[发明专利]一种盲源信号分离的方法及装置

说明书

本发明公开了一种盲源信号分离的方法及装置，涉及信号处理技术领域，其方法包括：通过对源混合信号中的未知强干扰信号进行第一盲源分离操作，得到未知强干扰信号的参数特征；根据所得到未知强干扰信号的参数特征，对所述未知强干扰信号进行重组处理，得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号；利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作，得到弱混合目标信号，并通过对所得到的弱混合目标信号进行第二盲源分离操作，得到分离后的弱目标信号。

技术领域

本发明涉及信号处理技术领域，特别涉及一种盲源信号分离的方法及装置。

背景技术

未知强干扰下的弱信号盲源分离是一个比较困难的盲源分离问题，也一直没有比较理想的方法。近年来，常用的方法是经验模态分解法。EMD(Empirical ModeDecomposition，经验模态分解)方法，由美籍华人Huang在深入研究了瞬时频率概念的基础上，提出了IMF(Intrinsic Mode Function，本征模态函数)的概念，采用EMD能够将任意信号分解为基本模式分量。

基于经验模态分解，是将信号分解为一系列IMF(Intrinsic Mode Function，固有模态函数)之和，对每一个固有模态函数进行Hilbert变换，得到其瞬时频率，并将其以时间-频率为坐标的平面表示出来，得到时间-频率-能量的分布，称为Hilbert谱。从理论上分析，HHT不仅解决了多辐射声源时小波分析的分辨率问题和对不同声源信号的适应性问题，而且解决了Winger-Ville分布的多分量信号交叉项问题。强干扰弱信号的分离可以采用EMD方法将实测信号分解成一系列IMF，其结果是将信号中不同尺度的波动或趋势逐级分解，产生一系列具有不同特征尺度的数据序列，达到分离趋势项的目的。

EMD分解方法基于以下几点假设:(1)信号至少有两个极值点，一个极大值和一个极小值，或者极大值或极小值数目比零点的数目多2个(或2个以上)；(2)信号的特征时间尺度是由极值点之间的时间间隔确定的；(3)如果数据中缺乏极值点，但存在奇异点，可以通过一次或多次差分来求出极值点。

EMD分解的具体处理方法是，找到数据x(t)的极大值点集和极小值点集后，用插值法拟合x(t)的上、下两条包络线。计算两条包络线的平均值，记为m₁(t)。计算得到x(t)与m₁(t)的差，记为h₁(t)，即:h₁(t)＝x(t)-m₁(t)，一般来讲，h₁(t)仍然不是一个IMF分量，为此需要对它重复上述处理过程。即将h₁(t)视为新的数据序列，拟合其上、下包络，得到两条包络线的平均值m₁₁(t)，并计算h₁(t)与m₁₁(t)的差值，记为h₁₁(t)，即:h₁₁(t)＝h₁(t)-m₁₁(t)，重复以上操作i次，直到h_1i(t)满足IMF的条件为止，至此得到了信号x(t)的第一个IMF分量，记为:imf₁(t)＝h_1i(t)，从数据中分离出imf₁，即:r₁(t)＝x(t)-imf₁(t)，若剩余量r₁(t)仍含有较长的周期成分，则将其看作新的数据，并重复以上步骤，分解出新的IMF：

r₁-imf₂＝r₂,

r₂-imf₃＝r₃

...

r_n-1-imf_n＝r_n