一種單通道混沌信號(hào)盲源分離法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電子信息技術(shù)領(lǐng)域，具體涉及一種單通道混沌信號(hào)盲源分離法。
【背景技術(shù)】
[0002] 混沌信號(hào)的波形是非常不規(guī)則的，表面上看來(lái)就像噪聲，但實(shí)際上它卻是由確定 性的規(guī)則所產(chǎn)生的，這種規(guī)則有時(shí)是很簡(jiǎn)單的。正是這種簡(jiǎn)單的規(guī)則產(chǎn)生出復(fù)雜的波形激 發(fā)了人們對(duì)它極大的興趣。自從20世紀(jì)70年代以來(lái)，混沌學(xué)已經(jīng)成為一門(mén)新型的科學(xué)分 支。
[0003] 對(duì)于多路混沌信號(hào)的傳輸，有些采用多接口和連線，但花費(fèi)成本較高；或者利用復(fù) 用和解復(fù)用技術(shù)，但這些方法的缺點(diǎn)是采用設(shè)備復(fù)雜度較高。所以現(xiàn)實(shí)生活中，由于條件及 成本限制，往往采用單通道盲源分離法，即在多路源信號(hào)混合后，憑借單通道混合信號(hào)再恢 復(fù)出多路源信號(hào)。
[0004] 目前對(duì)于單通道盲源分離方法主要有三種類(lèi)型：基于模型法、虛擬多通道法和針 對(duì)已調(diào)信號(hào)特征的方法。由于虛擬多通道法在算法的復(fù)雜度和收斂速度等方面表現(xiàn)出較好 的特性，其無(wú)需依賴(lài)信號(hào)的先驗(yàn)概率特征或者使用的調(diào)制方式，直接將單通道混合信號(hào)投 射到高維空間，再與經(jīng)典的獨(dú)立成分分析（Independent Component Analysis, ICA)算法結(jié) 合恢復(fù)出源信號(hào)，所以該方法針對(duì)單通道盲源分離這種極端欠定的情況具有很大的應(yīng)用價(jià) 值。
[0005] 總體經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition, EEMD)是將單通 道混合信號(hào)分解為多個(gè)本征模態(tài)函數(shù)（MFs)，構(gòu)建出虛擬多通道，此方法相對(duì)于空時(shí)法、 小波分解法等分離效果得到明顯提高，對(duì)于頻譜有重疊的信號(hào)也能夠得到較好分離恢復(fù)效 果，但在實(shí)際實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)直接用ICA處理MFs分量時(shí)，經(jīng)常遇到算法迭代次數(shù)過(guò)高、收 斂速度慢等問(wèn)題。因此利用EEMD_ICA方法處理過(guò)程中需要人憑借經(jīng)驗(yàn)進(jìn)行信號(hào)的挑選，但 智能性不高。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的是提供一種單通道混沌信號(hào)盲源分離法，可以有效地克服現(xiàn)有技術(shù)的 缺點(diǎn)。
[0007] 本發(fā)明是這樣實(shí)現(xiàn)的，其特征在于采用的模塊包括有總體經(jīng)驗(yàn)?zāi)B(tài)分解模塊、相 關(guān)性分析模塊、主成分分析模塊、獨(dú)立成分分析模塊，具體實(shí)施步驟是：
[0008] A、將多路混沌信號(hào)通過(guò)屏蔽導(dǎo)線送到混沌信號(hào)預(yù)處理模塊直接相加，得到預(yù)處理 單通道混沌信號(hào)x(t);
[0009] B、將混合得到的預(yù)處理單通道混沌信號(hào)x(t)送到混沌信號(hào)盲源分離模塊，進(jìn)行 總體經(jīng)驗(yàn)?zāi)B(tài)分解，即EEMD分解，基于相關(guān)系數(shù)的主成分分析PCA降維和獨(dú)立成分分析，即 ICA分析，實(shí)現(xiàn)多路混沌信號(hào)通過(guò)一個(gè)輸入口采集，多路輸出口輸出；
[0010] B. 1、總體經(jīng)驗(yàn)?zāi)B(tài)分解EEMD處理得到本征模態(tài)函數(shù)MF ;
[0011] a、將混合得到的預(yù)處理單通道混沌信號(hào)x(t)分別與i = 1，2, ···，N路不同的白噪 聲叫(0疊加，加入的白噪聲njt)的均值為零、標(biāo)準(zhǔn)差為常數(shù)，得到加入白噪聲之后的信號(hào) xi⑴，其中i = 1，2,…，N :
[0012]
【主權(quán)項(xiàng)】
1. 一種單通道混沌信號(hào)盲源分離法，其特征在于采用的模塊包括有總體經(jīng)驗(yàn)?zāi)B(tài)分解 模塊、相關(guān)性分析模塊、主成分分析模塊、獨(dú)立成分分析模塊，實(shí)施步驟是： A、 將多路混沌信號(hào)通過(guò)屏蔽導(dǎo)線送到混沌信號(hào)預(yù)處理模塊直接相加，得到預(yù)處理單通 道混沌信號(hào)x(t); B、 將混合得到的預(yù)處理單通道混沌信號(hào)x(t)送到混沌信號(hào)盲源分離模塊，進(jìn)行總體 經(jīng)驗(yàn)?zāi)B(tài)分解，即EEMD分解，基于相關(guān)系數(shù)的主成分分析PCA降維和獨(dú)立成分分析，即ICA 分析，實(shí)現(xiàn)多路混沌信號(hào)通過(guò)一個(gè)輸入口采集，多路輸出口輸出； B. 1、總體經(jīng)驗(yàn)?zāi)B(tài)分解EEMD處理得到本征模態(tài)函數(shù)頂F ; a、 將混合得到的預(yù)處理單通道混沌信號(hào)x(t)分別與i = 1，2，···，Ν路不同的白噪聲 Hi (t)疊加，加入的白噪聲Ili (t)的均值為零、標(biāo)準(zhǔn)差為常數(shù)，得到加入白噪聲之后的信號(hào) Xi(t)，其中 i = 1，2,…，N :
b、 對(duì)所得到的信號(hào)Xi⑴分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解EMD，得到各自的MF記為aij⑴和余 項(xiàng)巧⑴，其中 aiJ(t)表示加入白噪聲叫⑴后分解得到的第j個(gè)頂F:
c、 對(duì)經(jīng)EMD分解后所得到的MF集合{aij (t)，…，aij (t)，…aNj (t)}進(jìn)行總體平均運(yùn) \ N 算，得到的IMF為α _ (〇 =--Σ (0，即為對(duì)原信號(hào)進(jìn)行EEMD分解后所得到的第j個(gè) IMF，j = 1，2, aj(t)的序列長(zhǎng)度為n，由此得到IMF的mXn分量矩陣A = {ajt),… ,a^t)，其中a」(t) e A，m為單通道混沌信號(hào)經(jīng)EEMD分解后的MF個(gè)數(shù)，上標(biāo)T 為轉(zhuǎn)置運(yùn)算； B. 2、對(duì)得到的IMF分量進(jìn)行降維： a、對(duì)得到的IMF分量根據(jù)相關(guān)度進(jìn)行第一次降維： 對(duì)得到的m個(gè)MF分量分別與混合得到的預(yù)處理單通道混沌信號(hào)x(t)求相關(guān)度'
，其中D (X)為X (t)的方差，D (a』）為aj(t)的方差，cov (X)為X (t) 的協(xié)方差，cot (ap為\_(〇的協(xié)方差，取相關(guān)度大于閾值的IMF分量，閾值為常數(shù)，進(jìn) 行第一次降維，得到IMF的kXn分量矩陣B= {ajt), …七⑴}1，其中aj(t) eB， k為第一次降維后的頂F個(gè)數(shù)，上標(biāo)T為轉(zhuǎn)置運(yùn)算； b、對(duì)第一次降維所得到的矩陣B進(jìn)行PCA降維： R = E(BBT)，RV = VA，其中B = {ai(t)，…七⑴，…以⑴}1為第一次降維后的MF 分量k X η矩陣，R為k個(gè)變量IMF的自相關(guān)矩陣，V為R的k X k階特征向量矩陣，其列向量 是R的正交歸一化的特征向量，Λ為R的特征對(duì)角矩陣，λ i (i = 1，2,…，k)為Λ第i個(gè) 對(duì)角線上的元素，構(gòu)造 k個(gè)不相關(guān)的新變量Y = VTB，其中Y= Iy^y2,…"!^，對(duì)AiQ = 1，2,…，k)按降序排列后，取前面p個(gè)較大特征值所對(duì)應(yīng)的特征向量，得到kXk階特征向 量矩陣V降維后的pXn階向量矩陣C，其中p彡2 ; B. 3、將PCA降維所得到矩陣C進(jìn)行ICA處理，采用約束獨(dú)立成分分析（CICA)算法進(jìn)行 處理： a、 對(duì)C進(jìn)行白化處理，得到白化數(shù)據(jù)，即觀測(cè)矩陣X，其中X = MS (n)，M為信號(hào)的混合 矩陣，S (η)為源信號(hào)； b、 隨機(jī)選取權(quán)向量作為解混矩陣W的權(quán)值，即W的初始值，W為解混矩陣，同時(shí)也是混 合矩陣M的虛擬反矩陣，因?yàn)閃 = 所以S (n) = IT1X = WX ; c、 為了求出最終收斂的W值，根據(jù)牛頓迭代法推導(dǎo)，得到迭代式 W -E(Xg(WTX))-E(g' (WTX))W，其中 X 為 C 白化后的觀測(cè)矩陣，g(u) = tanh(alU)為非二 次函數(shù)的導(dǎo)數(shù)，1彡S1S 2 ; d、 循環(huán)迭代，直到收斂為止，最后得到pXn階向量矩陣Y(n)，通過(guò)觀察選取分離后的 混沌信號(hào)。
【專(zhuān)利摘要】一種單通道混沌信號(hào)盲源分離法，屬于電子信息技術(shù)領(lǐng)域，其特征在于采用的模塊包括有總體經(jīng)驗(yàn)?zāi)B(tài)分解模塊、相關(guān)性分析模塊、主成分分析模塊、獨(dú)立成分分析模塊。實(shí)施步驟是將多路混沌信號(hào)混合成的單路信號(hào)，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解模塊分解為多路本征模態(tài)函數(shù)分量，利用相關(guān)性分析對(duì)多路本征模態(tài)函數(shù)的主元進(jìn)行一次降維，再用主成分分析法對(duì)多路本征模態(tài)函數(shù)的主元進(jìn)行二次降維，最后采用獨(dú)立成分分析技術(shù)完成混合混沌信號(hào)的盲源分離，恢復(fù)出源信號(hào)。優(yōu)點(diǎn)是能夠有效地減少傳輸通道數(shù)量，達(dá)到降低硬件復(fù)雜度，節(jié)約設(shè)備成本的目的，并能快速有效地恢復(fù)出源信號(hào)。
【IPC分類(lèi)】G06F17-16
【公開(kāi)號(hào)】CN104636314
【申請(qǐng)?zhí)枴緾N201510049797
【發(fā)明人】郭一娜, 莫曉敏, 王曉梅, 杜雅梅, 田文艷, 卓東風(fēng)
【申請(qǐng)人】太原科技大學(xué)
【公開(kāi)日】2015年5月20日
【申請(qǐng)日】2015年1月30日