[发明专利]用于多通道盲反卷积级联神经网络的方法

说明书

技术领域

本发明涉及信号处理的技术领域，特别涉及一种用于多通道盲反卷积级联神经网络的方法。

背景技术

近年来，盲信号处理技术获得了飞速发展。盲信号处理技术大致可以分为盲源分离和盲反卷积两大类。盲信号处理技术在语音信号处理、生物医学信号处理、通信信号处理以及图像信号处理等信号处理领域都获得了比较广泛的应用。

盲反卷积是图像处理、语音信号处理、通信、系统辨识和声学等许多研究和应用的基本问题，具有重要的理论与应用价值。

目前国际上常用的各种针对MIMO(Multiple-Input-Multiple-Output)系统的盲反卷积算法，并针对源信号为非平稳信号的MIMO系统盲反卷积算法中的频域算法以及矩阵束算法进行了具体研究，主要工作包括：(1)总结分析了国际上常用的各种MIMO系统盲反卷积算法：包括常模量盲反卷积算法、频域盲反卷积算法、高阶累计量盲反卷积算法、线性预测盲反卷积算法、最大似然盲反卷积算法以及子空间盲反卷积算法。(2)研究了一种噪声环境下输入源信号为非平稳信号的MIMO系统盲反卷积频域算法。首先分析该算法原理并进行仿真；然后分析一种针对语音信号的去噪算法并给出了仿真；最后结合上述两种算法对噪声环境下的语音混叠信号进行盲反卷积。主要工作在于两种算法的仿真以及在噪声环境下使得两种算法可以协调工作。(3)研究了一种噪声环境下输入源信号为非平稳有色信号的MIMO系统盲反卷积矩阵束算法。首先分析该算法原理并进行仿真；然后通过子空间方法以及维纳滤波法去除噪声的影响；最后提出一种基于原算法的分组算法。主要工作在于矩阵束算法以及子空间消除噪声算法的仿真；维纳滤波器的设计；分组算法的提出及仿真。(4)对于非线性盲源分离，ICAH.H.Yang用一个两层的感知器结构来逼近非线性函数逆，从信息论的角度提出了两个非线性盲源分离算法：非线性最大熵算法(ME)和非线性最小互信息算法(MMI)。MMI算法的一个问题是利用了Gram-Charliar展开式来估计边缘熵，而Gram-Charliar展开对强非线性函数估计较差。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种多通道盲反卷积级联神经网络的方法，它是新而简单、单行之有效的扩展，可以从未知交错的混合信号中提取多重源信号。

本发明的目的通过下述技术方案实现：

本发明一种用于多通道盲反卷积级联神经网络的方法，包括下述步骤：

(1)由均衡子网络和压缩子网络组成模块神经网络，所述均衡子网络为提取信号源的处理单元，所述压缩子网络为消除已从混合信号提取了信号后其它多余信息的处理单元；

(2)均衡子网络神经突触{w_1j，p}由CM(恒定模型)算法更新，其更新的公

式如下：w1j,p(k+1)=w1j,p(k)+ηkf[yi(k)]xj*(k-p)]]>

其中，η_k表示步长，是x_j的复共轭复数，f[y_i(k)]是匹配函数；