一種單通道時(shí)頻重疊信號(hào)盲分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信信號(hào)處理領(lǐng)域，具體涉及一種單通道時(shí)頻重疊信號(hào)盲分離的方 法。
【背景技術(shù)】
[0002] 在現(xiàn)代信息時(shí)代，隨著通信技術(shù)的發(fā)展和全球通信業(yè)務(wù)的迅速增長(zhǎng)，使得通信環(huán) 境復(fù)雜化，頻譜資源利用緊張化，干擾噪聲種類多樣化；這樣以來，通常為了獲得單個(gè)信號(hào) 分量，需要進(jìn)行信號(hào)分量的分離進(jìn)而使得單通道時(shí)頻混疊信號(hào)在通信中的共道干擾等通信 應(yīng)用環(huán)境中普遍存在。利用陣列信號(hào)MMO系統(tǒng)處理的傳統(tǒng)盲源分離算法以及時(shí)頻域、空域 和碼域?yàn)V波的方法都不再適用，這樣就需要對(duì)這類單通道時(shí)頻重疊信號(hào)進(jìn)行盲分離。
[0003] 從國內(nèi)外大量的文獻(xiàn)可知，多項(xiàng)式擬合方法（Barbarossa S, Scaglione A, Giannakis G B. Product high-order ambiguity function for multicomponent polynomial-phase signal modeling, IEEE Trans Signal Process,vol.46,Issue 3, 1998, p.691-708)、利用能量算子計(jì)算各個(gè)信號(hào)的幅度和相位的方法（Cai X W，Wei P, Xiao X C. The single channel of time-frequency overlapping signal blind source separation method based on energy operator, China science letter E:information science, 2008,38:607-619)、利用各種不同的時(shí)頻分布估計(jì)參數(shù)方法（Li M Z, Zhao H C. Research on parameters extraction of pseudo code phase modulation-carry frequency modulation combined fuse signal based on the adaptive window length of improved B distribution, Acta Armamentarii, 2011，32:543-547)和各種虛擬通道 法等都可以對(duì)單通道時(shí)頻重疊高斯調(diào)幅通信信號(hào)進(jìn)行分離。近年來常用的方法是虛擬通 道法，包括wavelet-ICA和EMD-ICA方法。Hong Hoonbin等對(duì)接收到的混合信號(hào)先進(jìn)行 小波分解，然后對(duì)于得到的分量進(jìn)行ICA處理，將此方法用于機(jī)械故障診斷中去，雖然這 種方法不受信號(hào)類型的限制，對(duì)于單頻率的信號(hào)進(jìn)行分離的效果較好，但是對(duì)于帶寬信 號(hào)不能徹底分離，仍保留了混合信號(hào)的信息，不能很好地分離出各個(gè)源信號(hào)，分離效果不 是很理想（Hong H, Liang M. Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition, Mechanical Systems and Signal Processing, 2007, 21:2025-2040)。毋文峰等提出利用總體經(jīng)驗(yàn)?zāi)B(tài)分解EMD 將單路混合信號(hào)分解為多個(gè)本征模態(tài)函數(shù)，將本征模態(tài)函數(shù)分量進(jìn)行ICA分離恢復(fù)，將 經(jīng)驗(yàn)?zāi)B(tài)分解EMD-ICA的單通道盲源分離方法用于軸承和齒輪的仿真研究，正確分離出 軸承和齒輪源信號(hào)，此法相對(duì)于時(shí)空法、小波分解法等分離效果明顯提高，然而，對(duì)于頻 譜重疊過多的信號(hào)，每個(gè)本征模函數(shù)分量覆蓋了一個(gè)寬的頻率范圍，致使分離效果不佳 (ffu W F, Chen X H，Su X J. Blind Source Separation of Single-channel Mechanical Signal Based on Empirical Mode Decomposition, Chinese Journal of Mechanical Engineering, 2011，47:12-16)。在實(shí)際中，對(duì)于特定模型的信號(hào)，可以采用模型估計(jì)的方法 進(jìn)行盲分離，即建立信號(hào)的模型，利用一些估計(jì)方法將模型中信號(hào)的參數(shù)的估計(jì)出來。王世 元等采用參數(shù)估計(jì)的方法解決了原始混沌信號(hào)的盲分離問題，采用一種容積準(zhǔn)則近似該映 射的加權(quán)積分函數(shù)，基于由狀態(tài)空間模型建模的參數(shù)，提出了一種新的參數(shù)估計(jì)，有效實(shí)現(xiàn) 了混沌信號(hào)的重構(gòu)。由于一定要建立合適的狀態(tài)空間模型的缺點(diǎn)，導(dǎo)致該方法不適用于單 通道時(shí)頻重疊高斯調(diào)幅信號(hào)的盲分離（WangSY,FengJC.Anovelmethodofestimating parameteranditsapplicationtoblindseparationofchaoticsignals,ActaPhys. Sin.，2012, 61:170508)。張淑寧等提出了基于粒子濾波的單通道正弦調(diào)頻混合信號(hào)的分離 和參數(shù)估計(jì)，針對(duì)正弦調(diào)頻混合信號(hào)頻率無跳變的特征，提出了一種基于粒子濾波的相位 差解混疊算法，并通過源信號(hào)相位差解決了算法中粒子濾波高維狀態(tài)空間降維問題，提出 了一種適合高維狀態(tài)空間的似然函數(shù)模型，比較固定長(zhǎng)度粒子估計(jì)值和真實(shí)值誤差，進(jìn)而 準(zhǔn)確衡量粒子權(quán)重.通過在重采樣后引入MCMC轉(zhuǎn)移，解決了靜止參數(shù)下粒子多樣性降低 問題，有效提高粒子濾波迭代收斂速度，完成對(duì)單通道正弦調(diào)頻混合信號(hào)的參數(shù)提取，并 通過重構(gòu)信號(hào)完成正弦調(diào)頻混合信號(hào)分離（ZhangSN,ZhaoHC,XiongG.Separationand parameterestimationofsinglechannelsinusoidalfrequencymodulatedsignal mixturesourcesbasedonparticlefiltering.ActaPhys.Sin.，2014, 63:158401) 〇

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了解決現(xiàn)有技術(shù)中存在的上述缺陷和不足，提供了一種單通道時(shí)頻重疊 信號(hào)盲分離的方法，能有效地實(shí)現(xiàn)單通道時(shí)頻重疊高斯調(diào)幅信號(hào)的盲分離，本發(fā)明給出了 一種帶有預(yù)估計(jì)的混合遺傳-最小值搜索盲信號(hào)分離方法。該方法是根據(jù)信號(hào)的調(diào)制方 式，建立信號(hào)的模型，利用接收到的唯一混合信號(hào)，求出所需要估計(jì)參數(shù)的聯(lián)合最大似然函 數(shù)，即此問題待尋優(yōu)參數(shù)的目標(biāo)函數(shù)；根據(jù)信號(hào)本身的特性，對(duì)時(shí)寬和時(shí)域中心進(jìn)行預(yù)估 計(jì)；利用混合遺傳-最小值搜索算法搜索到是目標(biāo)函數(shù)的最優(yōu)值；最后用已估計(jì)出的參數(shù) 恢復(fù)出各個(gè)高斯調(diào)幅信號(hào)。
[0005] 為解決上述技術(shù)問題，本發(fā)明提供一種單通道時(shí)頻重疊信號(hào)盲分離方法，包括以 下步驟：
[0006] 步驟一，建立信號(hào)模型，將接收到的混合信號(hào)轉(zhuǎn)換成由若干個(gè)高斯調(diào)幅源信號(hào)組 成；
[0007] 步驟二，計(jì)算混合信號(hào)的聯(lián)合最大似然函數(shù)，將混合信號(hào)的求解過程轉(zhuǎn)化成求解 多維變量參數(shù)的過程；
[0008] 步驟三，根據(jù)信號(hào)特性，預(yù)估各個(gè)源信號(hào)的時(shí)域中心和時(shí)寬調(diào)制參數(shù)；
[0009] 步驟四，計(jì)算多維變量參數(shù)的初始值；
[0010] 步驟五，計(jì)算多維變量參數(shù)的最優(yōu)值；
[0011] 步驟六，計(jì)算高斯調(diào)幅源信號(hào)。
[0012] 所述步驟一中，將接收到的混合信號(hào)x(t)轉(zhuǎn)換成由M個(gè)高斯調(diào)幅源信號(hào)組成，表 達(dá)式如下：
[0014] 其中，^表示各個(gè)源信號(hào)分量的幅度調(diào)制系數(shù)，t。表示各個(gè)源信號(hào)分量的時(shí)域中 心，CO1表示各個(gè)源信號(hào)分量的時(shí)寬，P為各個(gè)源信號(hào)分量時(shí)寬的調(diào)制參數(shù)，為各個(gè)源信 號(hào)分量的載頻，0i表示各個(gè)源信號(hào)分量的初相位，t為瞬時(shí)時(shí)間，j為虛數(shù)的虛部單位，f。 為各個(gè)源信號(hào)的中心頻率。
[0015] 所述步驟二中，設(shè)定多維變量參數(shù)A的表達(dá)式如下：
[0017] 其中表示各個(gè)源信號(hào)分量的幅度調(diào)制系數(shù)，t。表示各個(gè)源信號(hào)分量的時(shí)域中 心，co1表示各個(gè)源信號(hào)分量的時(shí)寬，P為各個(gè)源信號(hào)分量時(shí)寬的調(diào)制參數(shù)，為各個(gè)源信 號(hào)分量的載頻，9i表示各個(gè)源信號(hào)分量的初相位；
[0018] 貝1J，混合信號(hào)X的聯(lián)合最大似然函數(shù)的表達(dá)式為：
[0020] 其中，N為采樣點(diǎn)數(shù)，Q為總的采樣點(diǎn)數(shù)，〇為噪聲的標(biāo)準(zhǔn)差，！^為信號(hào)的采樣間 隔，y為若干個(gè)模型信號(hào)瞬時(shí)混合構(gòu)成的估計(jì)時(shí)所用的信號(hào)，X表示接收到的混合信號(hào)。
[0021] 多維變量參數(shù)A的最優(yōu)值表達(dá)式為：
[0023] 所述步驟三中，將接收到的混合信號(hào)x(t)的數(shù)據(jù)代入下列表達(dá)式中，求出各個(gè)源 信號(hào)分量時(shí)寬的調(diào)制參數(shù)P和各個(gè)源信號(hào)分量的時(shí)域中心t。的預(yù)估計(jì)值&和p:
[0025] 其中，t表示瞬時(shí)時(shí)間，f。表示各個(gè)源信號(hào)的中心頻率。
[0026] 所述步驟四中，將設(shè)定的多維變量參數(shù)A的表達(dá)式， 2=(%,P，斗…吟(乂 + "" +4/:,)人,V 替，其中，&表示各個(gè)源信號(hào)分量的幅度調(diào)制系數(shù)，t。表示各個(gè)源信號(hào)分量的時(shí)域中心，coi 表示各個(gè)源信號(hào)分量的時(shí)寬，p為各個(gè)源信號(hào)分量時(shí)寬的調(diào)制參數(shù)，為各個(gè)源信號(hào)分量 的載頻，G1表示各個(gè)源信號(hào)分量的初相位；同時(shí)，采用二進(jìn)制對(duì)多維變量A進(jìn)行編碼，完 全隨機(jī)生成m定長(zhǎng)的二進(jìn)制串作為群體規(guī)模為m的初始種群，A中每個(gè)變量的變化范圍為
[入minAmaJ，用Q位二進(jìn)制數(shù)P來表示，則有：
為個(gè)體，X為混合信號(hào)，然后對(duì)個(gè)體進(jìn)行遺傳操作，得到新的種群后，進(jìn)行另一輪運(yùn)算，當(dāng)最 大迭代次數(shù)大于50時(shí)，輸出的參數(shù)為多維變量參數(shù)A的初始值X0,否則，重新計(jì)算個(gè)體適 應(yīng)度值后進(jìn)行遺傳操作。
[0029] 將多維變量參數(shù)X的初始值XO作為搜索的初始點(diǎn)，利用給定的單純形的頂點(diǎn)函 數(shù)值大小，確定單純形函數(shù)的最高點(diǎn)和最低點(diǎn)，通過的反射、擴(kuò)展及壓縮操作構(gòu)成新的單純 形，當(dāng)估計(jì)值與混合信號(hào)的絕對(duì)誤差E小于le-6時(shí)，輸出的解Xl為多維變量A的最優(yōu)值；
[0030]絕對(duì)誤差的計(jì)算表達(dá)式為E=Ix.j-XI，其中，x.j為個(gè)體，X為混合信號(hào)；
[0031] 反射、壓縮和擴(kuò)展系數(shù)為a，b，c均為常數(shù)，則反射、壓縮和擴(kuò)展操作分別為：
[0035] 其中，n為變量的維數(shù)，k為迭代次數(shù)，表示單純形形心的函數(shù)值，# # # 分別表示經(jīng)過反射、壓縮、擴(kuò)展之后的函數(shù)值，x(k)h表示反射之后的函數(shù)值與第（n+1)點(diǎn)處 函數(shù)值中的最小值。
[0036] 將多維變量參數(shù)X的最優(yōu)值Xl中的參數(shù)代入源信號(hào)表達(dá)式：
[0038] 即可求出各個(gè)高斯調(diào)幅源信號(hào)，其中表示各個(gè)源信號(hào)分量的幅度調(diào)制系數(shù)，t。 表示各個(gè)源信號(hào)分量的時(shí)域中心，^^表示各個(gè)源信號(hào)分量的時(shí)寬，為各個(gè)源信號(hào)分量 的載頻，9 ,表示各個(gè)源信號(hào)分量的初相位，t為瞬時(shí)時(shí)間，j為虛數(shù)的虛部單位，f。為各個(gè) 源信號(hào)的中心頻率。
[0039] 前述遺傳操作包括選擇復(fù)制、交叉和變異操作，其中，進(jìn)行選擇復(fù)制和交叉操作的 個(gè)體的概率大于進(jìn)行變異操作個(gè)體的概率。
[0040] 本發(fā)明所達(dá)到的有益技術(shù)效果：本發(fā)明是一種帶有預(yù)