[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

说明书

本发明公开了一种基于网格和密度聚类的稀疏源信号盲分离方法，所述的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；所述的找出聚类中心，做为混合系数的估计。采用均匀划分的方式，将α‑δ平面离散化，将密度最大的N个网格作为混合系数；所述的恢复源信号；所述的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；所述的用求最小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。本发明解决了源信号不充分稀疏情况下的欠定盲分离问题，密度和网格聚类的应用有效提高了计算效率，在盲信号处理，稀疏分量分析领域有着十分重要的意义。

技术领域

本发明涉及盲信号处理领域，稀疏分量分析领域，具体涉及用于欠定情况下对稀疏源信号混合成的传感器信号进行盲分离的方法。

背景技术

在欠定盲分离算法中，如果假设在一个时频点有多于一个的源信号不为零，仅采取简单地将时频域分类的方法不能有效地恢复源信号，而需要考虑源信号向量在每个时频点上的结构。这时可以采取稀疏分量分析的方法来进行盲分离。

基于稀疏分量分析的盲源分离算法一般采用二阶段式的工作模式：首先用聚类算法估计混合矩阵，然后对源信号进行恢复。由于估计出的混合矩阵不是方阵，不能用简单的求逆的方式获得源信号的唯一解。稀疏分量分析就是要得到源信号的一组最稀疏解。

将一般的稀疏分量分析直接用于无回响环境下混合信号的分离，存在两个问题：1.信号在时域中的稀疏性不好；2.信号在时频域的稀疏度较好，但是用一般的超平面聚类进行混合矩阵估计时，算法复杂度高且受孤立点的影响较大。因此本发明提出了一个新的欠定情况下的盲分离算法。分离过程分为三个个步骤：将时域的传感器信号进行短时傅里叶变换，估计混合矩阵，恢复源信号。在第二个步骤中，利用源信号的幅度衰减和时间延迟两个特征的聚类中心对混合矩阵参数进行估计，利用网格和密度聚类的方法能快速找到聚类中心。在第三个步骤中，提出了一个更宽松的稀疏条件，即，在同一个时频点，允许多个源信号不为零；通过求最小l₁范数解来确定每个时频点不为零的源信号，定义数组矩阵来记录每个网格中不为零的源信号的信息，避免重复计算。

发明内容

本发明所要解决的技术问题是为了克服在传统稀疏分量分析方法中，要求一个时频点只能有一个信号不为零，其他信号必须沉默的限制，提出了更为宽松的稀疏条件；在确定聚类中心时采用了网格和密度聚类；在恢复源信号时，为每个网格定义数组，提高了计算效率。

本发明解决其技术问题所采用的技术方案是：

一种基于网格和密度聚类的稀疏源信号盲分离方法，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。时域的模型为：

其中a_ij和δ_ij分别为第j个源信号到第i个传感器的幅度衰减和时间延迟系数。对上式进行短时傅里叶变换，得到时频域的瞬时混合模型：

相应的聚类特征也变为：a＝[1,a_2j,…,a_Mj]^T,δ＝[0,δ_2j,…,δ_Mj]^T。在每一个时频点(t,f)，