KR100415335B1 - 소스분리시스템 - Google Patents

Abstract

소스들(S1-Sn)로부터 생성된 일차 신호들(Xj(t))의 순간 선형 혼합들에 의해 형성된 입력 신호들(E_i(t))을 처리하고, 적어도 하나의 추정 일차 신호(X_k(t))를 생성하기 위한 소스 분리 시스템이 공개된다. 이 소스 분리 시스템은 추정 혼합 계수들()을 추출하기 위해 상기 입력 신호들의 누적율들을 결정하는 분리 수단(10) 및 특성화 수단(15)을 구비한다. 상기 계수들은 분리 수단(10)에서 분리 계수들(C_ki, d_ki)로 변환된다. 분리 수단(10)은 직접 구조 또는 순환 구조를 가질 수 있다.

응용 : 전기 신호들, 음향 신호들, 전자기 신호들을 수신하기 위한 장치(안테나, 차량 라디오, 전화기).

Description

소스 분리 시스템

발명의 분야

본 발명은 소스(source)들로부터 얻어진 일차 신호(primary signal)들의 순간 선형 혼합(instantaneous linear mixture)들에 의해 형성된 입력 신호들을 처리하여 적어도 하나의 추정 일차 신호(estimated primary signal)를 생성하는 소스 분리 시스템(source separation system)에 관한 것으로, 그 혼합들은 혼합 계수(mixing coefficient)의 발생을 야기하며, 상기 소스 분리 시스템은, 상기 입력 신호들에 연결된 다수의 입력들과, 추정 일차 신호를 생성하기 위한 적어도 하나의 출력을 가진 소스 분리 수단을 구비하며, 상기 소스 분리 수단은 상기 추정 일차 신호들을 추출하기 위해 사용되는 분리 계수(separation coefficient)들을 적응적으로(adaptively) 결정한다.

본 발명은 또한, 전기 신호들, 음향(sound) 신호들, 전자기 신호들의 수신에 그와 같은 시스템을 적용하는 것에 관한 것이다. 본 발명은, 예컨대, 안테나(aerial), 차량 라디오, 또는 핸즈프리 전화기(hands-free telephone)에 관한 것이다.

발명의 배경

각각의 일차 신호의 추정을 생성하기 위해 일차 신호들의 혼합들을 처리하는 동작으로 이루어진, 일차 신호 소스들의 분리 기술이 공지되어 있다. 이 기술은 독립된 소스들로부터 얻어진 일차 신호들에 적용되며, 이 일차 신호들은 단지 상기 혼합들의 형태로 이용 가능하다. 이는 컨벌루션 선형 혼합(convolutional linear mixture)들 또는 순간 선형 혼합(instantaneous linear mixture)들에 관련될 수 있다. 이들은, 일차 신호들의 전파 메카니즘들에 의해 및/또는 여러 신호 소스들 또는 다른 원인들로부터 얻어진 신호들에 대한 중첩 메카니즘(superposition mechanism)에 의해, 발생될 수 있다.

일반적으로, 소스 분리 기술은 "블라인드 상태에서(in the blind)", 즉 소스들이 알려지지 않는 것으로, 독립적인 것으로, 알려지지 않은 혼합들을 가지고 있는 것으로 가정된 상태에서 수행된다. 그러므로, 상기 혼합들의 여러 샘플들은, 분리 알고리즘들을 이용하면 원래의 일차 신호들의 하나 또는 여러 추정들을 복원(restoring)할 수 있다는 사실에 기초하여, 검출된다.

순간 선형 신호 혼합들의 분리에 적용된 그러한 기술은, 예컨대, 제이.엘.라 코우메(J.L. Lacoume) 및 피. 루이즈(P. Ruiz)의 문헌인 "상관된 입력들로부터의 독립적 신호 소스들의 분리(Separation of Independent Sources from correlated Inputs)"(IEEE Transactions on Signal Processing, Vol.40, No.12, 1992 년 12월, 3074-3078 페이지)에 공개되어 있다.

소스 분리를 행하기 위해, 즉 혼합을 형성하는 각각의 소스의 추정을 출력상에서 얻기 위해, 이 문헌은 누적율(Cumulant)들을 계산하는 방법을 공개한다. 이 목적을 위해, 이 계산 방법은, 혼합들로부터 얻어지는 입력 신호들에 대해 측정된 누적율들의 함수로서 표현되는 출력 신호들의 누적율들을 0으로 설정하고 누적율들이 2차보다 높은 차수인 방식으로 소스 분리 시스템의 파라메터들을 적응시킨다. 이 누적율들을 0으로 설정함으로써, 역 혼합 계수(inverse mixing coefficient)들이, 일차 신호들에의 혼합 동작들의 적용으로부터 얻어지는 변환의 역변환을 얻기 위해, 간접적으로 도출된다. 이 문헌의 기술은 소스 분리 시스템에의 직접구조(direct structure)의 제공을 야기한다. 또한, 입력 신호들은 혼합들로부터 얻어지기 때문에 통계 의존적이므로, 출력 신호들의 누적율들을 입력 신호들의 누적율들에 링크시키는 식(equation)들이 매우 복합하다.

이와 같은 기술은, 구현하기에 매우 복잡한 것으로 판명되었고 또한 일반적으로 순간 선형 혼합들로부터 얻어지는 실제 신호들의 경우에는 간단한 해법(solution)을 낳지 않는다.

발명의 개요

본 발명의 목적은 추정 일차 신호(estimated primary signal)들을 발생함으로써 소스(Source)들을 구별하는 처리를 간단화하는데 있다.

이 목적은, 입력 신호들에 기초하여 혼합 계수들을 추정하기 위해 상기 입력 신호들에 연결된 다수의 입력들, 및 추정 혼합 계수들을 생성하기 위한 적어도 하나의 출력을 가진 특성화 수단(characterization means)을 구비하며, 분리 수단이 상기 추정 혼합 계수들을 수신하기 위한 적어도 하나의 다른 입력을 가지고 있고 또한 상기 추정 혼합 계수들을 분리 계수들로 변환하는 수단을 구비한, 소스 분리시스템에 의해 달성된다.

유리하게도, 추정은 혼합 계수들 자체로부터 얻어지고 역 혼합 계수들로부터는 추정을 얻지 않는다. 이 특성은 훨씬 더 정확한 소스 분리를 보장하며, 추정 일차 신호들은 일차 신호들에 더 근접하게 된다. 또한, 소스 분리 수단은 보다 콤팩트한 순환 구조(recursive structure)를 가질 수 있다.

바람직하게도, 특성화 수단은 입력 신호들에 기초하여 2 차보다 높은 차수의누적율들의 추정들을 행하는 추정 수단과, 상기 누적율들의 추정들을 추정 혼합 계수들로 변환하기 위한 추정 계수들을 계산하는 계산 수단을 구비한다.

유리하게는, 처리는 입력 신호들의 누적율들과 소스 신호들의 누적율들간의 관계를 정립함으로써 간단해진다. 소스들은 통계적으로 독립적이기 때문에, 식들은 훨씬 간단해지며, 따라서 종래에서보다 풀기가 쉬우며, 이는 보다 적은 처리 수단을 필요로 한다.

특히, 추정 계수 계산 수단은 미리 결정된 변환 함수에 따라 상기 누적율들의 추정들을 추정 혼합 계수들로 변환하는 뉴런망(neuron network)을 구비한다.

본 발명의 흥미로운 적용 분야는 일차 신호 소스들 및/또는 수신기들이 이동성을 가지고 있어 변동될 수 있는 전송 조건들을 수반하는 곳이다.

본 발명의 이들 측면들 및 기타 다른 측면들은 후술되는 실시예들을 참조하면 명료해진다.

실시예들의 설명

제 1 도에는, 예컨대 여러 RT 송신기들에 의해 형성된 일차 소스들(5, S1 내지 Sn)이 예시되어 있다. 이 송신기들을 구별 및 분리하기 위하여, 센서들(C1-Cn)이 여러 수신 지점들에 놓여 있다. 이 센서들의 각각은 예컨대 증폭기 및 복조기가 이어지는 안테나이다. 이 센서들은 일차 신호들(X₁(t) 내지 X_n(t))의 혼합(mixture)들로부터 얻어지는 신호들(E₁(t) 내지 E_n(t))을 생성하며, 이 신호들은 소스들(S1 내지 Sn)에 의해 직접 생성되거나, 또는 그 소스들(S1 내지 Sn)에 의해방송(broadcast)되는 신호들을 변조하기 위해 사용된다.

일차 신호들 사이에서 생성된 혼합들은 공간에서의 이 신호들의 전파에 직접 링크된다. 이 혼합들은, 송신기들 및 적절한 센서들을 활용함으로써, 특히 시스템의 동작 주파수들뿐만 아니라, 사용된 변조기들 및 복조기들의 타입들을 선택함으로써, 예컨대 진폭 변조를 이용하는 송신기들을 선택함으로써, 완전히 또는 대략적으로 선형적 및 순간적일 수 있다.

제 1 도에서, 검출된 신호들 E₁(t) 내지 E_n(t)은 추정 일차 신호들((t) 내지(t))을 생성하는 소스 분리 유닛(Source Separation Unit)(10)에 입력되며, 여기서, 변수 t는 예컨대 시간이다. 혼합 입력 신호들(E₁(t) 내지 E_n(t))은 P 개의 미지의 일차 신호들(X₁(t) 내지 X_p(t))에 의해 일반적으로 생성되는 순간 선형 혼합(instantaneous linear mixture)들이며,

이 될 수 있고, 여기서 1≤i≤n 및 1≤j≤p이며, i 및 j는 커런트(current) 변수들이다. 제 1 도에서, n = p이다.

이 일차 신호들은 바람직하게는 적어도 4 차(fourth order)까지 통계적으로 독립된 것으로 가정된다. 이 선호도는 특정 경우들에서 적어도 3 차까지로 변경될 수 있다.

계수들(aij)은 혼합 신호들(E_i(t))에의 신호(X_j(t))의 기여도(cntribution)들을 정의하는 혼합 계수들이다. 알려지지 않은 혼합 계수들(a_ij)은 일정한 값들 또는 천천히 변화하는 값들이다.

후속 설명을 위해, 일차 정규화 신호(primary normalized signal)들이 다음과 같이 정의된다:

그리고, 정규화 혼합 계수들은 다음과 같이 정의된다:

i = j인 경우, α_ii= α_jj= 1이다.

이 정규화 후, 식 (1)은,

로 된다.

이제부터, 정규화 혼합 계수들(α_ij)은 간단하게 혼합 계수들이라고 불리게 된다.

입력 신호들(E_i(t))에 기초하여, 추정 일차 신호( _k(t))를 생성하기 위해, 분리 유닛(10)이 직접 구조를 가지고 있는 경우에 그 분리 유닛(10)은 분리 계수들(C_ki)을 이용한다. 분리 유닛은 역변환을 수행함으로써 추정 일차 신호들을생성한다(여기서, k는 출력 러닝 인덱스(output running index)임).

분리 계수들(C_ki)은 알려지지 않은 혼합 계수들(α_ij)의 추정을 형성하는 추정 혼합 계수들( _ij)에 기초하여 분리 유닛(10)에서 결정된다. 이 추정은 입력 신호들(E_i(t))에 기초하여 추정 혼합 계수들(제 1 도 참조)을 생성하는 특성화 유닛(15)에서 얻어진다.

유사하게, 분리 유닛(10)은 분리 계수들(d_ki)이 사용되는 순환 구조(recursive structure)를 가질 수 있다.

제 2 도는 특성화 유닛(15)의 도면을 나타낸다. 이 특성화 유닛은 추정 계수 계산 유닛(17)이 이어지는 추정 유닛(16)을 구비한다. 추정 유닛(16)은 입력 신호들(E_i(t))의 세트를 수신하고, 입력 신호들(E_i(t))의 특성 크기(characteristic magnitude)들의 세트(A)의 추정을 형성한다. 세트(A)의 이 특성 크기들은, 먼저 입력 신호들(E_i(t))에 기초하여 그 특성 크기들을 계산하고, 다음에, 정규화 일차신호들(Y_j(t))에 관한 특성 크기들의 세트(B) 및 혼합 계수들(α_ij)로부터 그 특성 크기들을 표현할 수 있도록 선택되며, 이들은 알려져 있지는 않지만 세트(B)의 특성 크기들은 세트(A)의 특성 크기들과 동일한 타입이다.

후술하는 설명에서, 선택된 특성 크기들은 혼합 신호들(E_i(t))에 기초하여계산된 누적율들이다.

혼합 계수들을 통해 세트(A)와 세트(B)를 링크시키는 관계들은, 설명된 시스템의 본질적인 특성을 형성한다. 본 발명에 따라, 추정 유닛(16)은 세트(A)의 추정을 결정하며, 이 추정은, 추정 혼합 계수들( _ij)이 추정 계수 계산 유닛(17)에서 그 추정으로부터 도출되기에, 충분하다.

바람직한 실시예에 따라, 세트(A)를 형성하는 특성 크기들은 미리 센터링된(centered) 각각의 혼합 신호(E_i(t))에 연관된 자기 누적율(autocumulant)들, 및 미리 센터링된 혼합 신호들(E_f(t) 및 E_g(t))의 각각의 쌍에 연관된 상호 누적율들(cross-cumulant)이다(여기서, f와 g는 정수 인덱스들이며, 1≤f≤n이고 1≤g≤n임). 유사하게, 세트(B)를 형성하는 특성 크기들은 미리 센터링된 각각의 정규화 일차 신호(Y_i(t))에 연관된 자기 누적율들이다. 이 크기들의 정의는 당업자들에게 원래 잘 알려져 있다.

본 발명에 따라, 2차보다 높은 차수의 누적율들(자기 누적율들 및 상호 누적율들)을 고려한다. 가장 간단한 방식으로 계산될 수 있는 누적율들은 가장 낮은 차수를 가진 누적율들이다. 그럼에도 불구하고, 3차 누적율들은 계산이 이 누적율들에만 한정되도록 충분히 커야 한다. 이 조건은 제한된 수의 소스 타입들에 대해서 발생한다. 바람직하게, 본 발명에 따라, 실험적으로 발견된 신호들의 보다 큰 스펙트럼의 범위(coverage)를 허용하는 4차 누적율들이 계산된다. 당업자는 본 발명의 범위를 벗어나지 않고 다른 차수의 누적율들을 선택할 수 있다.

명료화를 위해, 누적율들의 정의들의 반복이 이하에서 제공되나, 설명된 예를 위해 필요한 누적율들에만, 즉 자기 누적율들 및 4차 상호 누적율들에 한정되고 두 신호들에 한정되며, 관심 있는 두 신호들 사이에서 생기는 시간천이(time shift)는 생기지 않는 것으로 한다.

일반적인 경우에서, 변수 t, 예컨대 시간의 함수로서 변화하는 2 개의 신호들(U(t)와 V(t))을 고려한다. 센터링된 신호들은 다음과 같이 정의된다:

위에서 설명된 식들에서, E{.} 표시는 괄호 내의 식의 수학적 기대값(mathematical expectation)을 나타낸다.

이 센터링된 신호들에 연관된 5 개의 4 차 누적율들은 다음과 같다(여기서, 신호들 U(t)와 V(t)는 각각 u 와 v로 줄여 표기함):

실제로, 정확한 누적율들은 계산되지 않고 단지 추정 누적율들만이 계산된다. 누적율들을 계산하기 위한 여러 가지 기술들이 본 기술분야의 당업자들에게 알려져 있다. 예로서 이하에서 2 개의 방법들만이 제공된다.

누적율들을 계산하기 위한 간단한 첫 번째 방법은 다음과 같은 동작들의 실행으로 구성된다:

1. 하나의 타임 윈도우(time window)에서, 각 신호 U(t) 및 V(t)에 대해 M개의 샘플들을 취한다.

2. 이 샘플들에 기초하여, 2 개의 추정자(estimator)들( <U> 및 <V>)을 계산함으로써 신호들(U(t) 및 V(t))의 수학적 기대값들의 추정들을 행한다. 각 추정자는, 예컨대, 취해진 M 개의 샘플들에 대해 계산된 관심 있는 신호의 산술 평균이다. 이 추정자들(<U>와 <V>)은 실수들이다.

3. 센터링된 신호들(u(t) 및 v(t))에 관련된 추정자들(<u(t)> 및 <v(t)>)은 식(6, 7)과 추정자들(<U> 및 <V>)로부터 도출된다. 이 제 1 추정자들은 예컨대 다음과 같은 방식으로 계산되는 M 개의 샘플들을 포함한다. 센터링된 신호(u(t) 또는 v(t))의 각 추정자(<u(t)> 또는 <v(t)>)는 초기 신호(U(t), v(t))의 각 샘플들로부터 수학적 기대값 E{u(t)}의 추정자(<u>)와 수학적 기대값 E{v(t)}의 추정자(<v>)를 각각 뺌으로서 계산된다(식(6, 7)이 추정자들에 적용됨).

4. 식(8 내지 12)에서 발생하는 모든 수학적 기대값들의 추정자들에 대해서도 동일한 계산법이 적용된다. 예컨대, E{U⁴}의 추정자는 M 개 샘플들의 [<u(t)>]⁴의 산술 평균을 계산함으로써 얻어지게 된다. 계산될 다른 수학적 기대값들에 대해서도 유사하게 적용된다.

5. 식(8 내지 12)에 의해 정의된 각 누적율에 대한 추정이 수학적 기대값들을 그들의 각각의 추정들로 대체함으로써 도출된다.

M 개의 샘플들을 포함하는 윈도우를 여러 서브 윈도우들로 분할하는 단계로 구성된 두 번째 방법을 적용함으로써 누적율들의 추정에 있어서 보다 높은 정밀도가 얻어질 수 있다. 부분 누적율들을 생성하기 위해 각 서브 윈도우에 대해 상기 첫 번째 방법이 적용된다. 다음에, 그 부분 누적율들의 산술 평균을 계산함으로써 M 개 샘플들의 세트에 대해 누적율들이 계산된다(식 8 내지 12).

누적율들을 계산하기 위한 다른 계산법들이 사용될 수도 있다.

본 발명의 적절한 이해를 위해서, 예로서 2 개의 센서들이 사용되어 2 개의 소스들을 분리하는 간단한 경우를 고려한다. 이 예에서는 4 차 자기 누적율들과 상호 누적율들만이 고려되게 된다. 2개의 신호들 E₁(t)과 E₂(t)이 검출되어 센터링된 후 신호들 e₁(t) 및 e₂(t)이 된다. 유사하게, y₁(t) 및 y₂(t)는 독립된 것으로 가정된 정규화 신호들 Y₁(t) 및 Y₂(t)에 대응하는 센터링된 신호들이다.

이전에 설명된 것을 적용함으로써 다음과 같은 5 개의 식들이 얻어진다:

이 식들은,

i) 이미 정의된 세트(A)의 요소들, 즉 센서들에 의해 생성된 신호들을 특징짓는 요소들, 즉 cum4(e1), cum31(e1, e2), cum22(e1,e2), cum31(e2,e1), cum4(e2).

ii) 이미 정의된 세트(B)의 요소들, 즉 정규화 일차 신호들을 특징짓는 요소들, 즉 알려지지 않은 cum4(y1), cum4(y2).

iii) 2 개의 알려지지 않은 혼합 계수들:_α12,_α21

를 포함한다.

5 개의 식들을 정리하면서 알려지지 않은 요소들을 결정하는 것이 이론적으로 가능하다.

2 개보다 많은 소스들이 있고 센서들의 수가 소스들의 수와 같은 경우에, 누적율들(cum4)(식 13 및 17)과 누적율들(cum31)(식 14 및 16)은 예컨대 다음과 같이 각각 일반화된다:

여기서, 1≤j≤n, j≠r, j≠s이고, 1≤r≤n, 1≤s≤n, r≠s이며, r과 s는 커런트(current) 정수값들이다.

이 계산(2 개 소스와 2 개의 센서가 있는 경우)의 목적은 혼합 계수들(_α12및_α21)을 결정하는 것이다. 실제로, 계산은 혼합 계수들(_α12및_α21)의 추정만을 추정 계수들()의 형태로 결정하기 위해 행해진다.

추정 계수들()의 계산은 특성화 유닛(15)(제 2 도에 제공됨)에서 행해진다. 먼저, 추정 유닛(16)이 혼합 신호들의 누적율들에 대한 추정들을 결정하고, 그 후 추정 계수 계산 유닛(17)이 추정 계수들()을 생성한다.

추정 유닛(16)은 식 8 내지 12에 따라 누적율들(cum4(e₁) 내지 cum4(e₂))을 계산한다. 추정 유닛(DSP)은 계산기, 마이크로프로세서 또는 디지탈 신호 처리 유닛에 의해 형성될 수 있다. 이전의 모든 누적율들이 계산되었을 때, 이들은 식 13 내지 17에 기초하여 혼합 계수들(_α12및_α21)을 계산하는 계수 계산 유닛(17)에 의해서 처리된다. 실제로, 이 식들의 해는 실제 계수들(_α12및_α21)을 제공하지 않고 추정 계수들()을 형성하는 대략적인 값만을 제공하는데, 이는 이들이 추정 누적율들이고 식 13 내지 17을 푸는데 사용하는 정확한 누적율들이 아니기 때문이다.

계수 계산 유닛(17)도 식 풀이법을 적용한 계산기, 마이크로프로세서 또는 디지탈 신호 처리 장치에 의해 형성될 수 있다.

이 식들을 풀기 위해, 당업자들에게 알려진 비선형 식 풀이법을 이용할 수 있다. 이 식 풀이법들은, 가우스-뉴턴(Gauss-Newton) 알고리즘, 레벤버그-마쿼트(Levenberg-Marquardt) 알고리즘, 파월-플레쳐(Powell-Fletcher)알고리즘 또는 통상적인 그래디언트 기울기 법(gradient slope method)일 수도 있다.

다른 접근법은 식 13 내지 17을 조합함으로써 식들의 수를 줄이는 단계로 구성된다. 따라서, 다음과 같은 식들이 얻어진다:

이 경우에 계수 계산 유닛(17)은 예컨대 이전에 언급된 공지의 방법들 중 하나를 통해 식 20, 21들을 풀수 있도록 프로그래밍된다.

단일의 혼합 계수(_α12또는_α21)를 포함하는 풀기가 보다 쉬운 식들만을 얻기 위해 그 두 식들을 조합할 수 있다.

또 다른 접근법은, 앞에서 살펴본 식 13 내지 17의 시스템을 정확하게 푸는 것이 아니라, 계산된 누적율 추정들을 결정될 추정 혼합 계수들()에 링크시키는 함수의 근사화를 행하는 것에 한정하는 단계로 구성될 수 있다. 실제로, 식 13 내지 17은 대략 다음과 같은 형태로 설명될 수 있다:

식(22)의 목적은, 마찬가지로 알려지지 않았지만 계산될 필요가 없는 세트(B)를 고려하지 않고 미지의 계수들(_αij)을 세트(A)에 링크시키는 것이다.

G(.)가 F(.)의 근사화를 형성하는 함수이고 G(.)가 실험적으로 사용하기에보다 간단하면 다음을 계산하는 것으로 한정될 수 있다:

이 함수 F(.)는 관심있는 응용을 이용하기 위해 필요한 일차 신호들 및 센서들의 수의 특성이다. 이는, 시스템 자체가 응용의 다른 파라메터들과는 독립적이기 때문에, 이점을 형성한다. 계수 계산 유닛(17)은 함수 F(.)를 풀기 위해 제 1 단계에서 학습 과정(learning process)을 먼저 거칠 수 있다는 것이 쉽게 이해가 되게 된다. 제 2 단계에서, 실험적으로 측정된 데이타가 학습 방법에 따라 처리될 수 있다. 함수 F(.)의 근사값은 다층 뉴런 망 또는 다층 퍼셉트론(perceptron) 망 또는 트리(tree)형 뉴런망을 사용함으로써 함수 G(.)를 통해 얻어질 수 있음이 알려져 있다.

뉴런망의 사용은 특히 관심을 끄는데, 이는 뉴런망은 분리 시스템 자체에서 누적율들의 각각의 배치(batch)에 대해 식 13 내지 17의 해답(resolution)을 매번 요구하지 않기 때문이다. 함수 G(.)를 풀기 위해서는, 누적율들의 각각의 배치(batch)에 대해 다음에 사용될 수 있고, 따라서 소스 분리 시스템이 학습된 함수 G(.)의 타입에 할당되도록, 뉴런망이 미리 학습하는 것으로 충분하다. 소스 분리 시스템을 분리될 센서들의 수 또는 일차 신호들의 다른 수에 적응시키기 위해서는, 뉴런망이 이 새로운 수의 센서들 및/또는 이 새로운 수의 일차 신호들에 관한 새로운 함수 G(.)를 다시 학습하는 것으로 충분하다. 학습 과정에 필요한 예들의 배열(array)을 발생하기 위하여, 임의의 자기 누적율 값들이 일차 신호 및 정규화혼합계수들(_αij)(식 13 내지 17의 우측 항들)에 대한 임의의 값들에 대해 선택된다. 이 식들의 도움으로, 혼합 신호들의 자기 누적율들 및 상호누적율들이 계산된다(상기 식의들 좌측 항). 다음에, 혼합 신호들의 이 누적율들이 뉴런망의 입력들에 도입되며, 그 출력들은 이전에 선택된 정규화 혼합 계수들(_αij)을 생성한다. 이 생성된 계수들(_αij)은 뉴런망의 출력에서 얻어질 결과들을 형성한다. 이와 같이, 뉴런망의 학습은 식 13 내지 17의 사전 계산된 결과에 맞추어 뉴런망의 입력/ 출력신호 일치를 근사화하기 위해 뉴런망의 시냅틱 계수(synaptic coefficient)들을 결정하는 단계로 구성되게 된다. 이는 복잡한 식 13 내지 17을 풀지 않아도 되는 이점을 제공한다.

이와 같이 계산된 추정 혼합 계수들()은 입력 신호들(E_i(t))을 분리(demix)하고 추정 일차 신호들( _k(t))을 생성하기 위해 소스 분리 유닛(10)에 인가된다.

소스 분리 유닛(10)에 의해 행해지는 신호 분리는 다음 식의 형태로 쓸 수 있다:

직접 구조의 경우,

순환 구조의 경우,

계수들(C_ki및 d_ki)은 분리 유닛(10)에 입력되는 추정 혼합 계수들()로부터 도출되는 분리 계수들이다.

추정 혼합 계수들()의 분리 계수들(C_ki및 d_ki)로의 변환은 분리 유닛(10)의 직접 구조 또는 순환 구조에 따라 좌우된다.

분리 유닛(10)이 순환 구조를 가지면, 다음의 변환들 중 하나의 수행을 초래할 수 있다:

이 변환들 중 첫 번째 변환은 k차의 일차 신호에 대응하는 추정 일차 신호가 분리 유닛의 k 번째 출력 상에서 다시 발견되는 경우에 해당한다.

그러나, 안정성 문제들이 이러한 일치의 설정을 허용하지 않는 경우들이 발생될 수 있다. 따라서, k 차의 일차 신호에 대응하는 추정 일차 신호가 분리 유닛의 다른 출력 상에서 생성되는 것이 필요할 수 있다. 따라서, 이 치환(permutation)을 수행할 수 있게 하는 적절한 분리 계수들(dki)이 결정되어야 한다. 이것이 인덱스들에 대한 치환 규칙 σ(i)을 이용하는 두번째 변환의 목적이다.

2 개의 소스들이 있는 경우에, 2 개의 추정 계수들()로 분리 계수들(d_ki)은 다음이 성립하도록 선택된다:

(27) 첫번째 변환의 경우,

(28) 두번째 변환의 경우,

소스 분리 유닛(10)이 직접 구조를 가질 때, 행렬 반전(matrix inversion)이 다음과 같이 행해진다:

여기서 , C_kk=1이다.

순환 구조인 경우에서의 식 26 내지 28의 변환들 또는 직접 구조의 경우에서의 식 29의 행렬 반전은, 예컨대 계산기, 마이크로프로세서 또는 디지탈 신호 처리 유닛인 변환 유닛(11)(DSP)에서 실현된다. 이 경우에서(제 3 도), 소스 분리 유닛(10)은 추정 혼합 계수들()을 분리 계수들(C_ki및 d_ki)로 변환하는 변환 유닛(11)과, 다수의 입력 상에서 혼합 신호들(E_i(t))을 수신하고 적어도 하나의 추정 일차신호((t))를 생성하는 분리 서브유닛(12)을 구비한다. 분리 계수들(C_ki및 d_ki)은 다른 수의 입력들 상에 도달한다.

제 4 도는 직접 구조를 가진 분리 서브 유닛(12_k)의 부분을 나타낸다. 그 부분은 혼합 신호들(E₁(t) 내지 E_n(t))을 각각 수신하는 다수의 입력들(I₁내지 In)을 구비한다. 이 입력들의 각각은 입력에 할당된 분리 계수들(C_k1내지 C_kn)을 통해 상기 신호에 대한 곱셈기 수단들(13₁내지 13_n)에 연결된다. 모든 곱셈기 수단들(13₁내지 13_n)의 출력들은, 모든 신호들을 함께 더하여 추정 일차 신호(t)를 생성하는 가산기(125)에 연결된다. 분리 서브유닛(12)(제 3 도)은 존재하는 추정 일차 신호들(t)과 동일한 수의 부분 서브 유닛들(12_k)을 포함한다.

제 5 도는, 예컨대 2 개의 혼합 신호들(E₁(t) 및 E₂(t))에 기초하여 2 개의 추정 일차 신호들()을 생성하도록 의도된, 순환 구조를 가진 분리 서브유닛(12)을 나타낸다. 이 구조는 신호(E₁(t))에 연결된 입력과, 추정 일차 신호(X₁(t))를 생성하는 출력을 가진 제 1 가산기(112)를 구비한다. 제 2 가산기(212)는 신호(E₂(t))에 연결된 입력과, 추정 일차 신호()를 생성하는 출력을 가지고 있다. 제 1 가산기(112)의 다른 입력이 곱셈기 수단(111)을 통해 제 2 가산기(212)의 출력에 연결되며, 그 곱셈기 수단은 제 2 가산기의 출력 신호에 계수(-d₁₂)로 가중치 부여한다. 유사하게, 제 2 가산기(212)의 다른 입력이 다른 곱셈기 수단(211)을 통해 제 1 가산기(112)의 출력에 연결되며, 이 다른 곱셈기 수단은 제 1 가산기의 출력 신호에 계수(-d₂₁)로 가중치 부여한다. 상기 가산기들(112, 212) 및 곱셈기 수단들(111, 211)은 설명된 기능들을 수행하도록 정확하게 프로그래밍된 계산기, 마이크로프로세서, 또는 디지탈 신호 처리 유닛의 부분을 형성할 수 있다.

제 1 도는 본 발명에 따른 소스(source) 분리 시스템을 도시하는 도면.

제 2 도는 본 발명에 따른 특성화 유닛을 도시하는 도면.

제 3 도는 추정 혼합 계수들을 분리 계수들로 변환하는 변환 유닛을 구비한 본 발명에 따른 소스 분리 유닛을 도시하는 도면.

제 4 도는 직접 구조(direct structure)의 경우에서의 분리 유닛의 제 1 실시예의 부분도.

제 5 도는 순환 구조(recursive structure)의 경우에서의 분리 유닛의 제 2 실시예의 부분도.

* 도면의 주요부분에 대한 부호의 설명 *

5 : 일차 소스 10 : 분리 유닛

15 : 특성화 유닛 16 : 추정 유닛

17 : 추정 계수 계산 유닛

Claims (4)

1. 소스(source)들로부터 얻어진 일차 신호(primary signal)들의 순간 선형 혼합(instantaneous linear mixture)들에 의해 형성된 입력 신호들을 처리하고, 적어도 하나의 추정 일차 신호를 생성하는 소스 분리 시스템으로서,

   상기 혼합들은 혼합 계수들의 발생을 야기하며,

   상기 소스 분리 시스템은,

   a) 상기 입력 신호들에 기초하여 상기 혼합 계수들을 추정하기 위해, 상기 입력 신호들을 수신하도록 연결된 입력 수단을 가지고 있고, 추정 혼합 계수들을 공급하기 위한 적어도 하나의 출력을 가지고 있는 특성화 수단과;

   b) 상기 입력 신호들을 수신하기 위한 다수의 입력들, 상기 추정 혼합 계수들을 수신하기 위한 적어도 하나의 다른 입력, 및 상기 추정 일차 신호를 생성하기 위한 적어도 하나의 출력을 가진 소스 분리 수단으로서, 상기 소스 분리 수단은 상기 추정 일차 신호들을 상기 입력 신호들의 선형 조합으로서 추출하기 위해 사용되는 분리 계수들을 적응적으로 결정하고, 상기 추정 혼합 계수들을, 상기 입력 신호들의 선형 조합을 정의하는 분리 계수들로 변환하는 수단을 포함하는, 상기 소스 분리 수단을 구비하며,

   상기 특성화 수단은 상기 입력 신호들에 기초하여 4차 누적율들의 추정들을 생성하는 추정 수단과, 이 누적율들의 추정들을 추정 혼합 계수들로 변환하기 위한 추정 계수들을 계산하는 계산 수단을 구비하는 것을 특징으로 하는 소스 분리 시스템.
2. 제 1 항에 있어서,

   상기 추정 계수 계산 수단은, 미리 결정된 변환 함수에 따라 상기 누적율들의 추정들을 추정 혼합 계수들로 변환하는 뉴런망(neuron network)을 포함하는, 소스 분리 시스템.
3. 제 1 항에 있어서,

   상기 소스 분리 수단은 직접 구조를 가지고 있고, 추정 혼합 계수들을 상기 직접 구조에 적응된 분리 계수들로 변환하는 변환 유닛을 포함하는, 소스 분리 시스템.
4. 제 1 항에 있어서,

   상기 소스 분리 수단은 순환 구조를 가지고 있고, 추정 혼합 계수들을 상기 순환 구조에 적응된 분리 계수들로 변환하는 변환 유닛을 포함하는, 소스 분리 시스템.