[发明专利]强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法

说明书

本发明提供一种强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法，基于分离信号的最大化峰度这一独立性判据设计目标函数，该方法先利用Givens旋转变换降低计算量，再在给出的搜索范围内对目标函数寻优，利用所设计的量子黏霉菌搜索机理在该范围之内搜索目标函数的最优解及其对应的分离矩阵，从而实现盲源分离。所设计的方法可以实现在强冲击噪声环境下且低信噪比情况下混叠信号的盲源分离，具有收敛速度快、分离精度高、性能稳定等优势，拥有着广泛的应用前景。

技术领域

本发明涉及一种强冲击噪声环境下基于量子黏霉菌搜索机理的盲源分离方法，属于盲源分离领域。

背景技术

盲源分离研究的是在源信号和传输信道等先验知识均未知的情况下，仅从观测到的传感器混合信号中提取或恢复源信号各分量的一种信号处理方式。传统盲源分离方法的研究往往基于无噪声干扰的情况下，但当噪声的影响不可忽略时，传统盲源分离方法的性能往往会恶化甚至失效，并且很多噪声环境下的盲源分离方法的研究是在高斯噪声环境下或者均匀噪声环境下进行的，但是在实际应用中，例如传输的数字调制通信信号、雷达回波信号以及诱发电位的脑神经信号等信号，在其获取过程中不可避免的会混入强干扰的冲击噪声，会覆盖源信号甚至对盲信号分离造成影响。

经对现有文献的检索发现，张安清等在《通信学报》(2006，Vol.27，No.3，pp.37-41)发表的“分数低阶矩的信号盲分离方法”中，推导出一种基于分数低阶矩的信号盲分离算法，实现了冲击噪声环境下的盲信号分离，但是只能在弱冲击噪声环境下且高信噪比的情况下有效。龙俊波等在《生物医学工程学杂志》(2015，Vol.32，No.2，pp.269-274)发表的“基于分数低阶空间时频矩阵的脑电诱发电位盲提取”中，提出了一种新的可在冲击噪声环境下工作的分数低阶空间时频欠定盲分离方法，实现了对被EEG噪声干扰的EP信号的盲提取，但是所解决的问题是一个超定问题，且仅在弱冲击噪声环境下且高信噪比的情况下有效。Chuanchuan Wang等在《Physical Communication》(2020，Vol.43)发表的“Automaticdigital modulation recognition in the presence of alpha-stable noise”中，提出了一种基于分数低阶矩的FAST-ICA算法，可以在冲击噪声环境下实现对调制信号的盲提取并进一步进行调制信号的识别，但是此方法仅适用于弱冲击噪声环境下，同时FAST-ICA算法受初始参数设置影响较大且需要选取非线性函数，算法适用范围有限，鲁棒性不强。

已有的文献表明，目前对于冲击噪声环境下的盲源分离的研究取得很大的进展，但是在强冲击噪声环境下且低信噪比情况下的盲源分离精度有待提高，性能有待改善。另外，很少有研究将滤波系统引入冲击噪声环境下的盲源分离方法中，这是由于很多滤波方法为了更好的抑制强冲击噪声，往往需要噪声或者源信号的信息作为先验知识，如Myriad滤波方法需要设定理想信号，高斯拖尾非线性函数需要知道冲击噪声的分散系数标准差，双参数可变拖尾函数需要结合噪声和源信号情况设定合理的门限值等等，而这与盲源分离是相矛盾的，所以设计一个既可以更有效的抑制强干扰的冲击噪声，又不需要源信号或者噪声信息作为先验知识的滤波系统是一个有待解决的难题。同时，传统优化搜索策略受步长和初始值影响大且需选取非线性函数，适用范围受限分离精度低，虽然群智能搜索策略一定程度上弥补了传统优化搜索策略的不足，但群智能搜索策略在收敛速度、收敛精度和性能稳定等方面还有待改善，且含有较多参数，参数调节不当易降低盲源分离性能。

发明内容