得到分离信号，计算评价指标，进行性能评价。
进一步，所述S1包括如下步骤：
S101、通过Matlab软件生成侦察信号、干扰信号、探测信号和通信信号四种调制方式的源信号数据；
S102、使用公式
Figure 913957DEST_PATH_IMAGE001
所示的线性瞬时混合模型得到观测信号数据集；其中，
Figure 372489DEST_PATH_IMAGE002
为观测信号，
Figure 400488DEST_PATH_IMAGE003
为源信号
Figure 909967DEST_PATH_IMAGE004
经过一个混叠矩阵之后的混合信号，
Figure 365219DEST_PATH_IMAGE005
为噪声，
Figure 265042DEST_PATH_IMAGE006
为时间序列；
为了满足分离任务的长期相关性，所述侦察信号、干扰信号、探测信号和通信信号在每个信噪比下均产生3000个纯数据信号，每条所述纯数据信号包括500个采样点，采样频率为100MHz，采样时间为5us。
进一步，所述S2中，数据集的输入标准化处理为：
Figure 378623DEST_PATH_IMAGE007
（1）
其中，
Figure 414712DEST_PATH_IMAGE008
为输出的标准化数据；
Figure 103182DEST_PATH_IMAGE009
是输入的未标准化数据；
Figure 224722DEST_PATH_IMAGE010
为数据输入序列的均值，
Figure 906108DEST_PATH_IMAGE011
为数据输入序列的方差，
Figure 62283DEST_PATH_IMAGE012
为输入变量的序号。
进一步，所述S3中，所述CNN中卷积层的特征图，表示为：
Figure 921654DEST_PATH_IMAGE013
（2）
其中，
Figure 530490DEST_PATH_IMAGE014
为特征图，
Figure 438403DEST_PATH_IMAGE015
为卷积操作；
Figure 262134DEST_PATH_IMAGE016
为卷积核的权重向量；
Figure 230090DEST_PATH_IMAGE017
表示偏移量；
Figure 388539DEST_PATH_IMAGE018
为激活函数；
Figure 100143DEST_PATH_IMAGE019
为输入的训练数据；
所述LSTM提取特征对应公式为：
Figure 230910DEST_PATH_IMAGE020
（3）
Figure 681352DEST_PATH_IMAGE021
（4）
Figure 999200DEST_PATH_IMAGE022
（5）
Figure 576812DEST_PATH_IMAGE023
（6）
Figure 562086DEST_PATH_IMAGE024
（7）
Figure 871844DEST_PATH_IMAGE025
（8）
其中，
Figure 490039DEST_PATH_IMAGE026
、
Figure 543445DEST_PATH_IMAGE027
、
Figure 383225DEST_PATH_IMAGE028
、
Figure 926202DEST_PATH_IMAGE029
分别指代输入层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 484222DEST_PATH_IMAGE030
、
Figure 387325DEST_PATH_IMAGE031
、
Figure 347191DEST_PATH_IMAGE032
、
Figure 998752DEST_PATH_IMAGE033
分别指代隐藏层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 840806DEST_PATH_IMAGE034
、
Figure 236016DEST_PATH_IMAGE035
、
Figure 50388DEST_PATH_IMAGE036
、
Figure 685900DEST_PATH_IMAGE037
分别指代输入门、遗忘门、输出门与细胞状态的偏移量；
Figure 952933DEST_PATH_IMAGE038
指代激活函数；tanh指代双曲正切激活函数；
Figure 151833DEST_PATH_IMAGE039
表示向量元素乘；
Figure 820712DEST_PATH_IMAGE040
指代第
Figure 876392DEST_PATH_IMAGE041
个输入序列元素值；
Figure 630722DEST_PATH_IMAGE042
指代记忆单元或称为细胞状态，是网络的核心，控制信息的传递；
Figure 633313DEST_PATH_IMAGE043
是新的输入带来的信息；
Figure 156698DEST_PATH_IMAGE044
指代输入门决定当前
Figure 632548DEST_PATH_IMAGE045
保留多少信息给
Figure 874173DEST_PATH_IMAGE046
；
Figure 414876DEST_PATH_IMAGE047
指代遗忘门决定保存多少前一时刻的细胞状态
Figure 855085DEST_PATH_IMAGE048
至当前的
Figure 455830DEST_PATH_IMAGE049
；
Figure 919173DEST_PATH_IMAGE050
指代输出门决定
Figure 76616DEST_PATH_IMAGE049
传递多少至当前状态的输出
Figure 309014DEST_PATH_IMAGE051
；
Figure 80661DEST_PATH_IMAGE052
指代在
Figure 31299DEST_PATH_IMAGE053
时刻的隐层状态。
进一步，所述S1中，训练集包括作为网络输入值的观测信号和作为监督学习的原始信号。
进一步，所述S5中，使用均方误差作为实验的损失函数，表达式为：
Figure 976121DEST_PATH_IMAGE054
（9）
其中，
Figure 328605DEST_PATH_IMAGE055
表示源信号真实值，
Figure 271154DEST_PATH_IMAGE056
表示源信号的预测值；
Figure 709088DEST_PATH_IMAGE057
为信号序列的长度。
进一步，所述S6中，分离信号和源信号的相似系数和信号失真率的计算公式分别为：
Figure 730306DEST_PATH_IMAGE058
（10）
Figure 937297DEST_PATH_IMAGE059
（11）
其中，
Figure 50746DEST_PATH_IMAGE060
是源信号数目；
Figure 38294DEST_PATH_IMAGE061
为第
Figure 262602DEST_PATH_IMAGE062
路分离信号与相应第
Figure 589678DEST_PATH_IMAGE063
路源信号的相似系数；
Figure 608450DEST_PATH_IMAGE064
为第
Figure 834026DEST_PATH_IMAGE065
路分离信号；
Figure 862025DEST_PATH_IMAGE066
为第
Figure 43607DEST_PATH_IMAGE063
路源信号；
Figure 561176DEST_PATH_IMAGE067
为求均值；
所述相似系数的大小与1越接近，则源信号与分离信号越相似；所述相似系数在0.9以上时，则算法具有良好的分离精度；
所述信号失真率SDR越大，分离信号失真程度越小，分离精度越高。
本发明还提供一种单通道盲源分离系统，采用单通道盲源分离方法来实现，以及包括：
数据集生成模块，用于构建不同信噪比下的数据集，划分训练集和测试集；
数据集处理模块，用于对数据集进行标准化和分割处理；
CNN模块，用于将分割后的每一部分序列使用CNN提取空间特征；再由BiLSTM挖掘信号的时序规律；
BiLSTM模块，用于将使用CNN提取空间特征后挖掘信号的时序规律；
损失值判决模块，用于计算损失值，并判断是否收敛，收敛则进行下一步，不收敛进入Adam优化算法；
Adam优化算法模块，用于损失值不收敛时进行反向传播，更新模型参数；
性能测试模块，用于计算评价指标，进行性能测试与评价。
本发明的有益效果为：基于深度学习框架CNN-BiLSTM的单通道信号盲源分离，免去了繁杂的特征工程，具有良好的泛化性能，克服了等传统方法的泛化大数据能力弱的缺陷，解决了单通道分离中可行解爆炸问题；
在训练好网络以后，在保证分离精度的同时，分离时间相与传统算法大致相当，时效性可以得到保证。
附图说明
图1为本发明一种单通道盲源分离方法的原理图；
图2为线性瞬时混合盲源分离典型原理图；
图3为CNN基本结构图；
图4为LSTM基本结构图；
图5为BiLSTM基本结构图；
图6为源信号波形图；
图7为观测信号波形图；
图8为本发明分离信号波形图；
图9为不同信噪比下的平均相似系数对比图；
图10为不同信噪比下的SDR对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，
Figure 195420DEST_PATH_IMAGE068
表示
Figure 761530DEST_PATH_IMAGE069
个源信号，
Figure 63199DEST_PATH_IMAGE070
为时间变量，经过一个未知线性混合系统对上述源信号进行混合得到观测信号
Figure 937DEST_PATH_IMAGE071
，
Figure 122476DEST_PATH_IMAGE072
为接收机的接收通道数量，即会收到
Figure 492278DEST_PATH_IMAGE072
路观测信号；
Figure 648453DEST_PATH_IMAGE073
为信号源；
Figure 507824DEST_PATH_IMAGE074
为矩阵的转置；
观测信号由下式得到：
Figure 116660DEST_PATH_IMAGE075
其中，
Figure 24573DEST_PATH_IMAGE076
表示混合矩阵，维度是
Figure 848304DEST_PATH_IMAGE077
，
Figure 816260DEST_PATH_IMAGE078
为加性高斯噪声。由于单通道盲源分离只有一个接收通道，所以单通道盲源分离的瞬时混合模型为
Figure 912392DEST_PATH_IMAGE079
其中，
Figure 623996DEST_PATH_IMAGE080
为第
Figure 551501DEST_PATH_IMAGE012
路源信号，
Figure 690358DEST_PATH_IMAGE081
为观测信号，
Figure 273786DEST_PATH_IMAGE082
为时间序列，
Figure 100666DEST_PATH_IMAGE083
为混合矩阵
Figure 820360DEST_PATH_IMAGE084
中的第
Figure 130118DEST_PATH_IMAGE012
个常量；
请参阅图2，一种单通道盲源分离方法，包括以下步骤：
S1、构建不同信噪比下的数据集、划分训练集和测试集；
S2、将所述训练集进行标准化处理；
S3、使用所述训练集对神经网络进行训练，并使用CNN(卷积神经网络)提取信号的空间信息，然后使用BiLSTM(双向长短时记忆网络)挖掘信号的时序规律，并利用算法更新模型参数；
S4、所述验证集验证模型训练效果，根据验证结果微调模型参数；
S5、计算损失值，并判断是否收敛；
如果是，进行下一步；
如果不是，使用Adam（优化梯度下降算法）优化算法进行反向传播，更新模型参数，重复所述S3和S4；
S6、所述测试集测试已训练好的模型性能，得到分离信号，计算评价指标，进行性能评价。
所述S1包括如下步骤：
S101、通过Matlab软件生成侦察信号、干扰信号、探测信号和通信信号四种调制方式的源信号数据；
S102、使用公式
Figure 200843DEST_PATH_IMAGE085
所示的线性瞬时混合模型得到观测信号数据集；其中，
Figure 316566DEST_PATH_IMAGE086
为观测信号，
Figure 156346DEST_PATH_IMAGE087
为源信号
Figure 637006DEST_PATH_IMAGE088
经过一个混叠矩阵
Figure 8076DEST_PATH_IMAGE089
之后的混合信号，
Figure 599594DEST_PATH_IMAGE090
为噪声；
Figure 293881DEST_PATH_IMAGE006
为时间序列；
为了满足分离任务的长期相关性，所述侦察信号、固定移频干扰信号、探测信号和通信信号在每个信噪比下均产生3000个纯数据信号，每条所述纯数据信号包括500个采样点，采样频率为100MHz，采样时间为5us。
其中，通过研究了不同算法的信噪比对分离效果的影响，信噪比范围为0-20dB，步长为2.5dB。数据集中80%训练，20%用于测试。表1为信号的参数设置；
表1源信号参数设置
Figure 211021DEST_PATH_IMAGE091
所述S2中，数据集的输入标准化处理为：
Figure 53075DEST_PATH_IMAGE092
（1）
其中，
Figure 448284DEST_PATH_IMAGE093
为输出的标准化数据；
Figure 262657DEST_PATH_IMAGE094
是输入的未标准化数据；
Figure 396704DEST_PATH_IMAGE095
为数据输入序列的均值，
Figure 663737DEST_PATH_IMAGE096
为数据输入序列的方差，
Figure 862637DEST_PATH_IMAGE012
为输入变量的序号；
所述S3中，请参阅图3，所述CNN中卷积层的特征图，表示为：
Figure 593833DEST_PATH_IMAGE097
（2）
其中,
Figure 587196DEST_PATH_IMAGE014
为特征图，
Figure 341526DEST_PATH_IMAGE098
为卷积操作；
Figure 891587DEST_PATH_IMAGE099
为卷积核的权重向量；
Figure 414972DEST_PATH_IMAGE017
表示偏移量；
Figure 844817DEST_PATH_IMAGE100
为激活函数；
Figure 148759DEST_PATH_IMAGE019
为输入的训练数据；
请参阅图4，BiLSTM模型是由前向的LSTM（长短期记忆网络）和反向的LSTM模型构成，每层的LSTM网络分别对应输出一个隐藏状态信息，模型的参数由反向传播进行更新。请参阅图5，所述LSTM提取特征对应公式为：
Figure 423882DEST_PATH_IMAGE101
（3）
Figure 378938DEST_PATH_IMAGE102
（4）
Figure 714104DEST_PATH_IMAGE103
（5）
Figure 443026DEST_PATH_IMAGE104
（6）
Figure 584157DEST_PATH_IMAGE105
（7）
Figure 82135DEST_PATH_IMAGE106
（8）
其中，
Figure 853782DEST_PATH_IMAGE107
、
Figure 617469DEST_PATH_IMAGE108
、
Figure 499975DEST_PATH_IMAGE109
、
Figure 852459DEST_PATH_IMAGE110
分别指代输入层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 857324DEST_PATH_IMAGE111
、
Figure 295258DEST_PATH_IMAGE112
、
Figure 715875DEST_PATH_IMAGE113
、
Figure 188445DEST_PATH_IMAGE114
分别指代隐藏层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 613479DEST_PATH_IMAGE115
、
Figure 538710DEST_PATH_IMAGE116
、
Figure 763018DEST_PATH_IMAGE117
、
Figure 886831DEST_PATH_IMAGE118
分别指代输入门、遗忘门、输出门与细胞状态的偏移量；
Figure 171182DEST_PATH_IMAGE119
指代激活函数；tanh指代双曲正切激活函数；
Figure 583709DEST_PATH_IMAGE120
表示向量元素乘；
Figure 611708DEST_PATH_IMAGE040
指代第
Figure 606340DEST_PATH_IMAGE041
个输入序列元素值；
Figure 796013DEST_PATH_IMAGE042
指代记忆单元或称为细胞状态，是网络的核心，控制信息的传递；
Figure 695836DEST_PATH_IMAGE121
是新的输入带来的信息；
Figure 324263DEST_PATH_IMAGE044
指代输入门决定当前
Figure 625931DEST_PATH_IMAGE045
保留多少信息给
Figure 986506DEST_PATH_IMAGE042
；
Figure 685209DEST_PATH_IMAGE047
指代遗忘门决定保存多少前一时刻的细胞状态
Figure 55011DEST_PATH_IMAGE048
至当前的
Figure 945606DEST_PATH_IMAGE049
；
Figure 742661DEST_PATH_IMAGE050
指代输出门决定
Figure 413814DEST_PATH_IMAGE049
传递多少至当前状态的输出
Figure 587306DEST_PATH_IMAGE051
；
Figure 597987DEST_PATH_IMAGE052
指代在
Figure 565943DEST_PATH_IMAGE053
时刻的隐层状态。
所述S1中，训练集包括作为网络输入值的观测信号和作为监督学习的原始信号。
所述S5中，使用均方误差作为实验的损失函数，表达式为：
Figure 475125DEST_PATH_IMAGE122
（9）
其中，
Figure 186729DEST_PATH_IMAGE123
表示源信号真实值，
Figure 51917DEST_PATH_IMAGE056
表示源信号预测值；
Figure 253091DEST_PATH_IMAGE057
为信号序列的长度。
所述S6中，分离信号和源信号的相似系数和信号失真率的计算公式分别为：
Figure 836519DEST_PATH_IMAGE124
（10）
Figure 86235DEST_PATH_IMAGE125
（11）
其中，
Figure 71508DEST_PATH_IMAGE060
是源信号数目；
Figure 692851DEST_PATH_IMAGE126
为第
Figure 763575DEST_PATH_IMAGE062
路分离信号与相应第
Figure 816982DEST_PATH_IMAGE063
路源信号的相似系数；
Figure 719079DEST_PATH_IMAGE064
为第
Figure 199739DEST_PATH_IMAGE062
路分离信号；
Figure 492180DEST_PATH_IMAGE066
为第
Figure 162327DEST_PATH_IMAGE063
路源信号；
Figure 856613DEST_PATH_IMAGE127
为求均值；
所述相似系数的大小与1越接近，则源信号与分离信号越相似；所述相似系数在0.9以上时，则算法具有良好的分离精度；
所述信号失真率SDR越大，分离信号失真程度越小，分离精度越高。
一种单通道盲源分离系统，采用单通道盲源分离方法来实现，以及包括：
数据集生成模块，用于构建不同信噪比下的数据集，划分训练集，验证集和测试集；
数据集处理模块，用于对数据集进行标准化和分割处理；
CNN模块，用于将分割后的每一部分序列使用CNN提取空间特征；再由BiLSTM挖掘信号的时序规律；
BiLSTM模块，用于将使用CNN提取空间特征后挖掘信号的时序规律；
损失值判决模块，用于计算损失值，并判断是否收敛，收敛则进行下一步，不收敛进入Adam优化算法；
Adam优化算法模块，用于损失值不收敛时进行反向传播，更新模型参数；
性能测试模块，用于计算评价指标，进行性能测试与评价。
仿真实验1
在无噪条件下使用本文所提算法与EMD-ICA、EEMD-ICA、VMD-ICA这3种传统估计算法和CNN、LSTM、BiLSTM这两种单一网络的深度学习算法对测试集进行验证。
表2 无噪情况下相似系数和失真率
Figure 508175DEST_PATH_IMAGE128
请参阅表2，图6，图7和图8，由相似系数以及SDR可以看出，三种传统算法难以解决此种复杂混叠信号的单通道盲源分离问题，相似系数以及SDR均较低。深度学习算法中CNN对BPSK信号的分离精度较高，但其余三种算法的分离精度较低。LSTM与BiLSTM分离精度较高，与CNN-BiLSTM相比还是存在一定失真。CNN-BiLSTM分离信号与源信号吻合程度最高，基本没有出现失真情况，并且相似系数均达到0.99以上，SDR也达到30dB以上。
其中，EMD-ICA为经验模态分解结合ICA算法；EEMD-ICA为集合经验模态分解结合ICA算法；VMD-ICA为变分模态分解结合ICA算法；LSTM是长短时记忆网络；SDR是信号失真比；BPSK是二进制相移键控；
由结果可以看出，本文算法的分离精度优于传统算法和单一网络结构的深度学习算法，同时也证明了相比传统分离算法，深度学习的分离算法可以更有效地提升分离精度。
请参阅图9，为了验证CNN-BiLSTM网络结构的收敛性，本文将CNN-BiLSTM网络结构替换为单独的CNN、LSTM与BiLSTM网络，分别以相同的训练参数进行训练，训练步数设置为2400次。请参阅图9，将每一次训练的损失值保存，可以得出结论：CNN网络的损失函数曲线有轻微震荡，而且单独的CNN、LSTM和BiLSTM网络收敛速度和收敛精度均低于CNN-BiLSTM网络。
仿真实验2
在信噪比为0~20dB范围内，进行对比分离试验，验证在不同噪声情况下，不同算法的泛化性能与噪声鲁棒性。
请参阅图9和图10，随着信噪比的增加，CNN-BiLSTM方法的分离性能随之呈现增加的趋势，分离准确度增加；随着信噪比的增加，三种传统算法的性能提升并不是很明显，相似系数和SDR一直保持在一个较低的水平；三种深度学习方法在不同信噪比下，性能均优于三种传统算法EMD-ICA、EEMD-ICA、VMD-ICA，即便在较低信噪比下，分离精度亦占优势，其中CNN-BiLSTM与BiLSTM效果最为突出，鲁棒性较强，具有较好的抗噪声能力；
这是由于EMD-ICA、EEMD-ICA、VMD-ICA，作为模型驱动的机器学习方法，本质上是浅层模型，适合信源数少、模型精的任务。然而，单通道盲源分离作为先验知识极少的难点问题，浅层模型不足以刻画其本质特征，未能充分利用信号的深层特征与信息，在泛化为大数据能力上较弱，因此在单通道极端病态条件下，分离性能不佳。当任务复杂，无法用模型驱动的方法精确刻画时，数据驱动的深度学习方法可以弥补模型上的困难，从大量样本中学习到深层本质特征，具有强大的拟合能力，满足信号分离等任务的需求。因此，CNN、LSTM与BiLSTM分离效果优于EMD-ICA、EEMD-ICA、VMD-ICA。其中，CNN网络只能提取信号的空间特征，LSTM与BiLSTM网络虽然有较好的性能，但只能提取信号的时序规律。而CNN-BiLSTM网络分别在空间和时间2个不同的维度对混叠信号进行特征提取，具有更强的特征提取能力，可以发掘信号间更深层次的差异，所以融合网络模型的训练收敛速度估计精度均高于单一网络模型。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。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，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种单通道盲源分离方法，其特征在于，包括以下步骤：
S1、构建不同信噪比下的数据集、划分训练集和测试集；
S2、将所述训练集和测试集进行标准化处理并随机打乱训练集序列；
S3、使用所述训练集对神经网络进行训练，并使用CNN提取信号的空间信息，然后使用BiLSTM挖掘信号的时序规律，并利用算法更新模型参数；
S4、所述验证集验证模型训练效果，根据验证结果微调模型参数；
S5、计算损失值，并判断是否收敛；
如果是，进行下一步；
如果不是，使用Adam优化算法进行反向传播，更新模型参数，重复所述S3和S4；
S6、所述测试集测试已训练好的模型性能，得到分离信号，计算评价指标，进行性能评价。
2.根据权利要求1所述的一种单通道盲源分离方法，其特征在于，所述S1包括如下步骤：
S101、通过Matlab软件生成侦察信号、干扰信号、探测信号和通信信号四种调制方式的源信号数据；
S102、使用公式
Figure 686761DEST_PATH_IMAGE001
所示的线性瞬时混合模型得到观测信号数据集；其中，
Figure 393555DEST_PATH_IMAGE002
为观测信号，
Figure 942348DEST_PATH_IMAGE003
为源信号
Figure 92707DEST_PATH_IMAGE004
经过一个混叠矩阵之后的混合信号，
Figure 172789DEST_PATH_IMAGE005
为噪声，
Figure 371689DEST_PATH_IMAGE006
为时间序列；
为了满足分离任务的长期相关性，所述侦察信号、干扰信号、探测信号和通信信号在每个信噪比下均产生3000个纯数据信号，每条所述纯数据信号包括500个采样点，采样频率为100MHz，采样时间为5us。
3.根据权利要求2所述的一种单通道盲源分离方法，其特征在于，所述S2中，数据集的输入标准化处理为：
Figure 837306DEST_PATH_IMAGE007
（1）
其中，
Figure 96249DEST_PATH_IMAGE008
为输出的标准化数据；
Figure 850578DEST_PATH_IMAGE009
是输入的未标准化数据；
Figure 961491DEST_PATH_IMAGE010
为数据输入序列的均值，
Figure 484877DEST_PATH_IMAGE011
为数据输入序列的方差，
Figure 914721DEST_PATH_IMAGE012
为输入变量的序号。
4.根据权利要求3所述的一种单通道盲源分离方法，其特征在于，所述S3中，所述CNN中卷积层的特征图，表示为：
Figure 703816DEST_PATH_IMAGE013
（2）
其中，
Figure 244519DEST_PATH_IMAGE014
为特征图；
Figure 950307DEST_PATH_IMAGE015
为卷积操作；
Figure 285473DEST_PATH_IMAGE016
为卷积核的权重向量；
Figure 14395DEST_PATH_IMAGE017
表示偏移量；
Figure 404794DEST_PATH_IMAGE018
为激活函数；
Figure 902771DEST_PATH_IMAGE019
为输入的训练数据；
所述LSTM提取特征对应公式为：
Figure 471156DEST_PATH_IMAGE020
（3）
Figure 687374DEST_PATH_IMAGE021
（4）
Figure 569879DEST_PATH_IMAGE022
（5）
Figure 735412DEST_PATH_IMAGE023
（6）
Figure 677961DEST_PATH_IMAGE024
（7）
Figure 115895DEST_PATH_IMAGE025
（8）
其中，
Figure 598829DEST_PATH_IMAGE026
、
Figure 71399DEST_PATH_IMAGE027
、
Figure 919269DEST_PATH_IMAGE028
、
Figure 156084DEST_PATH_IMAGE029
分别指代输入层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 380392DEST_PATH_IMAGE030
、
Figure 707468DEST_PATH_IMAGE031
、
Figure 54136DEST_PATH_IMAGE032
、
Figure 466663DEST_PATH_IMAGE033
分别指代隐藏层到输入门、遗忘门、输出门与细胞状态的权重向量；
Figure 229082DEST_PATH_IMAGE034
、
Figure 223714DEST_PATH_IMAGE035
、
Figure 678966DEST_PATH_IMAGE036
、
Figure 578789DEST_PATH_IMAGE037
分别指代输入门、遗忘门、输出门与细胞状态的偏移量；
Figure 144900DEST_PATH_IMAGE038
指代激活函数；tanh指代双曲正切激活函数；
Figure 243306DEST_PATH_IMAGE039
表示向量元素乘；
Figure 869459DEST_PATH_IMAGE040
指代第
Figure 256578DEST_PATH_IMAGE041
个输入序列元素值；
Figure 672385DEST_PATH_IMAGE042
指代记忆单元或称为细胞状态，是网络的核心，控制信息的传递；
Figure 828560DEST_PATH_IMAGE043
是新的输入带来的信息；
Figure 625615DEST_PATH_IMAGE044
指代输入门决定当前
Figure 234450DEST_PATH_IMAGE045
保留多少信息给
Figure 470260DEST_PATH_IMAGE046
；
Figure 480941DEST_PATH_IMAGE047
指代遗忘门决定保存多少前一时刻的细胞状态
Figure 448897DEST_PATH_IMAGE048
至当前的
Figure 358078DEST_PATH_IMAGE049
；
Figure 804103DEST_PATH_IMAGE050
指代输出门决定
Figure 934870DEST_PATH_IMAGE049
传递多少至当前状态的输出
Figure 73727DEST_PATH_IMAGE051
；
Figure 719472DEST_PATH_IMAGE052
指代在
Figure 969188DEST_PATH_IMAGE053
时刻的隐层状态。
5.根据权利要求4所述的一种单通道盲源分离方法，其特征在于，所述S1中，所述训练集包括作为网络输入值的观测信号和作为监督学习的原始信号。
6.根据权利要求5所述的一种单通道盲源分离方法，其特征在于，所述S5中，使用均方误差作为实验的损失函数，表达式为：
Figure 954462DEST_PATH_IMAGE054
（9）
其中，
Figure 575805DEST_PATH_IMAGE055
表示源信号真实值，
Figure 646529DEST_PATH_IMAGE056
表示源信号预测值；
Figure 699936DEST_PATH_IMAGE057
为信号序列的长度。
7.根据权利要求6所述的一种单通道盲源分离方法，其特征在于，所述S6中，分离信号和源信号的相似系数和信号失真率的计算公式分别为：
Figure 602033DEST_PATH_IMAGE058
（10）
Figure 82693DEST_PATH_IMAGE059
（11）
其中，
Figure 375134DEST_PATH_IMAGE060
是源信号数目；
Figure 232231DEST_PATH_IMAGE061
为第
Figure 739567DEST_PATH_IMAGE062
路分离信号与相应第
Figure 391128DEST_PATH_IMAGE063
路源信号的相似系数；
Figure 436445DEST_PATH_IMAGE064
为第
Figure 893971DEST_PATH_IMAGE062
路分离信号；
Figure 442764DEST_PATH_IMAGE065
为第
Figure 530805DEST_PATH_IMAGE063
路源信号；
Figure 797839DEST_PATH_IMAGE066
为求均值；
所述相似系数的大小与1越接近，则源信号与分离信号越相似；所述相似系数在0.9以上时，则算法具有良好的分离精度；
所述信号失真率SDR越大，分离信号失真程度越小，分离精度越高。
8.一种单通道盲源分离系统，其特征在于，采用如权利要求1至7中任一项所述的方法来实现，以及包括：
数据集生成模块，用于构建不同信噪比下的数据集，划分训练集和测试集；
数据集处理模块，用于对数据集进行标准化处理并随机打乱训练集；
CNN模块，用于将训练数据使用CNN提取空间特征；再由BiLSTM挖掘信号的时序规律；
BiLSTM模块，用于将使用CNN提取空间特征后挖掘信号的时序规律；
损失值判决模块，用于计算损失值，并判断是否收敛，收敛则进行下一步，不收敛进入Adam优化算法；
Adam优化算法模块，用于损失值不收敛时进行反向传播，更新模型参数；
性能测试模块，用于计算评价指标，进行性能测试与评价。
CN202210374828.8A 2022-04-11 2022-04-11 一种单通道盲源分离方法及系统 Pending CN114464206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210374828.8A CN114464206A (zh) 2022-04-11 2022-04-11 一种单通道盲源分离方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210374828.8A CN114464206A (zh) 2022-04-11 2022-04-11 一种单通道盲源分离方法及系统

Publications (1)

Publication Number Publication Date
CN114464206A true CN114464206A (zh) 2022-05-10

Family

ID=81416777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210374828.8A Pending CN114464206A (zh) 2022-04-11 2022-04-11 一种单通道盲源分离方法及系统

Country Status (1)

Country Link
CN (1) CN114464206A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115834306A (zh) * 2022-11-04 2023-03-21 中国人民解放军国防科技大学 干扰条件下多通信信号符号序列直接估计方法
CN116367316A (zh) * 2023-03-22 2023-06-30 中国人民解放军空军预警学院 一种侦干探通信号时延混合盲源分离方法及系统
CN116776108A (zh) * 2023-06-14 2023-09-19 中国人民解放军空军预警学院 一种基于三阶累积量和张量分解的欠定联合盲源分离方法与系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103763049A (zh) * 2014-01-23 2014-04-30 中国科学院半导体研究所 一种基于固定点独立分量分析算法的合作频谱感知方法
CN106898361A (zh) * 2017-03-16 2017-06-27 杭州电子科技大学 基于反馈变分模式分解的单通道盲源分离方法
CN109830245A (zh) * 2019-01-02 2019-05-31 北京大学 一种基于波束成形的多说话者语音分离方法及系统
CN109841226A (zh) * 2018-08-31 2019-06-04 大象声科（深圳）科技有限公司 一种基于卷积递归神经网络的单通道实时降噪方法
CN110321810A (zh) * 2019-06-14 2019-10-11 华南师范大学 单通道信号双路分离方法、装置、存储介质及处理器
CN111292762A (zh) * 2018-12-08 2020-06-16 南京工业大学 一种基于深度学习的单通道语音分离方法
CN111627457A (zh) * 2020-05-13 2020-09-04 广州国音智能科技有限公司 语音分离方法、系统及计算机可读存储介质
CN113052218A (zh) * 2021-03-15 2021-06-29 杭州电子科技大学 工业过程的多尺度残差卷积与lstm融合性能评估方法
CN113362853A (zh) * 2020-03-03 2021-09-07 东北大学秦皇岛分校 一种基于lstm网络emd端点效应抑制方法
CN113807951A (zh) * 2021-09-23 2021-12-17 中国建设银行股份有限公司 一种基于深度学习的交易数据趋势预测方法和系统
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103763049A (zh) * 2014-01-23 2014-04-30 中国科学院半导体研究所 一种基于固定点独立分量分析算法的合作频谱感知方法
CN106898361A (zh) * 2017-03-16 2017-06-27 杭州电子科技大学 基于反馈变分模式分解的单通道盲源分离方法
CN109841226A (zh) * 2018-08-31 2019-06-04 大象声科（深圳）科技有限公司 一种基于卷积递归神经网络的单通道实时降噪方法
CN111292762A (zh) * 2018-12-08 2020-06-16 南京工业大学 一种基于深度学习的单通道语音分离方法
CN109830245A (zh) * 2019-01-02 2019-05-31 北京大学 一种基于波束成形的多说话者语音分离方法及系统
CN110321810A (zh) * 2019-06-14 2019-10-11 华南师范大学 单通道信号双路分离方法、装置、存储介质及处理器
CN113362853A (zh) * 2020-03-03 2021-09-07 东北大学秦皇岛分校 一种基于lstm网络emd端点效应抑制方法
CN111627457A (zh) * 2020-05-13 2020-09-04 广州国音智能科技有限公司 语音分离方法、系统及计算机可读存储介质
CN113052218A (zh) * 2021-03-15 2021-06-29 杭州电子科技大学 工业过程的多尺度残差卷积与lstm融合性能评估方法
CN113807951A (zh) * 2021-09-23 2021-12-17 中国建设银行股份有限公司 一种基于深度学习的交易数据趋势预测方法和系统
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴森等: "《基于盲源分离的结构模态参数识别和损伤诊断》", 30 September 2019 *
张雄伟: "《智能语音处理》", 30 September 2020 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115834306A (zh) * 2022-11-04 2023-03-21 中国人民解放军国防科技大学 干扰条件下多通信信号符号序列直接估计方法
CN115834306B (zh) * 2022-11-04 2023-09-05 中国人民解放军国防科技大学 干扰条件下多通信信号符号序列直接估计方法
CN116367316A (zh) * 2023-03-22 2023-06-30 中国人民解放军空军预警学院 一种侦干探通信号时延混合盲源分离方法及系统
CN116367316B (zh) * 2023-03-22 2024-02-02 中国人民解放军空军预警学院 一种侦干探通信号时延混合盲源分离方法及系统
CN116776108A (zh) * 2023-06-14 2023-09-19 中国人民解放军空军预警学院 一种基于三阶累积量和张量分解的欠定联合盲源分离方法与系统

Similar Documents

Publication Publication Date Title
CN114464206A (zh) 一种单通道盲源分离方法及系统
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN112308133A (zh) 基于卷积神经网络的调制识别方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN109890043B (zh) 一种基于生成式对抗网络的无线信号降噪方法
CN110532932B (zh) 一种多分量雷达信号脉内调制方式识别方法
CN109450834A (zh) 基于多特征关联和贝叶斯网络的通信信号分类识别方法
CN105304078B (zh) 目标声数据训练装置和目标声数据训练方法
CN109617845B (zh) 一种基于深度学习的无线通信解调器的设计及解调方法
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN112349281A (zh) 基于StarGAN的语音识别模型的防御方法
CN114595732A (zh) 基于深度聚类的雷达辐射源分选方法
WO2021088465A1 (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN113971440A (zh) 一种基于深度聚类的无监督雷达信号分选方法
CN111144303A (zh) 基于改进去噪自编码器的电力线信道传输特性识别方法
CN111159891A (zh) 基于dnn神经网络的单样本极化滤波器系数预测方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
Wang et al. Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set
CN112434716B (zh) 一种基于条件对抗神经网络的水下目标数据扩增方法及系统
CN114584441A (zh) 一种基于深度学习的数字信号调制识别方法
He et al. Modulation recognition of communication signals based on deep learning
Hao et al. Deep learning based low complexity symbol detection and modulation classification detector

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: 20220510