專利名稱：一種基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信號(hào)處理技術(shù)領(lǐng)域，涉及到復(fù)數(shù)混合源信號(hào)的分離，特別涉及到一種 基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法。
背景技術(shù)：
獨(dú)立分量分析(ind印endent component analysis, ICA)是一種重要的盲源分離 (blind source separation,BSS)方法，不需要源信號(hào)及其混合參數(shù)信息，即能從混合信號(hào) 中分離出各個(gè)源信號(hào)的獨(dú)立成分，已在無(wú)線通信和生物醫(yī)學(xué)等領(lǐng)域得到了廣泛應(yīng)用。然而， 由于不利用源信號(hào)及其混合參數(shù)的先驗(yàn)信息，ICA固有分離信號(hào)順序不確定的缺點(diǎn)，必須利 用源信號(hào)的某種先驗(yàn)信息進(jìn)行識(shí)別后處理，才能獲取所需源信號(hào)。顯然，當(dāng)源信號(hào)個(gè)數(shù)較多 而感興趣信號(hào)較少時(shí)，ICA將分離較多的無(wú)用信號(hào)，造成先驗(yàn)信息利用效率低下。為 此，Lu 和Rajapakse于2001年提出了一種在標(biāo)準(zhǔn)ICA過(guò)程中直接利用源信號(hào)先驗(yàn)信息的一般框 架抓約束獨(dú)立分量分析(Constrained ICA，cICA)，將源信號(hào)的先驗(yàn)信息以參考信號(hào)形式引 入ICA的不等式約束，有效地解決了 ICA的順序不確定問題，當(dāng)利用部分源信號(hào)的先驗(yàn)信息 時(shí)，實(shí)現(xiàn)部分源信號(hào)的定序抽??；當(dāng)利用所有源信號(hào)的先驗(yàn)信息時(shí)，實(shí)現(xiàn)所有源信號(hào)的定序 分離。目前，cICA在實(shí)數(shù)源信號(hào)的分離應(yīng)用中已取得很多成果，性能優(yōu)于標(biāo)準(zhǔn)ICA。盡管 cICA在復(fù)數(shù)源信號(hào)分離中的應(yīng)用才剛剛興起，但初步應(yīng)用結(jié)果已表明其良好的應(yīng)用潛力， 不但解決了復(fù)數(shù)ICA的順序不確定問題，因高效利用先驗(yàn)信息其分離性能也進(jìn)一步提高。 然而，由于目標(biāo)函數(shù)選取的原因，現(xiàn)有的復(fù)數(shù)cICA方法仍存在不足。例如，李鏡和林秋華提 出的基于復(fù)數(shù)FastICA目標(biāo)函數(shù)的cICA算法只適合分離環(huán)形信號(hào)，當(dāng)分離功能磁共振成像 信號(hào)(functional magnetic resonance imaging，fMRI)、頻域語(yǔ)音信號(hào)等實(shí)際非環(huán)形復(fù)數(shù) 信號(hào)時(shí)性能下降。而陳君瑜和林秋華提出的基于復(fù)數(shù)峭度最大化的cICA算法在分離頻域 混合語(yǔ)音信號(hào)時(shí)性能不穩(wěn)定。2008年，Novey和Adali提出了復(fù)數(shù)負(fù)熵最大化算法，不但能 夠分離環(huán)形和非環(huán)形復(fù)數(shù)信號(hào)，性能也比復(fù)數(shù)FastICA和復(fù)數(shù)峭度最大化算法穩(wěn)定，但目 前尚無(wú)cICA解決方案。

發(fā)明內(nèi)容
本發(fā)明提出了一種基于Novey和Adali負(fù)熵最大化目標(biāo)函數(shù)的復(fù)數(shù)cICA方法，利 用復(fù)數(shù)源信號(hào)的先驗(yàn)信息解決復(fù)數(shù)ICA的順序不確定問題。實(shí)際上，部分或全部復(fù)數(shù)源信號(hào)的先驗(yàn)信息客觀存在。例如，對(duì)于fMRI信號(hào)，人們 研究發(fā)現(xiàn)，在視覺、聽覺或運(yùn)動(dòng)刺激下，大腦的某些區(qū)域會(huì)被激活，這些激活區(qū)為復(fù)數(shù)fMRI 信號(hào)的ICA分析提供了一部分源信號(hào)的幅值信息，這部分源信號(hào)就是與任務(wù)相關(guān)的腦激活 區(qū)信號(hào)。對(duì)于語(yǔ)音信號(hào)而言，相鄰頻點(diǎn)子信號(hào)的幅度和能量具有較大的相關(guān)性，這一特性在 頻域混合語(yǔ)音信號(hào)的分離應(yīng)用中，屬于全部復(fù)數(shù)源信號(hào)的先驗(yàn)信息。本發(fā)明的技術(shù)解決方案是，在cICA框架下，以復(fù)數(shù)負(fù)熵最大化算法的目標(biāo)函數(shù)為 ICA基礎(chǔ)，以參考信號(hào)r作為部分或全部復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體，與源信號(hào)的估計(jì)信號(hào)y 一起構(gòu)成接近性量度-E {I y 12 · I r |2}，即源信號(hào)的估計(jì)信號(hào)與參考信號(hào)之間的能量相關(guān)函 數(shù)，設(shè)置門限ξ，以不等式約束_E{ |y |2· |r |2}-ξ彡O約束復(fù)數(shù)負(fù)熵最大化算法的ICA過(guò) 程；當(dāng)參考信號(hào)r作為部分復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體時(shí)，實(shí)現(xiàn)部分復(fù)數(shù)源信號(hào)的定序抽 取；當(dāng)參考信號(hào)r作為全部復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體時(shí)，實(shí)現(xiàn)全部復(fù)數(shù)源信號(hào)的定序分離。本發(fā)明所達(dá)到的效果和益處是，提供了基于負(fù)熵最大化的復(fù)數(shù)ClCA方法，通過(guò)利 用部分或全部復(fù)數(shù)源信號(hào)的先驗(yàn)信息，有效地解決了復(fù)數(shù)ICA的順序不確定問題。本發(fā)明 分離效率高，性能穩(wěn)定，易于軟硬件實(shí)現(xiàn)，可廣泛用于通信、生物醫(yī)學(xué)信號(hào)處理、語(yǔ)音處理、 圖像處理、地質(zhì)勘探等領(lǐng)域中完成高性能的感興趣信號(hào)提取、混合信號(hào)定序分離和語(yǔ)音增 強(qiáng)。


圖1是本發(fā)明的一種基于負(fù)熵最大化的復(fù)數(shù)cICA方法原理框圖。圖2是本發(fā)明的利用幅值信息的部分復(fù)數(shù)源信號(hào)的定序抽取法原理框圖。圖3是本發(fā)明的各頻點(diǎn)混合語(yǔ)音信號(hào)的定序分離法原理框圖。
具體實(shí)施例方式下面結(jié)合技術(shù)方案和附圖，詳細(xì)敘述本發(fā)明的具體實(shí)施例。實(shí)施例1 利用部分復(fù)數(shù)源信號(hào)的幅值信息定序抽取部分復(fù)數(shù)源信號(hào)設(shè)有N個(gè)復(fù)數(shù)源信號(hào)S1-Sn，經(jīng)過(guò)未知的線性混合過(guò)程得到N個(gè)復(fù)數(shù)混合信號(hào) Xl-XN。SSi-Sm(1<M<N)為感興趣信號(hào)，其大致的幅值信息已知，載體為M個(gè)參考信號(hào) r「rM。巧-！^與Sl-%不同，但具有Sl-%的大致幅值信息。令y表示源信號(hào)的估計(jì)信號(hào)?；?于接近性量度_E{ |y |2· |r |2}和門限ξ，構(gòu)成復(fù)數(shù)負(fù)熵最大化算法的不等式約束，這樣，在 原來(lái)復(fù)數(shù)負(fù)熵最大化的分離結(jié)果中，只有滿足不等式約束-E {I y 12 · I r 12} _ ξ < 0的信號(hào)才 得以輸出，且輸出順序與參考信號(hào)的順序相同，至此完成感興趣復(fù)數(shù)源信號(hào)的定序抽取，如 圖2所示。實(shí)施例2 利用相鄰頻點(diǎn)語(yǔ)音信號(hào)的能量相關(guān)性定序分離混合語(yǔ)音信號(hào)設(shè)有兩路時(shí)域卷積混合的語(yǔ)音信號(hào)，通過(guò)頻域變換得到各頻點(diǎn)的瞬時(shí)混合語(yǔ)音信 號(hào)。做法是先對(duì)時(shí)域混合語(yǔ)音進(jìn)行分幀加窗處理，再對(duì)每幀信號(hào)進(jìn)行N點(diǎn)FFT變換，進(jìn)而組 合得到兩路混合語(yǔ)音在N個(gè)頻點(diǎn)上的線性混合復(fù)數(shù)信號(hào)。這時(shí)，應(yīng)用基于負(fù)熵最大化的復(fù) 數(shù)cICA方法對(duì)N個(gè)頻點(diǎn)的混合語(yǔ)音進(jìn)行定序分離，即以相鄰頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)為參考信 號(hào)r，與當(dāng)前頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)y —起構(gòu)成接近性量度-E {I y 12 · | r |2}，設(shè)置門限ξ，以不 等式約束-E{|y|2· |τ|2}-ξ彡0約束復(fù)數(shù)負(fù)熵最大化算法的ICA過(guò)程。如圖3所示。其 中，相鄰頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)可取前一頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)，或前幾個(gè)頻點(diǎn)語(yǔ)音估計(jì)信號(hào) 的平均信號(hào)。最后，對(duì)N個(gè)頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)進(jìn)行組合和FFT逆變換，即可得到語(yǔ)音的時(shí) 域恢復(fù)信號(hào)。
權(quán)利要求
一種基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法，其特征在于，在cICA框架下，以復(fù)數(shù)負(fù)熵最大化算法的目標(biāo)函數(shù)為ICA基礎(chǔ)，以參考信號(hào)r作為部分或全部復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體，與源信號(hào)的估計(jì)信號(hào)y一起構(gòu)成接近性量度-E{|y|2·|r|2}，設(shè)置門限ξ，以不等式約束-E{|y|2·|r|2}·ξ≤0約束復(fù)數(shù)負(fù)熵最大化算法的ICA過(guò)程。
2.根據(jù)權(quán)利要求1所述的一種基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法，其特征 還在于，當(dāng)參考信號(hào)r作為部分復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體時(shí)，進(jìn)行部分復(fù) 數(shù)源信號(hào)的定 序抽取。
3.根據(jù)權(quán)利要求1所述的一種基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法，其特征 還在于，當(dāng)參考信號(hào)r作為全部復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體時(shí)，進(jìn)行全部復(fù)數(shù)源信號(hào)的定 序分離；其中，相鄰頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)取前一頻點(diǎn)的語(yǔ)音估計(jì)信號(hào)或前幾個(gè)頻點(diǎn)語(yǔ)音估 計(jì)信號(hào)的平均信號(hào)。
全文摘要
本發(fā)明公開了一種基于負(fù)熵最大化的復(fù)數(shù)約束獨(dú)立分量分析方法，屬于信號(hào)處理技術(shù)領(lǐng)域。其特征是在約束獨(dú)立分量分析框架下，以復(fù)數(shù)負(fù)熵最大化算法的目標(biāo)函數(shù)為基礎(chǔ)，以參考信號(hào)作為部分或全部復(fù)數(shù)源信號(hào)先驗(yàn)信息的載體，基于源信號(hào)的估計(jì)信號(hào)與參考信號(hào)間能量相關(guān)給出接近性量度，引入負(fù)熵最大化目標(biāo)函數(shù)的不等式約束，實(shí)現(xiàn)部分復(fù)數(shù)源信號(hào)的定序抽取或全部復(fù)數(shù)源信號(hào)的定序分離。本發(fā)明的效果和益處是能夠解決復(fù)數(shù)獨(dú)立分量分析方法的順序不確定問題，分離效率高，性能穩(wěn)定，易于軟硬件實(shí)現(xiàn)，可廣泛用于通信、生物醫(yī)學(xué)信號(hào)處理、語(yǔ)音處理、圖像處理、地質(zhì)勘探等領(lǐng)域中完成高性能的感興趣信號(hào)提取、混合信號(hào)定序分離和語(yǔ)音增強(qiáng)。
文檔編號(hào)G10L21/02GK101833955SQ20101030054
公開日2010年9月15日 申請(qǐng)日期2010年1月22日 優(yōu)先權(quán)日2010年1月22日
發(fā)明者林秋華, 王慧, 王李丹 申請(qǐng)人:大連理工大學(xué)