[发明专利]基于短时傅里叶变换和BP神经网络的频域盲源分离方法

说明书

本发明公开了一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，该方法包括：利用不同调制方式的信号来训练BP神经网络；接收混合信号，对混合信号进行短时傅里叶变换，得到信号的时频信息；利用基于峰度最大化的ICA算法在频域对时频信息进行分离，得到分离后的频域信号；提取频域信号频谱的多个特征，基于训练的BP神经网络利用频谱特征对该信号进行频谱分类；对谱分类后的信号按照类别分别进行傅里叶反变换得到分离后的各个时域信号。本发明通通过使用短时傅里叶变换和BP神经网络分类方式增加了算法的鲁棒性，使得其频域盲源分离性能更好，保证了后续的信号解调过程的有效性。本发明有效实现了信号的频域盲源分离。

技术领域

本发明属于信号盲源分离领域，具体地说，涉及一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法。

背景技术

盲源分离是一种广泛用于信号处理和图像处理领域的研究方法，用于在混合信号中准确提取多个源信号。常用的盲源分离算法有独立分量分析 (Independent ComponentAnalysis, ICA)、稀疏分量分析(Sparse Component Analysis, SCA)及主成分分析(Principal Component Analysis, PCA)方法等。ICA方法通过假设信号的相互独立性并把信号之间的独立性最大化作为分离信号性能的目标函数和判断标准。常用的ICA算法有FastICA算法，其优点是收敛速度快，但是其对初始值较敏感，鲁棒性差，并且ICA方法只考虑信号的独立性，分离效果较差。为了提高算法的精确性，Borowicz基于旋转矩阵的四元数分解和牛顿-拉夫森迭代格式，提出了一种新的算法，与对称FastICA算法相比，该方法不需要进行正交化步骤，在存在多个高斯源的情况下更加精确，但其仍旧是将信号的独立性作为分离标准，不能分离相关的信号。SCA方法利用信号的稀疏性对信号进行盲源分离。由于多数信号时域无法满足稀疏要求，因而通过FFT、小波等方法将信号变为稀疏信号，然后聚类分析得到双通道的混合矩阵的列向量，最后归一化并通过最短路径进行源信号估计。1998年，Chen等利用基追踪方法实现了信号的稀疏分解；Georgiev等明确了SCA在欠定BSS中的应用；Theis等又提出了一种基于广义Hough变换的更具韧性的SCA算法；Yi提出了一种改进的SCA方法，该方法包含了估计聚类数的过程，但是信号接收传感器的数量和位置对分离结果有较大影响。PCA最初由Karl Person于1901年开发，用于分离线性组合的信号。然而，标准PCA使用的2-范数对异常值并不稳健。

为了减少异常值对分离效果的影响，Liwicki提出了一种快速鲁棒主成分分析的核主成分分析方法，即欧拉主成分分析，在抑制异常值的同时保留了主成分分析的理想特性，但是其效果并未得到很大改进。Eqlimi提出了一种适用于低维混合系统的欠定源恢复算法，该方法能够利用子空间检测框架从混合矩阵中恢复源信号, 其缺点是计算复杂度高。为了降低盲源分离算法的复杂度，Cardoso提出了基于高阶统计量的特征矩阵联合近似对角化方法(Joint Approximate Diagonalization of Eigen-matrices, JADE)，其优点是分离速度快，但是分离结果较差。

发明内容

本发明的目的是提出一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，以弥补现有技术的不足。

本发明首先利用短时傅里叶变换将接收信号变换到频域，然后在频域利用独立分量分析算法（Independent Component Analysis，ICA）对信号进行频域的盲源分离，再利用BP神经网络的方法对分离后的频谱分类，最后将每一类的频谱进行傅里叶反变换得到分离后的时域信号。

为实现上述发明目的，本发明采用下述具体技术方案予以实现：

一种基于短时傅里叶变换和BP神经网络的频域盲源分离方法，包括以下步骤：

S1：利用不同调制方式的信号来训练BP神经网络；

S2：接收混合信号，对混合信号进行短时傅里叶变换，得到信号的时频信息；