趙國偉, 王宏志
(長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,吉林 長春 130012)
盲信號分離理論近年來在信號處理領(lǐng)域中得到了廣泛的應(yīng)用,比如通信系統(tǒng)、語音增強(qiáng)、醫(yī)學(xué)成像、機(jī)械故障診斷等領(lǐng)域[1-4],吸引了越來越多的學(xué)者對其進(jìn)行研究。盲源分離(Blind Source Separation,BSS)其核心思想是,在傳輸信道特性未知或僅有少量先驗(yàn)知識(shí)的情況下,輸入源信號混合情況未知,僅僅依據(jù)觀測到的混合信號來估計(jì)或分離出各個(gè)源信號的特點(diǎn),進(jìn)而重現(xiàn)輸入源信號或進(jìn)行系統(tǒng)辨識(shí)的一種技術(shù)。而獨(dú)立分量分析(Independent Components Analysis,ICA)技術(shù)是伴隨著解決BSS問題逐漸發(fā)展起來的,ICA技術(shù)是在源信號相互獨(dú)立且僅有或者至多有一個(gè)高斯信號的條件下,利用相關(guān)知識(shí)建立相應(yīng)的目標(biāo)函數(shù),并通過優(yōu)化算法使得變化后的估計(jì)信號之間的非高斯性最大,即源信號相互獨(dú)立,從而使信號得到分離[5]。
然而,大部分ICA方法都以無噪假設(shè)為前提條件[6-8],使用的優(yōu)化算法為牛頓迭代算法和梯度下降算法,在信號分離的過程中,收斂過程相對較慢,并且在算法迭代的過程中容易陷入局部最優(yōu)。在實(shí)際應(yīng)用中,傳感器接收到的信號不止一個(gè),往往是各個(gè)信號的延遲混合以及噪聲的疊加,使得分離變得更加復(fù)雜。
因此,針對以上問題,文中研究了基于非高斯有色噪聲的條件下,采用基于四階累積量和粒子群優(yōu)化的盲分離算法。粒子群優(yōu)化算法與其他智能優(yōu)化算法相比,其具有結(jié)構(gòu)簡單、設(shè)置參數(shù)少、易于實(shí)現(xiàn)和較強(qiáng)全局優(yōu)化能力等一系列的優(yōu)點(diǎn)[9-10]。
含有n個(gè)源信號和m個(gè)傳感器的多輸入、多輸出線性瞬時(shí)混合模型如圖1所示。
圖1中,
其中
表示n個(gè)源信號。
式中:A——n×m的混合矩陣;
n(t)——加性噪聲。
為得到的觀測信號。
通常,它們滿足如下的一些假設(shè)條件:
1)源信號個(gè)數(shù)小于或等于傳感器個(gè)數(shù),即n≤m。為了簡化算法,一般取n=m。
2)各個(gè)源信號si(t),i=1,2,…,n之間相互統(tǒng)計(jì)獨(dú)立且至多含有一個(gè)高斯信號。
3)混合矩陣A列滿秩。
圖1 混合模型
分離系統(tǒng)的輸出可以表示為:
式中:y(t)——得到的估計(jì)信號;
W——解混矩陣。
解混模型如圖2所示。
圖2 解混模型
如果在理想狀態(tài)下不考慮噪聲的影響,分離過程可以簡寫為
在對信號進(jìn)行分離前,通常需要先對觀測信號進(jìn)行預(yù)處理,即去均值和白化過程,以使信號滿足相互獨(dú)立的要求。當(dāng)信號可以分離時(shí),系統(tǒng)矩陣C滿足如此關(guān)系[11:
式中:P——交換矩陣;
D——非奇異對角矩陣。
去噪是盲源分離研究中的一個(gè)重要方面,針對含有噪聲的盲源分離問題,眾多學(xué)者提出了各種方法來解決噪聲對分離過程的影響,其中Hyvarinen[12]在基于經(jīng)典FastICA算法的基礎(chǔ)上加入了白化偏移技術(shù),Douglas等在自然梯度算法中引入了偏移方法,這些技術(shù)雖然在一定程度上降低了白噪聲的影響,然而在背景噪聲中含有色噪聲時(shí),上述提出的方法對分離就沒有太大的幫助了。文中首先通過Hilbert變換構(gòu)造含噪觀測信號復(fù)數(shù)情況下的接收值,根據(jù)一種特殊四階累積量的定義和SVD-TLS方法來估計(jì)非高斯有色噪聲模型的參數(shù),進(jìn)而對去噪的觀測信號采用粒子群算法進(jìn)行優(yōu)化得到分離信號。
由以上分析可以得到觀測信號為:
式中:nNG(t)——非高斯有色噪聲,假設(shè)為非高斯ARMA過程。
根據(jù)文獻(xiàn)[13],首先定義一種復(fù)數(shù)域上的特殊四階累積量。
定義1 復(fù)數(shù)過程?X(t)的四階累積量為:
式中:Re[?X(t+τ1)]——?X(t+τ1)的實(shí)部。
實(shí)際上,定義1可以看作是兩種四階累積量的結(jié)合,即:
根據(jù)定義1,有以下兩個(gè)結(jié)論[13-15]:
(3)當(dāng)?shù)卮迕裥∞r(nóng)思想較為嚴(yán)重,不愿意進(jìn)行土地流轉(zhuǎn),愿意進(jìn)行土地流轉(zhuǎn)的村民也由于當(dāng)?shù)赝恋刭|(zhì)次、鹽堿化嚴(yán)重,很難吸收到大型涉農(nóng)企業(yè)進(jìn)行投資,所以集約化種植也較為困難。
采用SVD-TLS方法求解噪聲的AR模型階數(shù)N和系數(shù)bi,i=1,2,…,N,得到噪聲的估計(jì),進(jìn)而可以獲得去噪的觀測信號x(t)。
基于ICA分離算法的核心思想是確定一個(gè)目標(biāo)函數(shù),選取合適的優(yōu)化算法求其最大或者最小值,從而求得分離矩陣W。
中心極限定理證明了由各相互獨(dú)立的隨機(jī)量之和組成的一個(gè)隨機(jī)量,如果其各成分量是具有有限方差和均值的,則與各獨(dú)立隨機(jī)分量的分布無關(guān),此隨機(jī)量的分布將接近高斯分布。因此,如果獲得的觀測信號是源信號的一個(gè)線性疊加,那么結(jié)果是觀測信號的非高斯性相比于源信號,其高斯性更弱。由此,可以通過衡量分離信號之間的高斯性來判斷各信號之間的獨(dú)立性,從而判別信號是否分離。信號的四階累積量可以衡量信號的非高斯性,因此,選取四階累積量作為獨(dú)立性的判據(jù),得到以下的目標(biāo)函數(shù)為:
信號的非高斯性越強(qiáng),K(y)的絕對值越大?;诖耍岢鲆韵碌哪繕?biāo)函數(shù):
當(dāng)J(W)最大時(shí),就可認(rèn)為達(dá)到了盲源分離的目的,這時(shí)求解的W即為所要求的分離矩陣。采用粒子群算法對式(7)進(jìn)行優(yōu)化:為在第t次迭代中,第i個(gè)粒子的第d維的當(dāng)前位置,當(dāng)前飛行速度為,此時(shí)該粒子搜索到的最優(yōu)位置為pid,整個(gè)粒子群搜索到的最優(yōu)位置為pgd,對目標(biāo)函數(shù)進(jìn)行全局尋優(yōu)得到盲源分離算法步驟如下:
1)將觀測信號X(t)進(jìn)行Hilbert變換,構(gòu)造復(fù)數(shù)過程?X(t)。
2)按定義1估計(jì)?X(t)的四階累積量C4,?X(τ1,τ2,τ3),利 用 其 滿 足 高 階 累 積 量Yule-Walker方程,使用SVD-TLS方法估計(jì)噪聲AR模型的階次N和系數(shù)bi,i=1,2,…,N,得到去噪的觀測信號x(t)。
3)對觀測信號x(t)進(jìn)行預(yù)處理:中心化和白化。
4)根據(jù)分離矩陣W維數(shù)確定粒子維數(shù)。
5)隨機(jī)產(chǎn)生一定數(shù)量的粒子,在約束范圍內(nèi)對粒子的位置和速度初始化。
6)對粒子種群初始測量一次,根據(jù)式(7)計(jì)算每個(gè)粒子的適應(yīng)度值,找到初始狀態(tài)下個(gè)體最優(yōu)和群體最優(yōu)粒子位置。
7)根據(jù)粒子群算法,采用式(8)~式(10)更新每個(gè)粒子的位置和速度,計(jì)算每個(gè)粒子當(dāng)前適應(yīng)度值。
8)如果式(7)達(dá)到最大,則保存最佳粒子,迭代結(jié)束,否則轉(zhuǎn)步驟7)。
為了驗(yàn)證算法的有效性,采用3個(gè)人工源信號分別為:
s1=sin(36*pi*k/Fs);
s2=sin(18*pi*k/Fs);
s3=sin(1.8*pi*k/Fs)*sin(60*pi*k/Fs);
采樣頻率為1kHz,混合矩陣A為隨機(jī)產(chǎn)生。
n1(k),n2(k)為非高斯有色噪聲,并滿足ARMA(2,2)模型:
e(k)滿足指數(shù)非高斯分布。
粒子群算法參數(shù)設(shè)置:粒子維數(shù)為D=9,種群個(gè)數(shù)為K=20,粒子每一維限制在[-1,1],c1=c2=2,r1,r2為[0,1]之間的隨機(jī)數(shù),慣性權(quán)重系數(shù)umax=0.8,umin=0.3。最大迭代次數(shù)tsum=100,算法運(yùn)行40次。
源信號波形圖如圖3所示。
加噪后的觀測信號X(t)如圖4所示。
去噪信號x(t)如圖5所示。
分離信號如圖6所示。
圖3 源信號波形圖
圖4 加噪觀測信號
圖5 去噪混合信號
圖6 分離信號
通過以上仿真實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn),文中提出的算法可以較好地使信號分離。由圖6可以發(fā)現(xiàn),分離信號的幅度大小和順序與源信號不同,這是由于盲分離中的不確定性導(dǎo)致的,但這并不影響分離效果,因?yàn)樾盘柌ㄐ纬休d著信號的主要信息。
粒子群算法收斂曲線如圖7所示。
圖7 粒子群算法收斂曲線
自然梯度算法收斂曲線如圖8所示。
為了驗(yàn)證算法的有效性,我們定義了源信號和分離信號的相關(guān)系數(shù)來作為評判標(biāo)準(zhǔn),見下式:
式中:sj,yi——分別是源信號和分離信號,相似度越大,說明分離效果越好。
由式(11)知,若ζij趨近于零,表明分離信號yi(t)與源信號sj(t)是不相關(guān)的。當(dāng)ζij越接近1,說明相似度越大,分離效果越好。
圖8 自然梯度算法收斂曲線
分別采用粒子群優(yōu)化算法和自然梯度優(yōu)化算法對混合信號進(jìn)行盲分離仿真實(shí)驗(yàn)結(jié)果的比較,以及算法達(dá)到穩(wěn)定時(shí)所需的最小迭代次數(shù),見表1。
表1 不同優(yōu)化算法比較
研究了非高斯有色噪聲下的盲信號分離算法,首先利用特殊定義下的復(fù)數(shù)域信號的四階累積量和方法來估計(jì)噪聲信號的AR模型參數(shù),進(jìn)而獲得去噪的混合信號。然后采用粒子群算法進(jìn)行優(yōu)化獲得分離信號,通過仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性,同時(shí),可以發(fā)現(xiàn)與傳統(tǒng)的采用自然梯度算法相比,基于智能優(yōu)化算法的粒子群算法具有更快的收斂速度和分離精度。
[1] Xin J R,Wang J,Chen S H,et al.Research on receiving technology based on blind signal separation for satellite MIMO communication system[J].Journal of Systemm Simulation,2013,25(3):484-488.
[2] Guo L F,Garland M.The use of entropy minimization for the solution of blind source separation problems in image analysis[J].Pattern Recognition,2006,39(6):1066-1073.
[3] Mammone N,La Foresta F,Morabito F C.Automatic artifact rejection from Multichannel scalp EEG by wavelet ICA[J].Sensors Journal,2012,13(2):533-542.
[4] Brookings T,Ortigueb S,Graftonb S.Using ICA and realistic BOLD models to obtain joint EEG/Fmri solutions to the problem of source localization[J].Neuro Image,2009,44(2):411-420.
[5] 劉琚,何振亞.盲源分離和盲反卷積[J].電子學(xué)報(bào),2002,30(4):570-576.
[6] 呂淑平,方興杰,楊麗微.獨(dú)立分量分析的算法分析與改進(jìn)[J].噪聲與振動(dòng)控制,2013,33(6):153-157.
[7] Cardoso J F.Higher order contrast for independent component analysis[J].Neural Computation,1999,11(1):157-193.
[8] Miller E G,John W.ICA using spacings estimates of entropy[J].Journal of Machine Learning Research,2003,4(7/8):1271-1295.
[9] 崔曉佳,付強(qiáng),王娜娜.基于四階累積量和簡化粒子群的盲分離算法[J].電子設(shè)計(jì)工程,2014,22(18):29-35.
[10] 蔡連芳,田學(xué)民.基于互累積量的有噪獨(dú)立分量分析方法[J].計(jì)算機(jī)工程,2012,38(16):192-195.
[11] Comon P.Independent component analysis,A new concept[J].Signal Process,1994,36(3):287-314.
[12] Hyvarinen A.Gaussian moments for noisy independent component analysis[J].Signal Processing Letters IEEE,1999,6(6):145-147.
[13] Wang Hongzhi,Zhang Yan,Wang Shuxun.A harmonic retrieval method in coloured non-gaussian noise based on fourth-order cumulant[J].Journal of Jilin Institute of Technology,1998,19(4):17-23.
[14] 劉燕青,李志舜,王惠剛,等.基于累積量的盲分離算法的穩(wěn)定性分析[J].系統(tǒng)工程與電子技術(shù),2003,25(11):1424-1426.
[15] 王宏志,劉麗麗,郭金英.噪聲中的諧波恢復(fù)方法研究[J].長春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2008,29(1):60-64.