一种单通道混沌信号盲源分离法
【技术领域】
[0001] 本发明属于电子信息技术领域，具体涉及一种单通道混沌信号盲源分离法。
【背景技术】
[0002] 混沌信号的波形是非常不规则的，表面上看来就像噪声，但实际上它却是由确定 性的规则所产生的，这种规则有时是很简单的。正是这种简单的规则产生出复杂的波形激 发了人们对它极大的兴趣。自从20世纪70年代以来，混沌学已经成为一门新型的科学分 支。
[0003] 对于多路混沌信号的传输，有些采用多接口和连线，但花费成本较高；或者利用复 用和解复用技术，但这些方法的缺点是采用设备复杂度较高。所以现实生活中，由于条件及 成本限制，往往采用单通道盲源分离法，即在多路源信号混合后，凭借单通道混合信号再恢 复出多路源信号。
[0004] 目前对于单通道盲源分离方法主要有三种类型：基于模型法、虚拟多通道法和针 对已调信号特征的方法。由于虚拟多通道法在算法的复杂度和收敛速度等方面表现出较好 的特性，其无需依赖信号的先验概率特征或者使用的调制方式，直接将单通道混合信号投 射到高维空间，再与经典的独立成分分析（Independent Component Analysis, ICA)算法结 合恢复出源信号，所以该方法针对单通道盲源分离这种极端欠定的情况具有很大的应用价 值。
[0005] 总体经验模态分解（Ensemble Empirical Mode Decomposition, EEMD)是将单通 道混合信号分解为多个本征模态函数（MFs)，构建出虚拟多通道，此方法相对于空时法、 小波分解法等分离效果得到明显提高，对于频谱有重叠的信号也能够得到较好分离恢复效 果，但在实际实验中发现，当直接用ICA处理MFs分量时，经常遇到算法迭代次数过高、收 敛速度慢等问题。因此利用EEMD_ICA方法处理过程中需要人凭借经验进行信号的挑选，但 智能性不高。
【发明内容】
[0006] 本发明目的是提供一种单通道混沌信号盲源分离法，可以有效地克服现有技术的 缺点。
[0007] 本发明是这样实现的，其特征在于采用的模块包括有总体经验模态分解模块、相 关性分析模块、主成分分析模块、独立成分分析模块，具体实施步骤是：
[0008] A、将多路混沌信号通过屏蔽导线送到混沌信号预处理模块直接相加，得到预处理 单通道混沌信号x(t);
[0009] B、将混合得到的预处理单通道混沌信号x(t)送到混沌信号盲源分离模块，进行 总体经验模态分解，即EEMD分解，基于相关系数的主成分分析PCA降维和独立成分分析，即 ICA分析，实现多路混沌信号通过一个输入口采集，多路输出口输出；
[0010] B. 1、总体经验模态分解EEMD处理得到本征模态函数MF ;
[0011] a、将混合得到的预处理单通道混沌信号x(t)分别与i = 1，2, ···，N路不同的白噪 声叫(0叠加，加入的白噪声njt)的均值为零、标准差为常数，得到加入白噪声之后的信号 xi⑴，其中i = 1，2,…，N :
[0012]
【主权项】
1. 一种单通道混沌信号盲源分离法，其特征在于采用的模块包括有总体经验模态分解 模块、相关性分析模块、主成分分析模块、独立成分分析模块，实施步骤是： A、 将多路混沌信号通过屏蔽导线送到混沌信号预处理模块直接相加，得到预处理单通 道混沌信号x(t); B、 将混合得到的预处理单通道混沌信号x(t)送到混沌信号盲源分离模块，进行总体 经验模态分解，即EEMD分解，基于相关系数的主成分分析PCA降维和独立成分分析，即ICA 分析，实现多路混沌信号通过一个输入口采集，多路输出口输出； B. 1、总体经验模态分解EEMD处理得到本征模态函数頂F ; a、 将混合得到的预处理单通道混沌信号x(t)分别与i = 1，2，···，Ν路不同的白噪声 Hi (t)叠加，加入的白噪声Ili (t)的均值为零、标准差为常数，得到加入白噪声之后的信号 Xi(t)，其中 i = 1，2,…，N :
b、 对所得到的信号Xi⑴分别进行经验模态分解EMD，得到各自的MF记为aij⑴和余 项巧⑴，其中 aiJ(t)表示加入白噪声叫⑴后分解得到的第j个頂F:
c、 对经EMD分解后所得到的MF集合{aij (t)，…，aij (t)，…aNj (t)}进行总体平均运 \ N 算，得到的IMF为α _ (〇 =--Σ (0，即为对原信号进行EEMD分解后所得到的第j个 IMF，j = 1，2, aj(t)的序列长度为n，由此得到IMF的mXn分量矩阵A = {ajt),… ,a^t)，其中a」(t) e A，m为单通道混沌信号经EEMD分解后的MF个数，上标T 为转置运算； B. 2、对得到的IMF分量进行降维： a、对得到的IMF分量根据相关度进行第一次降维： 对得到的m个MF分量分别与混合得到的预处理单通道混沌信号x(t)求相关度'
，其中D (X)为X (t)的方差，D (a』）为aj(t)的方差，cov (X)为X (t) 的协方差，cot (ap为\_(〇的协方差，取相关度大于阈值的IMF分量，阈值为常数，进 行第一次降维，得到IMF的kXn分量矩阵B= {ajt), …七⑴}1，其中aj(t) eB， k为第一次降维后的頂F个数，上标T为转置运算； b、对第一次降维所得到的矩阵B进行PCA降维： R = E(BBT)，RV = VA，其中B = {ai(t)，…七⑴，…以⑴}1为第一次降维后的MF 分量k X η矩阵，R为k个变量IMF的自相关矩阵，V为R的k X k阶特征向量矩阵，其列向量 是R的正交归一化的特征向量，Λ为R的特征对角矩阵，λ i (i = 1，2,…，k)为Λ第i个 对角线上的元素，构造 k个不相关的新变量Y = VTB，其中Y= Iy^y2,…"!^，对AiQ = 1，2,…，k)按降序排列后，取前面p个较大特征值所对应的特征向量，得到kXk阶特征向 量矩阵V降维后的pXn阶向量矩阵C，其中p彡2 ; B. 3、将PCA降维所得到矩阵C进行ICA处理，采用约束独立成分分析（CICA)算法进行 处理： a、 对C进行白化处理，得到白化数据，即观测矩阵X，其中X = MS (n)，M为信号的混合 矩阵，S (η)为源信号； b、 随机选取权向量作为解混矩阵W的权值，即W的初始值，W为解混矩阵，同时也是混 合矩阵M的虚拟反矩阵，因为W = 所以S (n) = IT1X = WX ; c、 为了求出最终收敛的W值，根据牛顿迭代法推导，得到迭代式 W -E(Xg(WTX))-E(g' (WTX))W，其中 X 为 C 白化后的观测矩阵，g(u) = tanh(alU)为非二 次函数的导数，1彡S1S 2 ; d、 循环迭代，直到收敛为止，最后得到pXn阶向量矩阵Y(n)，通过观察选取分离后的 混沌信号。
【专利摘要】一种单通道混沌信号盲源分离法，属于电子信息技术领域，其特征在于采用的模块包括有总体经验模态分解模块、相关性分析模块、主成分分析模块、独立成分分析模块。实施步骤是将多路混沌信号混合成的单路信号，通过经验模态分解模块分解为多路本征模态函数分量，利用相关性分析对多路本征模态函数的主元进行一次降维，再用主成分分析法对多路本征模态函数的主元进行二次降维，最后采用独立成分分析技术完成混合混沌信号的盲源分离，恢复出源信号。优点是能够有效地减少传输通道数量，达到降低硬件复杂度，节约设备成本的目的，并能快速有效地恢复出源信号。
【IPC分类】G06F17-16
【公开号】CN104636314
【申请号】CN201510049797
【发明人】郭一娜, 莫晓敏, 王晓梅, 杜雅梅, 田文艳, 卓东风
【申请人】太原科技大学
【公开日】2015年5月20日
【申请日】2015年1月30日