基于累積張量分解的雷達信號欠定盲分離算法

艾小凡,羅勇江,趙國慶

(西安電子科技大學電子信息攻防對抗與仿真技術教育部重點實驗室,陜西 西安 710071)

?

基于累積張量分解的雷達信號欠定盲分離算法

艾小凡,羅勇江,趙國慶

(西安電子科技大學電子信息攻防對抗與仿真技術教育部重點實驗室,陜西 西安 710071)

針對時域和頻域不充分稀疏條件下的雷達信號欠定盲分離問題,提出了基于信號不同時延的累積量與三階張量分解估計混合矩陣的方法,并通過修正子空間投影算法完成對雷達源信號的恢復。首先將混合信號的四階累積量表示成三階張量,利用三階張量分解獲得混合矩陣估計值;通過求解雷達源信號任意時頻點處對應的估計矩陣的列矢量,得到該時頻點處最優超定矩陣的偽逆并恢復源信號。該算法可以解決復雜電磁環境下時頻域同時混疊的雷達信號盲分離問題,仿真結果表明與現有算法相比提高了盲分離中混合矩陣估計性能和源信號恢復性能。

盲源分離; 欠定混合矩陣; 四階累積量; 張量分解; 子空間投影

0　引　言

盲源分離(blind source separation,BSS)已成為信號處理的熱點領域,它是指在未知的傳輸通道和源信號的條件下,僅通過傳感器收到的混合信號來分離源信號。在實際過程應用中,混合信號的個數往往小于源信號的個數，此時稱為欠定盲源分離(underdetermined blind source separation,UBSS)[1]。隨著現代電子戰電磁環境的復雜化,信號參數空間嚴重交疊,傳統的基于參數的雷達信號分選系統性能受到嚴重影響。近年來,許多學者[2-3]將盲源分離的方法應用于雷達信號處理領域,如雷達信號分選、DOA估計等,并取得了一定的效果。

許多學者提出了基于稀疏成分分析(sparse component analysis,SCA)的欠定盲源分離問題的解決方法[1,4-7],文獻[1]提出了利用勢函數的方法估計混合矩陣,然后采用l1范數優化的方法恢復源信號;文獻[5]提出了利用聚類的方法估計混合矩陣;后有學者提出了基于勢函數改進方法[6];針對混合矩陣的估計,文獻[7]提出了一種基于時頻比(time-frequency ratio of mixtures,TIFROM)的方法。上述這些方法均需要源信號滿足稀疏性,無法解決時域和頻域混疊且不充分稀疏條件下雷達信號盲分離問題。針對不充分稀疏條件下的欠定盲分離,文獻[8]提出了利用矩陣對角化求解混合信號的四階統計特性完成混合矩陣的估計;文獻[9]提出了利用聯合矩陣對角化和聯合矩陣非對角化兩種方法求解混合矩陣,上述兩種算法無需信號滿足稀疏性的條件,但要求源信號具有相同的非零峭度符號,且僅僅只討論了混合矩陣的估計;文獻[10]提出的基于四階累積張量的方法需要假設混合矩陣具有非負性,同時文中的源信號恢復算法不適用時域和頻域混疊且不充分稀疏條件下雷達信號。文獻[11]與文獻[12]提出了基于二次時頻分布的欠定盲源分離信號恢復算法,但文獻[11]中的方法需要混合矩陣已知且滿足一定的約束條件,文獻[12]采用時頻綜合的方法恢復源信號,源信號的頻率范圍需要滿足一定的條件。針對源信號的恢復,文獻[13]提出了一種基于子空間投影的盲分離算法,文獻[14]提出了一種改進的子空間投影算法,通過計算時頻點之間的歐式距離來確定任意時頻點源信號,這兩種方法在任意時頻點實際存在的源信號數小于設置的定值時則較難以恢復出源信號。

針對上述方法的不足,本文提出了一種利用混合信號不同的時延四階累積量構造為三階張量,并對其進行分解完成對混合矩陣的估計,然后修正子空間投影算法實現對雷達源信號的恢復。針對張量的分解,采用改進的迭代最小二乘算法得到估計的混合矩陣;然后求解任意時頻點處實際的源信號個數及其對應的估計矩陣的列矢量,獲得該時頻點處最優的超定矩陣并利用其偽逆恢復源信號。該方法可以實現復雜電磁環境下時頻域混疊的雷達信號盲分離問題,完成對混合矩陣的盲估計和源信號的分離。

1　信號模型

設M個陣元接收到P(P>M)個雷達信號,混合信號X(t)∈CM可表示為

(1)

式中,S(t)∈CP表示P個雷達信號；未知混合矩陣A=[a1,a2,…,aP]∈CM×P；N(t)表示陣元上的加性觀測噪聲。

為了解決時域和頻域混疊且不充分稀疏條件下的雷達信號欠定盲分離問題,假設矩陣A和雷達信號S(t)滿足下列3個條件:

(1)A中任意M×M子矩陣的行列式不為0,且滿足M2≥P;

(2)源信號的各分量為零均值且為統計獨立的非高斯信號;

(3)任意時頻點上,源信號同時存在的個數J小于混合信號的個數。

在實際過程中,不同的雷達源信號之間是相互統計獨立且為非高斯信號,因此假設(2)是比較容易滿足。

2　混合信號的四階累積量

混合信號的四階累積量采用四次協方差矩陣QX(τ1,τ2,τ3)∈CM2×M2表示,定義如下:

(2)

式中,1≤i,j,k,l≤M；“*”為復數共軛；xi(t)表示混合信號X(t)的第i路混合信號。

將式(1)代入式(2)可得

(3)

式中,QS(τ1,τ2,τ3)表示源信號的四次協方差矩陣,其維數為P2×P2;?表示Kronecker乘積。

由假設條件(b)可知,統計獨立源信號的四次協方差矩陣QS(τ1,τ2,τ3)至少包含P2-P個零元素[8],因此式(3)可以表示為

(4)

(5)

3　基于累積張量的混合矩陣估計

(6)

式中,K是大于P的正整數(K一般取2P)。

定義張量T∈CM2×M2×K和矩陣D∈CK×P,其中張量T的第(i,j,k)個元素為Ti,j,k=[QX(0,0,k-1)]i,j,矩陣D的第(k,r)個元素Dk,r=[CS(0,0,k-1)]r,r,因此式(6)可表示為

(7)

(8)

根據張量理論可知,上述張量分解得到的混合矩陣在排序和幅值的不確定性并不影響三階張量分解的唯一性[15],即式(8)中的三階張量T滿足式(9)時,張量T的正則分解是唯一的:

(9)

式中,kAQ與kD分別表示矩陣AQ和D的Krustal秩(簡稱k-秩)。

由假設條件1可知,AQ的k-秩為P,又因為矩陣D的k-秩為P,所以式(9)可以表示為P≥2。即當混合信號和源信號滿足2≤P≤M2時,張量T的分解是唯一的。對張量正則分解后得到的矩陣,其列矢量在幅度和位置的不確定性,并不會對混合矩陣的估計和源信號的恢復造成影響。

(10)

4　基于修正的子空間投影法的源信號恢復

(11)

式中,X(t,f)∈CM；S(t,f)∈CN分別是混合信號和源信號在時頻點(t,f)的STFT系數。在任意時頻點(t0,f0)處,式(11)可以表示為

(12)

矩陣AL的正交投影矩陣Q為

(13)

正交投影矩陣Q滿足以下特征:

(14)

(15)

上述傳統的子空間投影法假設任意時頻點(t0,f0)都有L個源信號,但當該時頻點實際的源信號數m與L不一致時,源信號的恢復會引入噪聲,且m與L相差越大,算法性能越差[14]。

本文提出一種修正子空間投影方法,通過估計任意時頻點處實際的源信號數m以及對應的混合矩陣列矢量AL,完成源信號的恢復,提高源信號恢復性能,下面給出修正子空間投影算法恢復源信號方法。

(16)

式中，i∈{α1,…,αm}且i?{β1,…,βr}。

由于噪聲等其他因素的影響,式(16)的值一般不嚴格等于0,因此其計算結果滿足‖QrX(t0,f0)‖<ε(ε一般取0.1)時,則認為‖QrX(t0,f0)‖等于0。

通過上述分析可知,求解任意時頻點處源信號個數以及源信號對應的混合矩陣列矢量Ar可以轉換為對下式的優化問題:

(17)

式中,P為源信號個數；Ar為混合矩陣A中的r個列矢量張成的矩陣；Qr為Ar的正交投影矩陣。

修正的子空間投影法源信號恢復算法步驟:

步驟1計算混合信號的STFT系數X(t,f),初始化r=1;

步驟2選擇某一個時頻點(t0,f0);

5　仿真結果

為了評價混合矩陣的估計效果,定義平均相對誤差EA為混合矩陣評價因子[1]:

(18)

源信號的恢復性能采用類似信噪比的方法作評價因子[1],定義如下:

(19)

源信號為4個線性調頻雷達信號,混合信號個數3。采樣率200 MHz,采樣點數為4 000,各個信號歸一化頻率范圍為[0.5,0]、[0,0.3]、[0.24,0.5]和[0.3,0.2]?；旌暇仃嘇中各個元素通過下式給出:

(20)

圖1　4個雷達源信號的時頻圖Fig.1　TFD of four original radar source signals

采用基于聯合對角化的四階累積量混合矩陣估計算法(FOOBI)[9]、基于時頻分布的盲分離算法(TFDs_based)[12]以及本文算法對混合信號分別進行100次蒙特卡羅仿真實驗,得到混合矩陣的性能隨信噪比的變化曲線,如圖3所示。從圖中可以看出,本文方法的混合矩陣估計精度相對較優。

圖2　混合信號X(1)的時頻分布Fig.2　TFD of the mixed signal X(1)

圖3　不同信噪比下混合矩陣估計性能Fig.3　Performance of mixing matrix estimation versus SNR

圖4為本文算法在信噪比為15dB時恢復的源信號時頻圖。圖5為本文算法和傳統子空間投影算法[13]在源信號恢復性能上隨信噪比變化的曲線。圖5中,L為傳統子空間投影算法假設的時頻點上源信號個數,仿真結果表明L的取值對源信號恢復性能影響較大;本文算法通過計算每個時頻點處實際存在的源信號個數,提高了算法對源信號的恢復性能。

圖4　本文算法恢復的4個源信號時頻圖Fig.4　TFD of four signals recovered by the proposed method

圖5　源信號恢復性能Fig.5　Performance of source reconstruction

6　結　論

本文提出了一種利用張量分解與累積量相結合的方法估計混合矩陣,并修正了子空間投影算法用于源信號恢復方法,可解決時域和頻域不充分稀疏條件下的雷達信號欠定盲分離。仿真結果表明與現有算法相比,本文方法估計的混合矩陣和恢復的源信號性能較優,驗證了該方法用于解決時域和頻域混疊且不充分稀疏條件下的雷達信號欠定盲分離問題的可行性。

[1] Bofill P,Zibulevsky M.Underdetermined blind source separation using sparse representations[J].Signal Processing,2001,81(11):2353-2362.

[2] Chen X J,Cheng H,Tang B.Underdetermined blind radar signal separation based on ICA[J].Journal of Electronics & Information Technology,2010,32(4):919-924.(陳曉軍,成昊,唐斌.基于ICA的雷達信號欠定盲分離算法[J].電子與信息學報,2010,32(4):919-924.)

[3] Wang X,Huang Z,Zhou Y.Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method[J].Journal of Systems Engineering and Electronics,2014,25(1):17-25.

[4] Ji J,Li X.Method for sparse component analysis in the shearlet domain[J].Journal of Xidian University,2014,41(6):45-52.(紀建,李曉.一種剪切波域的稀疏分量分析方法[J].西安電子科技大學學報(自然科學版),2014,41(1):45-52.)

[5] Li Y,Cichocki A,Amari S.Analysis of sparse representation and blind source separation[J].Neural Computation,2004,16(6):1193-1234.

[6] Fu W H,Wang L,Ma L F.Improved laplace mixed model potential function algorithm for UBSS[J].Journal of Xidian University,2014,41(6):1-5.(付衛紅,王璐,馬麗芬.一種改進的勢函數欠定盲源分離算法[J].西安電子科技大學學報(自然科學版),2014,41(6):1-5.)

[7] Abrard F,Deville Y.A time-frequency blind signal separation method applicable to underdetermined mixtures of dependent sources[J].Signal Processing,2005,85(7):1389-1403.

[8] Ferréol A,Albera L,Chevalier P.Fourth-order blind identification of underdetermined mixtures of sources (FOBIUM)[J].IEEE Trans.on Signal Processing,2005,53(5):1640-1653.

[9] Lathauwer L D,Castaing J,Cardoso J.Fourth-order cumulant-based blind identification of underdetermined mixtures[J].IEEE Trans.on Signal Processing,2007,55(6):2965-2973.

[10] Ge S N,Han M.Fourth-order cumulant of tensor decomposition method for blind identification of underdetermined separation[J].Acta Electronica Sinica,2014,42(5):992-997.(葛素楠,韓敏.基于四階累積張量方法的欠定盲源信號分離[J].電子學報,2014,42(5):992-997.)

[11] Peng D,Xiang Y.Underdetermined blind separation of non-sparse sources using spatial time-frequency distributions[J].Digital Signal Processing,2010,20(2):581-596.

[12] Lu F B,Huang Z T,Peng G,et al.Underdetermined blind source separation (UBSS):a time-frequency approach[J].Acta Electronica Sinica,2011,39(9):2067-2072.(陸鳳波,黃知濤,彭耿,等.基于時頻分布的欠定混疊盲分離[J].電子學報,2011,39(9):2067-2072.)

[13] Aissa-El-Bey A,Linh-Trung N,Abed-Meraim K,et al.Underdetermined blind separation of nondisjoint sources in the time-frequency domain[J].IEEE Trans.on Signal Processing,2007,55(3):897-907.

[14] Peng Z,Jiang W.Underdetermined blind recovery of communication signals based on minimum euclidean distance in time-frequency domain[C]//Proc.of the 3rd International Conference on Multimedia Technology,2014:77-85.

[15] Cichocki A,Mandic D,Phan A H,et al.Tensor decompositions for signal processing applications from two-way to multiway component analysis[J].IEEE Signal Processing Magazine,2015,32(2):145-163.

[16] Nion D,Lathauwer L D.An enhanced line search scheme for complex-valued tensor decompositions.Application in DS-CDMA[J].Signal Processing,2008,88(3):749-755.

Underdetermined blind separation of radar signals based on tensor decomposition

AI Xiao-fan,LUO Yong-jiang,ZHAO Guo-qing

(Key Laboratory of Electronic Information Countermeasure and Simulation Technology, Ministry of Education,Xidian University,Xi’an 710071,China)

Considering the underdetermined blind separation of radar signals which is non-disjoint in time-frequency domain,a method based on observed signals and the cumulant is proposed for estimating matrix,and then the modified subspace projection is used for recovering radar signal.Firstly,the fourth-order cumulant is constructed based on observed signals and the cumulant is expressed as the third-order tensor,the mixed matrix is estimated by tensor decomposition with enhanced line search alternating least square.Finally,the over-determined matrix,which is calculated by estimating the column vector corresponds to the active original signal at any time-frequency point,is used to complete the estimation of signal by Moore-Penrose.The proposed method can solve the blind separation of non-disjoint radar signals in the time-frequency domain under complex electromagnetic environment.Simulation results show that the proposed method outperforms the existing methods in mixed matrix estimation and source recovery.

blind source separation; underdetermined mixtures; fourth-order cumulant; tensor decomposition; subspace projection

2015-10-08；

2015-12-25；網絡優先出版日期：2016-07-18。

中央高校基本科研業務費專項資金(FP11015020004)資助課題

TN 971,TN911.7

ADOI:10.3969/j.issn.1001-506X.2016.11.09

艾小凡(1988-),男,博士研究生,主要研究方向為電子偵察與信息對抗、多維信號處理。

E-mail:xiaofan_ai88@163.com

羅勇江(1979-),男,副教授,博士,主要研究方向為電子偵察與信息對抗、寬帶實時信號處理。

E-mail:yjluo@mail.xidian.edu.cn

趙國慶(1953-),男,教授,主要研究方向為電子偵察與信息對抗、雷達信號處理。

E-mail:guoqzhao@mail.xidian.edu.cn

網絡優先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160718.1042.012.html