一种源信号的确定方法及系统与流程

本发明涉及信号处理领域，特别是涉及一种源信号的确定方法及系统。

背景技术：

盲信号提取是一个基础研究问题，即在源信号和传输信道均未知的情况下，仅利用观测信号(混合信号)恢复出源信号或对混合信道进行辨识。盲信号的提取应用的范围很广，例如：医学信号提取、微弱信号检测、通信盲均衡和特征提取等领域。由于混合过程和源信号数量均未知，其求解过程比较复杂且必须依赖于一定的限制条件。观测信号在传输之前需进行量化处理，而在信号量化处理过程中必然引进白化、量化、信道畸变等多种噪声，从而在很大程度上增加了对盲信号的提取难度，进一步不能准确的确定出源信号。源信号不能准确的确定，造成通信信号、医学信号等失真。基于贝叶斯框架的非线性滤波方法是一个递推-更新的参数估计过程，可实时对系统参数进行处理，但在参数设置和信号先验条件上有较高要求，如：贝叶斯递推的基础是要求噪声统计特性已知，而实际上很难对各种应用中的噪声进行准确的数学建模，因此噪声的统计特性是非线性滤波方法要解决的首要问题。

现有技术中针对上述问题，提出了多种解决方案，其中专利cn201610150215.0请求保护一种基于改进粒子滤波的pcma信号单通道盲分离方法。对接收到的单个pcma信号进行分帧处理，确定参数的取值范围和分布，从而初始化粒子；根据重要性采样函数和当前时刻之前的粒子轨道，更新得到新的粒子；计算粒子重要性权值的大小并设置阈值来抛弃一些对后验分布贡献小的粒子，从而动态地调整粒子总数来简化计算；在利用线性最小均方误差准则得到两路上行信号参数的估计值后，设计了一种参数已知的信号分离方法，并在似然函数的递推计算过程中，抛弃一些质量差的轨迹来进一步降低计算量，最后利用最大似然准则得到两路上行信号的符号序列估计值。与原算法对状态进行穷举的做法相比，本方法可以显著地降低计算量；但是该方法抛弃了质量差的粒子，这就降低了算法实时实现时所需的计算精度。

专利cn201611165889.4公开了一种基于高斯混合模型和变分贝叶斯的粒子滤波方法，包括以下步骤：1)对观测噪声使用高斯混合模型进行建模，初始化初始状态；2)基于初始状态的概率密度函数随机产生n个初始粒子；3)初始化观测噪声的高斯混合模型未知参数的超参数；4)从选用的重要性参考函数中生成采样粒子；5)量测更新，根据最新的观测值和粒子权值迭代公式计算粒子权值；6)使用变分贝叶斯方法通过循环迭代的方法求出高斯混合模型中未知参数的分布；7)对粒子权值进行归一化，并针对粒子退化的问题，对粒子集进行重采样。通过上述方式，有效地提高了滤波精度以及对目标状态的估计性能。

在盲信号提取问题中，因为传输信道参数未知，因此盲信号的提取过程即为源信号的提取过程。按照源信号的混合方式，可以分为线性顺势混合、线性卷积混合和非线性混合模型。在实际的真实环境中，信号的传输会受到时延、反射、衰减等因素影响，使得从传感器或信号阵列得到的信号是源信号经过卷积混合后的信号。因此，研究卷积混合模型的求解过程更具实际意义。

在实际的应用场景中，当源信号信息完全未知时，是无法对混合信号进行提取或者分离的，目前主要是基于半盲(源信号统计特征已知)来实现从混合信号中提取还原出源信号。当源信号已知、混合信道未知且混合参数未知时，对其进行源信号提取还原，需要在源信号统计特性上建立数学模型，以完成对混合信道参数的估计，最终有效的确定源信号。

但是，对于卷积盲信号提取问题，粒子滤波方法能够处理强非线性问题，但需已知状态测量方程中的噪声和源信号的统计特性，而一般的应用场景都不能满足此条件限制；在研究卷积盲信号提取问题时，需要将观测信号进行量化处理，而所引进的量化噪声难以准确的数学表示，量化噪声、信道噪声、观测噪声等所混合叠加后的整体系统噪声更加难以用准确的数学模型表示。因此，传统的粒子滤波方法难以满足复杂的卷积盲信号提取任务。可见，现有技术还不能准确、快速的提取卷积盲信号。

技术实现要素：

本发明的目的是提供一种源信号的确定方法及系统，解决现有技术中提取卷积盲信号的效率低，而造成源信号确定准确率低的问题。

为实现上述目的，本发明提供了如下方案：

一种源信号的确定方法，包括：

获取卷积盲信号的观测信号；

对所述卷积盲信号的观测信号进行采样，确定初始粒子集；

根据所述初始粒子集，采用无先导卡尔曼粒子滤波算法，得到更新后的粒子集；

根据所述更新后的粒子集确定粒子风险函数；

根据所述粒子风险函数确定粒子风险的权重映射函数；

根据所述更新后的粒子集和所述权重映射函数确定粒子代价函数；

根据所述权重映射函数和所述粒子代价函数，采用最小二乘法拟合，得到提取向量的预测值；

根据所述提取向量的预测值，采用加权最小二乘法，确定所述提取向量的确定值；

获取信号映射关系；所述信号映射关系为所述观测信号、所述提取向量的确定值和源信号之间的映射关系；

根据所述提取向量的确定值和所述卷积盲信号的观测信号，利用所述映射关系，确定所述源信号。

可选的，所述根据所述更新后的粒子集和所述权重映射函数确定粒子代价函数，具体包括：

根据所述权重映射函数对所述更新后的粒子集进行重采样，确定粒子的代价样本估计集；

根据所述粒子的代价样本估计集确定所述粒子代价函数。

可选的，所述获取信号映射关系，之前还包括：

获取已知卷积信号的观测信号；

根据已知卷积信号的观测信号确定卷积混合模型；

将所述卷积混合模型转换为瞬时混合模型；

根据所述瞬时混合模型确定所述信号映射关系。

可选的，所述根据所述提取向量的预测值，采用加权最小二乘法，确定所述提取向量的确定值，具体包括：

根据所述提取向量的预测值确定向量方差集；

根据所述提取向量的预测值和所述向量方差集，采用加权最小二乘法，得到提取向量的确定值。

一种源信号的确定系统，包括：

第一观测信号获取模块，用于获取卷积盲信号的观测信号；

初始粒子集确定模块，用于对所述卷积盲信号的观测信号进行采样，确定初始粒子集；

粒子集更新模块，用于根据所述初始粒子集，采用无先导卡尔曼粒子滤波算法，得到更新后的粒子集；

粒子风险函数确定模块，用于根据所述更新后的粒子集确定粒子风险函数；

权重映射函数确定模块，用于根据所述粒子风险函数确定粒子风险的权重映射函数；

粒子代价函数确定模块，用于根据所述更新后的粒子集和所述权重映射函数确定粒子代价函数；

提取向量的预测值确定模块，用于根据所述权重映射函数和所述粒子代价函数，采用最小二乘法拟合，得到提取向量的预测值；

提取向量的确定值确定模块，用于根据所述提取向量的预测值，采用加权最小二乘法，确定所述提取向量的确定值；

信号映射关系获取模块，用于获取信号映射关系；所述信号映射关系为所述观测信号、所述提取向量的确定值和源信号之间的映射关系；

源信号确定模块，用于根据所述提取向量的确定值和所述卷积盲信号的观测信号，利用所述映射关系，确定所述源信号。

可选的，所述粒子代价函数确定模块具体包括：

粒子的代价样本估计集确定单元，用于根据所述权重映射函数对所述更新后的粒子集进行重采样，确定粒子的代价样本估计集；

粒子代价函数确定单元，用于根据所述粒子的代价样本估计集确定所述粒子代价函数。

可选的，还包括：

第二观测信号获取模块，用于获取已知卷积信号的观测信号；

卷积混合模型确定模块，用于根据已知卷积信号的观测信号确定卷积混合模型；

瞬时混合模型确定模块，用于将所述卷积混合模型转换为瞬时混合模型；

信号映射关系确定模块，用于根据所述瞬时混合模型确定所述信号映射关系。

可选的，所述提取向量的确定值确定模块具体包括：

向量方差集确定单元，用于根据所述提取向量的预测值确定向量方差集；

提取向量的确定值确定单元，用于根据所述提取向量的预测值和所述向量方差集，采用加权最小二乘法，确定提取向量的确定值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种源信号的确定方法及系统，在先验条件未知的情况下，采样得到的粒子集采用无先导卡尔曼粒子滤波算法进行更新，并根据更新后的粒子集确定粒子风险函数、权重映射函数和粒子代价函数，进一步采用最小二乘法，确定提取向量的确定值，通过提取向量的确定值实现对卷积盲信号的提取。通过确定提取向量的确定值，不必将引进的量化噪声进行数学模型建模，避免了对噪声信号难以准确建模的缺陷，提高了确定源信号的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种源信号的确定方法流程示意图；

图2为本发明信号卷积混合盲提取原理示意图；

图3为本发明所提供的一种源信号的确定系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种源信号的确定方法及系统，解决现有技术中提取卷积盲信号的效率低，而造成源信号确定准确率低的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种源信号的确定方法流程示意图，如图1所示，本发明所提供的一种源信号的确定方法，包括：

s101，获取卷积盲信号的观测信号。

s102，对所述卷积盲信号的观测信号进行采样，确定初始粒子集。

对所述卷积盲信号的观测信号进行采样是在覆盖粒子初始真实值的有界区域内，进行粒子采样获得np个初始粒子每个初始粒子的代价值为初始粒子代价样本集为其中为初始粒子的方差矩阵。

s103，根据所述初始粒子集，采用无先导卡尔曼粒子滤波算法，得到更新后的粒子集。

在k时刻采用无先导变换对所有粒子进行迭代更新：

其中，nw是被积向量的维数，是无先导变换后的估计值。为了得到精确度更高的更新粒子，对k时刻粒子进行卡尔曼粒子滤波更新，其更新过程如下：

s104，根据所述更新后的粒子集确定粒子风险函数。

在粒子更新过程中过程噪声方差，可被假设为服从高斯分布定义k时刻粒子风险函数为：

是k时刻的粒子代价值，表示2-范数的q次方.λ∈(0,1)为粒子权重遗忘因子，用来调节前一时刻粒子代价值对当前粒子风险值的影响，当λ＝0时表示无影响。

s105，根据所述粒子风险函数确定粒子风险的权重映射函数。

利用公式将粒子风险值映射为粒子的重采样权重，即确定粒子风险的权重映射函数。粒子数量为np，δ∈(0,1)和β＞1分别为映射调节系数.在权重映射函数中去掉是为了保证粒子重采样后的多样性，而参数δ是为了保证不因粒子风险预测值出现极端情况。

s106，根据所述更新后的粒子集和所述权重映射函数确定粒子代价函数。

根据所述权重映射函数对所述更新后的粒子集进行重采样，确定粒子的代价样本估计集；

利用粒子风险的权重映射函数对更新后的粒子集进行重采样，则可得到粒子的代价样本估计集为

根据所述粒子的代价样本估计集确定所述粒子代价函数。

k+1时刻分离向量的粒子集由进行更新，其中表示均值为和方差为的高斯分布。

利用公式确定所述粒子代价函数。是的估计值。

s107，根据所述权重映射函数和所述粒子代价函数，采用最小二乘法拟合，得到提取向量的预测值。

利用所述权重映射函数将所述粒子代价函数映射为后验概率。

利用公式后验概率进行最小二乘法拟合，得到提取向量的预测值。为k+1时刻提取向量的预测值。

s108，根据所述提取向量的预测值，采用加权最小二乘法，确定所述提取向量的确定值。

根据所述提取向量的预测值确定向量方差集。

设k时刻的提取向量为{w1,w2,…,wk}，k+1时刻的增广提取向量为确定向量方差集为

根据所述提取向量的预测值和所述向量方差集，采用加权最小二乘法，得到提取向量的确定值。

利用公式确定所述提取向量的确定值。

s109，获取信号映射关系；所述信号映射关系为所述观测信号、所述提取向量的确定值和源信号之间的映射关系。

信号映射关系为源信号，提取向量的确定值，zk+1为观测信号。

s110，根据所述提取向量的确定值和所述卷积盲信号的观测信号，利用所述映射关系，确定所述源信号。

在获取信号映射关系之前，还需利用数据库已知的卷积盲信号确定信号映射关系。确定的过程如下：

获取已知卷积信号的观测信号。

根据已知卷积信号的观测信号确定卷积混合模型。

将所述卷积混合模型转换为瞬时混合模型。

根据所述瞬时混合模型确定所述信号映射关系。

其中，如图2所示，利用m个节点(传感器阵列、信号接收设备)对n个源信号进行观测(m≥n)。其第k个观测节点的观测方程(卷积混合模型)为：

其中，k＝1,2,...,k为离散时刻序列，sk＝[s1,k,s2,k,...,sn,k]^t为n个被观测的源信号，vk＝[v1,k,v2,k,...,vm,k]^t为m个噪声向量，xk＝[x1,k,x2,k,...,xm,k]^t为k时刻m个观测列矢量信号；h(l)＝[hij(l)]m×n，l＝1,2,...,l，hij(l)为第j个源信号到第i个观测节点的l+1阶冲激响应。

针对得到的第k个节点的观测信号，进行量化处理(可选择均匀量化方法或权值方法等)，设量化过程引入的量化噪声为[q1,k,q2,k,...,qm,k]^t，系统的整体噪声可表示为uk＝[v1,k+q1,k,v2,k+q2,k,...,vm,k+qm,k]^t，量化后的观测信号为：

其中，zk为量化后的观测信号。设整数l'满足ml'≥n(l'+l)，则源信号、观测信号及噪声转化为：

si,k＝[si,k,si,k-1,…,si,k-l-l'+1]^t,i＝1,2,…,n，zi,k＝[zi,k,zi,k-1,…,zi,k-l'+1]^t,i＝1,2,…,m和ui,k＝[ui,k,ui,k-1,…,ui,k-l'+1]^t,i＝1,2,…,m。

进一步，将转换后的源信号、观测信号及噪声变换为向量模式：

和

确定ml'×n(l'+l)维系数矩阵a：

其中，aij为l'×(l+l')维矩阵：

通过所定义的系数矩阵a和矩阵aij将卷积混合模型转换为瞬时混合模型：

zk＝ask+uk。

确定ml'维时不变提取向量的确定值w^t，进一步利用公式确定源信号

得到源信号的映射方程为sj,k＝fj(sj,k-1)。

确定节点的观测方程为

瞬时混合模型的提取向量或分离矩阵具有单一性和时不变特性，进一步确定非线性滤波算法的状态观测方程为：

对应本发明提供的一种源信号的确定方法，本发明还提供一种源信号的确定系统，如图3所示，本发明所提供的一种源信号的确定系统包括：第一观测信号获取模块301、初始粒子集确定模块302、粒子集更新模块303、粒子风险函数确定模块304、权重映射函数确定模块305、粒子代价函数确定模块306、提取向量的预测值确定模块307、提取向量的确定值确定模块308、信号映射关系获取模块309和源信号确定模块310。

第一观测信号获取模块301用于获取卷积盲信号的观测信号。

初始粒子集确定模块302用于对所述卷积盲信号的观测信号进行采样，确定初始粒子集。

粒子集更新模块303用于根据所述初始粒子集，采用无先导卡尔曼粒子滤波算法，得到更新后的粒子集。

粒子风险函数确定模块304用于根据所述更新后的粒子集确定粒子风险函数。

权重映射函数确定模块305用于根据所述粒子风险函数确定粒子风险的权重映射函数。

粒子代价函数确定模块306用于根据所述更新后的粒子集和所述权重映射函数确定粒子代价函数。

提取向量的预测值确定模块307用于根据所述权重映射函数和所述粒子代价函数，采用最小二乘法拟合，得到提取向量的预测值。

提取向量的确定值确定模块308用于根据所述提取向量的预测值，采用加权最小二乘法，确定所述提取向量的确定值。

信号映射关系获取模块309用于获取信号映射关系；所述信号映射关系为所述观测信号、所述提取向量的确定值和源信号之间的映射关系。

源信号确定模块310用于根据所述提取向量的确定值和所述卷积盲信号的观测信号，利用所述映射关系，确定所述源信号。

所述粒子代价函数确定模块306具体包括：子的代价样本估计集确定单元和粒子代价函数确定单元。

粒子的代价样本估计集确定单元用于根据所述权重映射函数对所述更新后的粒子集进行重采样，确定粒子的代价样本估计集。

粒子代价函数确定单元用于根据所述粒子的代价样本估计集确定所述粒子代价函数。

本发明所提供的一种源信号的确定系统还包括：第二观测信号获取模块、卷积混合模型确定模块、瞬时混合模型确定模块和信号映射关系确定模块。

第二观测信号获取模块用于获取已知卷积信号的观测信号。

卷积混合模型确定模块用于根据已知卷积信号的观测信号确定卷积混合模型。

瞬时混合模型确定模块用于将所述卷积混合模型转换为瞬时混合模型。

信号映射关系确定模块用于根据所述瞬时混合模型确定所述信号映射关系。

所述提取向量的确定值确定模块308具体包括：向量方差集确定单元和提取向量的确定值确定单元。

向量方差集确定单元用于根据所述提取向量的预测值确定向量方差集。

提取向量的确定值确定单元，用于根据所述提取向量的预测值和所述向量方差集，采用加权最小二乘法，确定提取向量的确定值。

本发明所提供的一种源信号的确定方法及系统，是以卡尔曼粒子滤波理论为基础，通过粒子的迭代更新对混合信道的参数进行实时估计，以减少对源信号统计特性的依赖，更加符合实际的应用场景。采用卡尔曼粒子滤波方法对混合信道参数进行估计。

本发明所提供的一种源信号的确定方法及系统，利用粒子代价和风险函数对粒子滤波方法进行改进，并通过容积点变换方法进一步提升粒子的迭代精度，最终完成卷积盲信号的实时提取。在处理混合信号先验知识不足情况时，具有较好的提取效果，即当系统引入了未知噪声且无法准确数学描述噪声时，可通过本发明所提供的一种源信号的确定方法及系统有效的确定源信号，保证源信号的真实性和准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。