[发明专利]声矢量阵中一种基于平行因子压缩感知的盲源分离方法

摘要

本发明公开声矢量阵中一种基于平行因子压缩感知的盲源分离方法，包括如下步骤：根据接收端的信号构造三线性模型；构造压缩矩阵，对三线性模型进行压缩；利用三线性交替最小二乘算法对压缩后的三线性模型进行分解，得到压缩后的信源矩阵的估计；结合信号频域的稀疏性，实现信源分离。此种盲源分离方法可解决任意阵列声矢量阵中不同来波方向的盲源分离问题，具有较好的信号检测性能，计算复杂度低。

主权项

1.声矢量阵中一种基于平行因子压缩感知的盲源分离方法，其特征在于包括如下步骤：(1)根据接收端的信号构造三线性模型；(2)构造压缩矩阵，对三线性模型进行压缩；(3)利用三线性交替最小二乘算法对压缩后的三线性模型进行分解，得到压缩后的信源矩阵的估计；(4)结合信号频域的稀疏性，实现信源分离；所述步骤(1)的详细内容是：定义接收端的信号是：其中，A∈C^M×K为方向矩阵，Η∈C^P×K为方位矩阵，P＝4，B∈C^L×K为信源矩阵，K表示入射信号的数目，M表示阵元的数目，L表示快拍数；表示矩阵A和矩阵H的Khatri‑Rao积，B^T表示矩阵B的转置矩阵；则三线性模型表示为：其中，am,k表示矩阵A的第(m,k)个元素，bl,k表示矩阵B的第(l,k)个元素，hp,k表示矩阵H的第(p,k)个元素；根据三线性模型的结构特征，得到另外两个矩阵的重排形式：所述步骤(2)的详细内容是：构造三个压缩矩阵：U∈CM'×M，V∈CP'×P，W∈CL'×L，其中，M′＜M,P'＜P,L′＜L；利用Kronecker积的性质对信号进行压缩：其中，A'＝UA，H'＝VH，B'＝WB；压缩后，另外两个矩阵形式是：所述步骤(3)的详细内容是：矩阵B'、A'、H'的最小二乘更新为：其中，分别是包含噪声的压缩后的信号，分别是A'、B'、H'的估计；重复矩阵更新过程，直到算法收敛；所述步骤(4)的详细内容是：用表示的第k列，有：其中，是b_k的频域形式，且是稀疏向量；F是离散傅里叶逆变换矩阵；由下面的l₁‑范数约束得到：其中，是的l₁‑范数；通过压缩感知恢复方法得到然后通过傅里叶逆变换得到时域信号b_k。