[發明專利]一種用于盲源分離的特征提取方法

在審

• 申請號: 201811540704.2
• 申請日: 2018-12-17
• 公開（公告）號: CN109614943A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 陳劼;謝加武;張健;劉潔
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.一種用于盲源分離的特征提取方法，其特征在于，包括以下步驟：

S1、對混合盲源信號進行預處理，獲得時頻特征，將其作為訓練數據輸入到神經網絡中；

S2、對訓練數據添加參考標簽，原則是：根據各個源信號在時頻點的能量大小來決定該時頻點的標簽，即在某一時刻時頻點的能量最大的源信號標記為“1”，其余源信號標記為“0”；

S3、采用深度學習方法，擬合出具有如下特征的神經網絡目標函數：根據參考標簽極小化該目標函數的過程中，目標函數使同一源信號的時頻點的歐式距離和達到最小，不同時頻點的歐式距離和達到最大；

S4、將混合盲源信號輸入訓練好的神經網絡中，根據神經網絡的輸出，對不同源的信號進行聚類，利用特征集合構造時頻掩蔽矩陣，計算頻譜并得到分離后的時域信號。

2.根據權利要求1所述的一種用于盲源分離的特征提取方法，其特征在于，所述步驟S1的具體方法為：

對混合源信號使用32ms幀長、8ms窗口移位以及Hann窗口平方根的短時傅里葉變換得到信號頻譜圖，該譜圖為T*F的矩陣，T為混合信號的時間長度，單位為s；F為混合信號的頻域長度，單位為Hz；對時頻點作對數處理，記為log|X_t,f|，作為訓練數據。

3.根據權利要求2所述的一種用于盲源分離的特征提取方法，其特征在于，所述步驟S3的具體方法為：

設定神經網絡由2個具有600個隱藏單元的長短期記憶層和1個具有100個單元的全連接層構成；該網絡對應于嵌入維度K，采用動量0.9和固定學習率10^(-5)進行隨機梯度下降進行訓練，Relu函數用作輸出層的激活函數，輸出Θ∈R^TF*K是K維輸出嵌入特征；神經網絡的標簽記為Y＝{y_n,c}∈R^TF*C，C為混合源信號中源的數目；

采用深度學習方法，擬合的神經網絡目標函數為：

其中指的是弗羅貝尼烏斯范數，它衡量了模型的實際輸出ΘΘ^T和標簽YY^T之間的偏差，目的是：通過訓練極小化目標函數的過程，使得同一源信號的時頻點彼此靠近，當目標函數足夠小時，認為特征中不存在畸值，滿足K-均值聚類的條件。

4.根據權利要求3所述的一種用于盲源分離的特征提取方法，其特征在于，所述步驟S4的具體方法為：

S41、設混合盲源信號中共有N個源信號，將其作為已訓練好的神經網絡的輸入，得到輸出嵌入特征Θ，對嵌入特征Θ的行向量進行聚類，將聚類數目設置為混合源數目N；

S42、聚類之后，得到一組屬于不同源的特征集合Ω_n,n＝1,2,...,N，由此構造二值時頻掩蔽矩陣：

S43、通過下式獲得時頻域中的估計信號：

S_n(t,f)＝M_n(t,f)X(t,f)

對頻譜進行逆短時傅里葉變換后得到時域信號。