[發明專利]一種單通道盲源分離法

在審

• 申請號: 201711393096.2
• 申請日: 2017-12-14
• 公開（公告）號: CN108231087A
• 公開（公告）日: 2018-06-29
• 發明（設計）人: 郭國慶;翟建強
• 申請（專利權）人: 寧波升維信息技術有限公司
• 主分類號: G10L21/0272
• 分類號: G10L21/0272;G06K9/62;G10L21/0208
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種單通道盲源分離法，其特征在于實施步驟是：

A、將采集到多路信號在信號預處理模塊線性相加，得到預處理單通道信號x(t)；

B、將預處理所得到的單通道信號x(t)送到信號盲源分離模塊，進行去端點效應處理，采用的是極值點對稱延拓(Extreme point symmetry extension，EPSE)的方法，然后依次進行總體經驗模態分解(Ensemble Empirical Mode Decomposition)，即EEMD分解，主成份分析PCA降維和ICA分析，實現多路信號通過一個輸入口采集，多路輸出口輸出：

B.1、抑制端點效應的極值點對稱延拓(EPSE)算法：

a、對預處理得到的信號x(t)，以端點為對稱點，向外對稱加極值點，對長度為N的離散信號序列：x(i)，T(i)＝i，i＝1，2，...，N，其極大值序列為：U(i)，Tu(i)，i＝1，2，...，Nu，其中U(i)＝S(Tu(i))，其極小值數列為：L(i)，Tl(i)，i＝1，2，...，Nl，其中L(i)＝S(Tl(i))，在原數據端點處，以端點為對稱點，向外對稱延伸Nc個周期的極值點，如果信號序列的周期數小于設定值，那么Nc取周期數值，經過延拓的極值序列為：

b、原數據序列的端點很可能不是極值點，如果將它作為極值點，將使包絡線在端點處收縮，使包絡線形狀嚴重變形，引入振蕩誤差，當端點值超出一定的范圍時，為避免端點的漂移現象，要將其作為極值點插入上面的極值點序列Ua，Tua，La，Tla，為簡單起見，以近端點的極值點值作為判斷的基準，

利用經過處理的極值點序列Ua，Tua，La，Tla對時間段T(i)＝i，i＝1，2，...，N擬合得到原信號的上下包絡線；

B.2、總體經驗模態分解EEMD處理得到本征模態函數IMFs：

a、將處理所得到的單通道信號x(t)，多次加入具有均值為零、標準差為常數的白噪聲ni(t)，即為xi(t)＝x(t)+ni(t)，其中xi(t)為加入白噪聲之后的信號，ni(t)為第i次加入的白噪聲，白噪聲ni(t)的準則為其中，εn表示加入的高斯白噪聲標準差，εh表示信號中有效高頻成分的幅值標準差，ε0表示信號幅值標準差，α為比例系數，通常情況下，α＝σ/4能有效避免信號分解中的模式混淆；

b、對所得到的信號進行經驗模態分解EMD，得到各自的IMF記為aij(t)，和余項ri(t)，其中aij(t)表示加入白噪聲后分解得到的第j個IMF；

c、將步驟b所得到的IMF進行總體平均運算，得到IMFs為其中，aj(t)為對原信號進行EEMD分解后所得到的第j個IMF，由此可以得到IMF分量矩陣A＝{a1(t)，a2(t)，…，ai(t)}T，其中，i為單通道信號經EEMD分解后的IMF個數，上標T為轉置運算；

B.3、對得到IMF分量進行PCA降維：R＝E(AAT)，RV＝VΛ，其中A為經過EEMD分解后得到的IMF分量m×n矩陣，R為m個變量IMFs的自相關矩陣，V為R的m×m階特征向量矩陣，其列向量是R的正交規一化的特征向量，Λ為R的特征對角矩陣，λi(i＝1，2，…，m)為第i個對角線上的元素，構造m個不相關的新變量Y＝VTX，Y＝{y1，y2，…，ym}T，對λi(i＝1，2，…，m)按降序排列后，取前面p個較大特征值所對應的特征向量，得到降維后p×n階向量矩陣B，其中p≥2；

B.4、將PCA降維所得到矩陣B進行ICA處理，采用的是效果好且速度快的基本定點迭代算法FastICA進行ICA處理：a、白化數據，給出觀測矩陣X，其中X＝AS(n)，A為信號的混合矩陣，S(n)為源信號；b、隨機選取權向量作為解混矩陣W的權值，W為解混矩陣，即為混合矩陣A的虛擬反矩陣；c、令W←E(xg(WTx))-E(g′(WTx))W，其中非二次函數G的導數g(u)＝tanh(a1u)，1≤a1≤2，是常數，常取做1；d、循環迭代，直到收斂為止，最后得到p×n階向量矩陣Y(n)，通過觀察選取分離后的信號。