论文部分内容阅读
单通道盲源分离作为信号处理的关键技术之一,在生物医学信号处理、通信信号处理、水声信号处理等领域具有广泛的应用前景,是当前信号处理领域研究的热点及难点。传统的盲源分离算法无法有效地将具有较少先验信息的线性或非线性单通道混合信号进行分离,本文从信号模型出发,基于信号具有时序结构特征,利用状态空间估计理论和贝叶斯统计分析理论,重点对Kalman滤波、扩展Kalman粒子滤波(Extended Kalman Particle Filter,EPF)、无迹Kalman粒子滤波(Unscented Kalman Particle Filter,UPF)与循环神经网络(Recurrence Neural Network,RNN)方法进行研究,有效的实现单通道盲源分离。具体研究工作如下:(1)基于K al m an滤波的单通道盲源分离算法研究。本文基于K al m an滤波和单通道盲源分离理论,提出了一种基于Kalman滤波的单通道盲源分离算法。该算法通过构造系统的观测方程及状态方程,定义初始迭代值,利用离散时间点的延续性,对每一时刻的信号状态进行估计与迭代更新,得到最优估计,实现了多路信号的单通道盲源分离。在Matlab环境下对三路信号进行仿真验证,实验结果表明Kalman滤波算法对线性瞬时混合系统具有较好的分离性能。(2)基于EPF与UPF算法的单通道盲源分离研究。Kalman滤波对线性系统混合信号有较好的分离效果,但由于状态方程的限制,对非线性系统混合信号的分离性能急剧下降。为了解决非线性系统的这类问题,本文对Kalman滤波、粒子滤波和无迹变换的特点进行了深入研究,在此基础上推导出了扩展Kalman粒子滤波与无迹Kalman粒子滤波单通道盲源分离算法公式,设计了单通道盲源分离EPF与UPF算法。在EPF算法中利用了泰勒级数展开式中的低阶项改善了重要性采样的性能,在UPF中利用无迹变换控制系统均值与协方差的非线性转移,增强了单通道非线性盲源分离效果。并对上述算法分别在一般非线性及强非线性系统下进行了仿真实验,实验结果表明EPF与UPF算法可以对非线性混合信号具有较好的分离效果。(3)基于循环神经网络的单通道盲源分离算法研究。由于EPF和UPF算法存在对大样本数据运算复杂度过高、时间成本大等问题。利用神经网络具有自学习和泛化非线性输入信号结构特征的特点,本文将其应用到非线性单通道盲源分离,优化传统循环神经网络结构,将隐藏层的自循环改进为损失层至隐藏层的循环,减少了运算复杂度,并使网络结构更适合非线性混合单通道盲源分离问题的求解。在Python环境下,对三路混合信号进行仿真实验,实验结果表明,该方法在三层循环神经网络下很好的解决了非线性混合信号盲源分离的问题。