[发明专利]一种基于残差神经网络的单通道时频混叠信号盲分离方法

权利要求书

1.一种基于残差神经网络的单通道时频混叠信号盲分离方法，其特征在于，包括以下步骤：

步骤1：获取单通道时频混叠信号；

步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；

训练集和测试集构造过程如下：

提取混合信号的实部和虚部作为网络训练特征；

分别提取两路源信号各自的实部和虚部作为目标样本；

将网络训练特征和目标样本构造为二维矩阵，形成数据集；

步骤3：搭建残差神经网络，所述残差神经网络为多尺度堆叠时域残差神经网络，包括特征提取模块、分离系数计算模块和波形恢复模块；

特征提取模块对输入的一维混合信号进行特征提取，将其由信号空间映射到高维特征空间中，得到信号对应的特征表示，表示为x_feature：

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}为特征映射操作，包括1×1卷积、层归一化、PRelu激活函数、深度可分离卷积、ReLu激活函数功能；

分离系数计算模块包括三个时域残差堆叠块，每一个时域残差堆叠块包含三个多尺度残差单元块和一个一维反卷积层；根据提取到的特征x_feature估计各个源的分离系数β，然后将特征与分离系数点乘，得到各个源对应的特征s_sep-feature：

β＝f_sep(x_feature)

其中，f_sep为包含时域残差堆叠块的分离系数计算模块；

波形恢复模块完成输出从特征空间到信号空间的映射，将各个源对应的特征s_sep-feature映射回信号空间，恢复源信号波形s^*：

s^*＝h_{signal-mapping}(s_sep-feature)

其中：h_{signal-mapping}为信号映射操作，包括一维反卷积操作，层归一化和PReLu激活函数；

步骤4：创建自定义的网络损失函数，输出loss值供网络使用梯度下降法进行优化：

其中，θ为网络可优化参数，l_MSE为loss值，和分别表示多尺度堆叠时域残差神经网络输出的第一路和第二路分离信号，和分别表示第一路和第二路标签源信号；l_MSE1表示对应对应l_MSE2刚好与l_MSE1的对应关系相反，表示对应对应标签

步骤5：将混叠信号输入步骤3得到的残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试，得到分离后的两路源信号波形，完成时频混叠信号的盲分离；

包括以下过程：

将数据按固定长度分为多段等长序列；

将固定数量的序列组合为mini_batch，输入神经网络；

通过反向梯度下降算法对各个部分的参数进行更新，使用Adam优化算法进行迭代优化；

网络输出分离后的两路源信号波形；

步骤6：将步骤5得到的源信号波形送入解调器解调即可得到分离信号的比特数据。

2.根据权利要求1所述的一种基于残差神经网络的单通道时频混叠信号盲分离方法，其特征在于，所述步骤1中混叠信号通过以下方法处理得到：

x(t)＝As(t)+n(t)

其中：x(t)为混合信号，A为混合矩阵，s(t)为源信号，n(t)为信道噪声。

3.基于权利要求1～2任一种所述方法的分离装置，其特征在于，包括：

信号获取模块：用于获取单通道时频混叠信号；

构造模块：用于根据单通道时频混叠信号构造残差神经网络所需数据集；

信号分离模块：采用训练好的残差神经网络获得源信号波形；

解调模块：用于将源信号波形进行解调。