[发明专利]一种基于循环神经网络的单通道时频混叠信号盲分离方法

说明书

本发明公开了一种基于循环神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：步骤1：根据采集到的多路信号获取单通道混合信号；步骤2：根据步骤1得到的信号构造数据集，包括训练集和测试集；步骤3：采用步骤2得到的训练集训练循环神经网络，拟合单通道信号盲分离模型；步骤4：将测试集输入步骤3得到的循环神经网络进行特征提取和分类，即完成信号的盲分离；本发明采用循环神经网络进行单通道时频混叠信号盲分离，降低了单通道盲分离的繁琐度，在保证高准确度的条件下提高了分离效率，改善了分离系统的鲁棒性。

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于循环神经网络的单通道时频混叠信号盲分离方法。

背景技术

信号盲分离技术是一种新型的信号处理方法，对于合作通信而言，通信设备的密集化会造成信号之间的干扰加强。单通道盲分离技术可以用来对混合信号进行干扰抑制，提升通信设备的接收性能。对于非合作通信而言，单通道信号盲分离可以作为非合作通信捕获分析和干扰抑制的关键模块。

发送端的多个源信号通过天线发射出去，经过若干个混合模型后，接收端得到源信号在某种条件下的混合，盲分离的任务就是接受方在缺乏混合信号和传输通道的先验知识的条件下从混合信号中恢复出发送端的多个源信号。单通道信号盲分离指有多路发射天线，一路接收天线的场景，这属于欠定问题，不存在定解。

目前现有的单通道信号盲分离方法通常有以下两种，第一种是通过将单通道分离模型转化为多通道分离模型，将欠定盲分离转化为适定盲分离，或利用混合信号的参数差异等来实现信号的分离。独立分量分析（Independent Component Analysis,ICA），FastICA，小波变换为其中的代表方法，这种方法的缺点是需要先对混合信号进行处理，以获得一定量的信息或者构造相应的分离条件，然后再使用多通道分离模型进行处理，复杂度较高，数据处理量较大。另一种方法是符号序列与传输信道的参数联合估计，此类方法既可以得到信道参数又可以得到源信号符号对。其中的两个代表方法为粒子滤波（ParticleFilter，PF）算法和PSP算法。为了保证分离效果，粒子滤波算法需要使用大量的粒子来模拟系统的状态，而系统的计算量将会随着粒子数的增加呈现指数级别的增长，算法复杂度高，运算量巨大。PSP方法需要遍历符号序列来找寻系统最优解，运算量仍然很大。

发明内容

本发明针对现有技术存在的问题体用一种提高单通道信号盲分离的效率和低信噪比条件下信号分离准确度的基于循环神经网络的单通道时频混叠信号盲分离方法。

本发明采用的技术方案是：

一种基于循环神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：

步骤1：根据采集到的多路经过加噪信道后的信号获取单通道混合信号；

步骤2：根据步骤1得到的信号构造数据集，包括训练集和测试集；

步骤3：采用步骤2得到的训练集训练循环神经网络，采用测试集对循环神经网络进行测试保存网络模型结构和参数；

步骤4：将需要识别的信号数据集输入步骤3得到的循环神经网络进行特征提取和分类，即完成信号的盲分离。

进一步的，所述步骤1中多路经过加噪信道后的信号通过线性相加得到预处理的单通道混合信号。

进一步的，所述步骤2中数据集构造过程如下：

S11：根据单通道混合信号获取信道脉冲响应量；

S12：提取单通道混合信号的信号实部和信号虚部，步骤S11得到的信道脉冲相应量，得到待训练的三个特征量；

S13：将源信号的比特数据经过变换后作为神经网络的标签样本；

S14：将S12和S13得到的数据构造为二维矩阵作为数据集。