[发明专利]一种基于网格和密度聚类的稀疏源信号盲分离方法

权利要求书

1.一种基于网格和密度聚类的稀疏源信号盲分离方法，其特征是所述方法包括以下几个步骤：

步骤1.将两个传感器信号的混合模型扩展为M个传感器信号的混合模型并进行短时傅里叶变换，得到传感器信号的瞬时混合模型。

步骤2.找出聚类中心，做为混合系数的估计。采用均匀划分的方式，将a-δ平面离散化，即将其划分为若干个网格，将密度最大的N个网格作为混合系数。

步骤3.利用步骤2得到的混合系数恢复源信号。提出了一个较为宽松的稀疏性条件，即：对于时频域中的每一个时频点，最多可以有M个源信号的值不为零。用求最小l₁范数解的方法确定哪M个信号不为零，然后求出源信号的唯一解。

2.如权利要求1所述一种基于网格和密度聚类的稀疏源信号盲分离方法，其特征为在步骤2中，使用网格和密度聚类找到聚类中心，并做为混合系数的估计。具体方法包括如下步骤：步骤2中，采用均匀划分的方式，为每个(a(t,f),δ(t,f))定义一个平面，称之为a-δ平面，将其离散化为以Δa和Δδ为步长的小矩形，对a-δ平面上的每一个网格(a^k,δ^l)(其中k∈1,…,K，l∈1,…,L)，定义M(a^k,δ^l)，并用零进行初始化。对于每一个时频点的(a(t,f),δ(t,f))，用下面的规则对M(a^k,δ^l)进行更新：

M(a^k,δ^l)＝M(a^k,δ^l)+1

if|a(t,f)-a^k|<Δa and|δ(t,f)-δ^l|＜Δδ

其中l＝0,1,…,L。M(a^k,δ^l)的值就是网格(a^k,δ^l)中包含数据点(a(t,f),δ(t,f))的个数，即数据点的密度。在每个时频点(t,f)产生的幅度衰减和时间延迟参数都分布在真实的混合系数周围。那么在a-δ平面上会产生以真实参数为中心的N个峰，也就是聚类中心。可将密度最大的N个网格作为混合系数。

3.如权利要求1所述一种基于结构化信息极大分解的肌肉损伤超声造影图像分割方法，其特征是步骤3中提出的两个方法：其一为源信号不充分稀疏情况下的盲分离。此处涉及既有的DUET方法中，要求在每个时频点仅允许一个源信号不为零。在大多数信号中，这种假设过于严格。本文提出了一个较为宽松的稀疏性条件，即：对于时频域中的每一个时频点，最多可以有M个源信号的值不为零。其二为每个网格定义数组，以避免重复计算不为零的源信号。具体方法包括以下步骤：

步骤3.1根据假设条件，如果在每个时频点上，最多只有M个源信号不等于零，矩阵为M×M的方阵。采用下面的方式来求得源信号的最小l₁范数解：在矩阵中选取M个列向量组成方阵如果用Φ(f)得到的源信号

可以满足那么就令做为该时频点的非零源信号，而将其它源信号近似为零。

步骤3.2为每一个网格定义一个数组：当首次读入一个样本点(a(t,f),δ(t,f))时，对(a(t,f),δ(t,f))所在的网格H(a^k,δ^l)进行更新：H(a^k,δ^l)＝(1,j₁,…,j_M)。H(a^k,δ^l)中存放的是：第一个值表示当前样本点是否首次读入，如果是，则为0，否则为1。如果是首次读入，则计算并更新H(a^k,δ^l)以记录哪些源信号不为零；如果不是首次读入则利用H(a^k,δ^l)＝(1,j₁,…,j_M)已保存的值直接计算