盲信號分離自適應算法研究

熊　杰，康榮雷

(中國西南電子技術研究所，四川 成都 610036)

?

盲信號分離自適應算法研究

熊杰，康榮雷

(中國西南電子技術研究所，四川 成都 610036)

盲信號分離是信號處理領域的一個重要問題.其目的是當滿足一定假設條件后，根據(jù)觀測到的混合信號還原分離出若干原始信號.闡述了盲信號分離的模型和原理，分析了幾種RLS和LMS盲信號分離自適應算法的性能，并對上述算法進行了仿真比較.仿真結果表明RLS算法比LMS算法收斂速度快，但LMS比RLS穩(wěn)定性好.

盲信號分離; 自然梯度; 普通梯度; RLS; LMS

盲信號分離技術(Blind Signal Separation, BSS)直接起源于陣列信號處理.最初，盲信號分離技術用于建立陣列響應的數(shù)學模型，估計模型中不能直接測量的參數(shù).又由于盲信號分離技術在實際應用中不要求已知關于信號源以及信號傳輸信道的先驗背景知識，因此盲信號分離技術拓展了應用場合，逐漸應用于現(xiàn)代信號處理的各個領域[1].

盲信號分離技術是指在滿足一定假設條件下，從測量得到的混合信號中恢復出若干原始信號.特別地，在信號分離過程中，不要求已知源信號模型和信道模型.因此引起了廣泛的關注，提出了很多自適應算法，如遞推最小二乘方法(RLS)，最小均方誤差方法(LMS)以及PAST方法等.本文在簡要闡述盲信號分離的模型和原理的基礎上分析了幾種RLS和LMS盲信號分離自適應算法的性能，并對上述盲信號分離算法進行了仿真比較.

1　數(shù)學描述

源信號混合的主要方式包含瞬時/實時線性疊加方式與非線性疊加方式.本文所討論的盲信號分離技術只針對線性疊加的盲信號，其混合與分離原理如圖1所示.

圖1　BSS基本數(shù)據(jù)模型

盲信號分離技術一般不要求源信號數(shù)目與觀測信號數(shù)目一致.圖1中，假設信號源si(t),i=1,…,n兩兩獨立，上述信號經(jīng)過信道A后得到m路混合信號xi(t),i=1,…,m.源信號在信道A內(nèi)完成信號混合過程.上述過程可以刻畫為如下數(shù)學關系：

其中A=(aij)m×n是混合矩陣，一般是未知的.上式寫成矩陣形式：

x(t)=As(t)

x(t)為接收到的m維隨機變量，又稱觀測向量.上式在實際中應該有干擾存在，應該寫成

x(t)=As(t)+n(t)

其中，n(t)為噪聲向量.我們也可以把噪聲看成源信號，在混合矩陣的作用下和其他信號混合在一起，這樣表達式中就可以消除n(t).

盲信號處理要解決的就是從觀測信號x(t)中估計出源信號s(t)，其分離過程就是尋找一個分離矩陣W，使得

y(t)=Wx(t)

其中，y(t)表示分離出來的信號向量，也就是估計的源信號.

綜上所示，源信號分離的數(shù)學描述如下：已知觀測信號x(t)，設計分離矩陣W，以恢復出原始信號s(t).

若已知信道A，那么盲信號分離問題可退化為線性方程求解問題；若缺乏信道A的先驗知識，盲信號分離問題將變得棘手.為此需引入一些假設條件，在滿足假設條件下，盲信號分離問題才可能在數(shù)學上有解.當然，引入的假設條件必須合理且具有一定的普適性.

盲信號分離技術有許多分析方法，而不同分析方法引入的假設的條件不盡相同.基于主元分析的盲信號分離技術一般假設輸出分離相互獨立；而基于獨立成分分析的盲信號分離技術一般假設分離結果兩兩獨立；此外，基于稀疏獨立成分分析的盲信號分離技術還需要引入源信號也滿足兩兩獨立的假設條件.本文所討論的基于RLS準則及LMS準則的盲信號分離技術滿足以下假設條件：第一，信道模型A必須列滿秩，且觀測信號數(shù)目m不小于源信號數(shù)目n；第二，源信號si(t)都是零均值平穩(wěn)過程，且最多存在一路源信號是高斯信號；第三，在任意時刻t，源信號si(t)兩兩獨立；第四，源信號si(t)的標準差都為1.

需要強調(diào)的是，即使上述假設條件都得到滿足，分離后的信號也會在幅度和排序上呈現(xiàn)不確定關系[3].

2　自適應BSS算法

2.1代價函數(shù)

根據(jù)前面定義的盲信號分離模型可以看出盲信號分離問題就是從混合向量中分離出源信號.為了達到這個目的，通常的方法是找到分離矩陣B，使得輸出yt=Bxt為源向量的拷貝.

求分離矩陣B的一種方法是通過極大或極小化一個表達式來得到；另一種方法是先通過一個n×m的矩陣V對觀測數(shù)據(jù)進行預處理，然后再求得一個n×n的正交矩陣W，總的分離矩陣變?yōu)椋築=WV.

文獻[2]給出了非線性的PCA準則，描述如下：

(1)

(2)

式中0<β≤1是加權因子.上式可以等價為：

(3)

式(2)或(3)稱為普通梯度.進一步把它寫成如下形式：

(4)

上式稱為自然梯度.

聯(lián)立式(3)、(4)有：

(5)

2.2算法描述

2.2.1基于普通梯度的算法

基于式(3)，可以得到下面兩種基于普通梯度的算法[4].

1)普通梯度LMS算法

令式(3)中的β=1.代價函數(shù)為：

遞推算法為：

yt=Wt-1vt

zt=g(yt)

(6)

2)普通梯度RLS算法

令式(3)中的0<β≤1，代價函數(shù)依然保持式(3)的形式，得到的遞推算法為：

yt=Wt-1vt

zt=g(yt)

(7)

2.2.2基于自然梯度的算法

基于式(5)可以得到下面兩種基于自然梯度的算法[4].

1)自然梯度LMS算法：

令(5)中的β=1，此時代價函數(shù)為：

相應的LMS算法為

yt=Wt-1vt

g(Wtvt)=g(yt)

(9)

2)自然梯度RLS算法

yt=Wt-1vt

zt=g(yt)

(10)

2.2.3其他算法

其他算法的推導與上面類似，只是選擇的代價函數(shù)不同而已.下面不加證明給出兩種算法：

1)基于自然梯度的PAST算法[5]：

yt=Wt-1vt

zt=g(yt)

ht=Pt-1zt

(11)

保持矩陣Θ的對角元素不變，矩陣中其余元素按Θij←Θji,?i≠j方式進行復制操作.

2)基于自然梯度的EASI算法[6]:

yt=Wt-1vt

zt=g(yt)

(12)

上述各算法在使用過程中需根據(jù)不同的信號選擇非線性函數(shù)g(·).文獻[4]給出了幾種g(·)的常用選擇：g(y)=y-tanh(y)，g(y)=tanh(y)以及g(y)=y3.

3　數(shù)值仿真

本節(jié)我們給出兩組數(shù)值計算實例.實例一為構造的數(shù)值仿真，以驗證前文所述盲信號分離算法理論性能；實例二是將實例一中的性能最優(yōu)的盲信號分離算法用于實際的圖像分離中，以驗證盲信號分離技術的實際效果.

s1(n)=sgn(cos(2π·155n))

s2(n)=sin(2π·800n)

s3(n)=sin(2π·90n)

s4(n)=sin(2π·300n+6cos(2π·60n))

s5(n)=v(n)

其中v(n)是在[-1，1]內(nèi)均勻分布的噪聲.混合矩陣：隨機產(chǎn)生一個5*5非奇異矩陣作為信道的混合矩陣A.

定義變量PI作為度量算法性能的指標，稱為串音誤差.形式如下：

(13)

各算法比較其數(shù)據(jù)都采用自s(n)，采樣頻率f=10kHz.學習步長η=200×10-4，β=0.98，g(y)=tanh(y)，總樣本數(shù)取4000，獨立200次實驗，畫出上述各算法的串音誤差隨樣本個數(shù)變化的均值曲線圖，如圖2所示.

圖2　盲信號分離算法串音誤差曲線

仿真表明，各算法均能收斂，收斂精度差別不大，但RLS算法要比LMS算法收斂速度快，這是因為在每一步更新過程中RLS算法用到的是前面一段測量值進行更新的，而LMS算法只用了當前時刻的測量值.另一方面，RLS算法收斂以后會出現(xiàn)抖動現(xiàn)象，即RLS穩(wěn)定性不如LMS算法.同時圖2也表明PAST算法與EASI算法能較快對收斂到穩(wěn)定區(qū)域.

實例一表明PAST算法綜合性能相對于其他幾個算法要好，因此我們將該算法用于實際的圖像分離中，驗證盲信號分離技術的實際效果.

假設有以下三幅圖像：

圖3　原圖像

由傳感器檢測到以上三幅圖像的混合信號為：

圖4　混合圖像信號

把圖像展成一維信號，利用PAST算法可以得到以下的分離信號：

圖5　分離后的圖像

由上圖可以看出，盲信號檢測可以較好分離出源信號，但是由于此類算法具有模糊性，對信號的相位無法確定，所以檢測出的圖像沒有達到很好的效果.另外此類算法無法判斷源圖像的次序[3].

4　結束語

在工程實踐中，盲信號分離技術常常用于解決未知信道模型情況下分離混合信號的問題.本文簡要闡述了瞬時盲信號分離技術中RLS類算法和RLS類算法.同時，將本文所涉及算法進行了仿真性能比例以及將仿真性能最好的算法用于實際的圖像分離問題.

仿真表明RLS比LMS算法收斂速度快，但RLS收斂穩(wěn)定性不如LMS算法，而PAST算法與EASI算法能較快對收斂到穩(wěn)定范圍.在圖像處理領域，盲信號分離算法能恢復原始圖像，驗證了盲信號分離算法的特性.

[1]張賢達. 現(xiàn)代信號處理[M]. 北京：清華大學出版社,2002.

[2]Zhu X, Zhang X. Adaptive RLS algorithm for blind source separation using a natural gradient[J]. IEEE Signal Processing Letters, 2002,(12):761-767.

[3]徐尚志. 盲信號分離算法的研究[D].合肥： 中國科學技術大學博士學位論文, 2005.

[4]Amari S. Natural gradient works efficiently in learning[J]. Neural Comput, 1998,(2):251-276.

[5]Karhunen J, Pajunen P, Oja E. The nonlinear PCA criterion in blind source separation: Relations with other approaches[J]. Neuro Comput, 1998,(1-3):5-20.

[6]Pajunen P, Karhunen J. Least-squares methods for blind source separation based on nonlinear PCA[J]. Int J Neural Syst, 1998,8:601-612.

(責任編校：晴川)

Research on Adaptive Algorithm of Blind Signal Separation

XIONG Jie, KANG Ronglei

(Southwest China Institute of Electronic Technology, Chengdu Sichuan 610036, China)

The topic of blind signal separation (BSS) is an important research hotpot in signal processing. The purpose of BSS is to recover the original independent signals from their mixed observation date. In this paper, we expatiate on the model and theory of BSS, and analyze some adaptive algorithms—LMS and RLS. The performance and effect of these algorithms are compared, and the results show that the RLS has batter convergence than LMS, but the stability of RLS is worse than LMS.

blind signal separation; natural gradient; ordinary gradient; RLS; LMS

2016-05-24

熊杰(1984— ),男，四川邛崍人，中國西南電子技術研究所工程師，博士.研究方向：數(shù)據(jù)鏈與導航.

TN911.23

A

1008-4681(2016)05-0049-04