通信侦察信号的盲分离
０．引言
通信侦察是利用电子侦察设备对敌方的无线电信号进行搜索、截获、
分选、测量和识别，从而获得军事或技术情报的过程。在现代战场，由于不同体制用频装备的大量使用，使得电磁环境日益复杂，侦察接收机截获到的往往是功率跌宕起伏、时域密集交跌、频域严重混叠的信号。现阶段通信侦察信号的分离方法主要有两种：一种是时频分析方法，包括固定系数滤波器、
自适应滤波器、谱相关分析等技术［１］，这些方法往往需要知道所处理信号的一些先验知识，而且对频谱严重混叠的
信号不能有效分离；
另一种是波束形成方法［２］，
它主要利用信号空间位置的不同进行信号分离，对频谱混叠信号具有一定的分离能力，但是这种技术对接收天线模型和信道的幅相一致性要求较高，在实际应用中局限较多。
盲源分离（ＢｌｉｎｄＳｏｕｒｃｅＳｅｐａｒａｔｉｏｎ，ＢＳＳ）技术是近年来信号处理领
域的一个研究热点。在语音信号处理、
图像信号处理、地震信号处理和推导了等变自适应盲分离算法，并利用它解决复杂电磁环境下通信侦察信号的盲分离问题。算法不仅收敛速度快而且对功率差别很大的多个时频域混叠信号均具有良好的分离性能。
１．盲源分离模型所谓盲分离，就是在未知混合参数的情况下，仅根据传感器观测到的混合信号恢复出源信号。混合模型可以表示如下：
ｘ（ｔ）＝Ａｓ（ｔ）（１）分离模型为：
ｙ（ｔ）＝Ｂｘ（ｔ）＝ΛＰｓ（ｔ）
（２）式中ｘ（ｔ）＝［ｘ１（ｔ），ｘ２（ｔ），…，ｘｎ（ｔ）］Ｔ
表示从ｎ个天线观察到的信号向量，其元素ｘｉ（ｔ）表示第ｉ（ｉ＝１，２，…，ｎ）个接收天线在ｔ时刻观察到的信号值；
ｓ（ｔ）＝［ｓ１（ｔ），ｓ２（ｔ），…，ｓｍ（ｔ）］Ｔ
表示ｍ个信号源发射的信号向量，其元素ｓｊ（ｔ）表示第ｊ（ｊ＝１，２，…，ｍ）个信号源在ｔ时刻发射的信号值；ｎ×ｍ（ｎ≥ｍ）维矩阵Ａ为混
合矩阵。ｙ（ｔ）＝［ｙ１（ｔ），ｙ２（ｔ），…，ｙｍ（ｔ）］Ｔ
表示分离信号，
Λ为对角阵，Ｐ为任意交换阵，ｍ×ｎ维矩阵Ｂ称为分离矩阵。为表述方便，后面的叙述中将省略参数ｔ。
代价函数，对这些代价函数的不同优化过程就对应不同的算法［８］。
２．１代价函数的构造
为了得到源信号ｓ好的估计ｙ＝Ｂｘ，需要引入一个代价函数Ｒ（Ｂ），它表示输出信号ｙ的各个分量之间相互独立性的测度，也就是说当ｙ的
各个分量独立时，即当Ｂ是Ａ－１的伸缩和置换形式时，
代价函数Ｒ（Ｂ）将最小化。若使用Ｋ－Ｌ散度作为独立性的测度［８］
，并令ｐ（ｙ，Ｂ）是随机变量ｙ＝Ｂｘ＝ＢＡｓ的概率密度函数，ｑ（ｙ）是我们选择的ｙ的另一种概率密度函数，在此函数下，所有的ｙｉ（ｉ＝１，２，…，ｍ）统计独立，则代价函数为：
Ｒ（Ｂ）＝Ｋｐｑ（Ｂ）＝
乙
ｐ（ｙ，Ｂ）ｌｏｇｐ（ｙ，Ｂ）ｄｙ＝－Ｈ（ｙ）－ｍ
ｉ＝１
ΣＥ［ｌｏｇ（ｑ（ｙｉ））］
（３）
式中Ｈ（ｙ）＝－乙ｐ（ｙ，Ｂ）ｌｏｇｐ（ｙ，Ｂ）ｄｙ表示ｙ的微分熵。
白化处理可以减少噪声消除冗余，改善自适应系统的收敛性能。因
此，在对信号进行分离之前，往往需要对观察信号ｘ进行白化预处理。
假设白化后的信号向量为ｚ，白化矩阵为Ｈ，则ｚ＝Ｈｘ。白化矩阵Ｈ的迭
代公式为［９］
：
Ｈ（ｋ＋１）＝Ｈ（ｋ）－μ＜ｚ（ｋ）ｚＴ（ｋ）－Ｉ＞Ｈ（ｋ）
（４）式中μ表示迭代步长，
＜·＞表示对变量求时间平均值。设ｚ的概率密度函数为ｐｚ（ｚ），由ｙ＝Ｂｚ，可得ｐ（ｙ，Ｂ）＝ｐｚ（Ｂ－１ｙ）ｄｅｔＢ－１，所以ｙ的微分熵可等价表示为：
Ｈ（ｙ）＝－
乙ｐｚ
（ｚ）［ｌｏｇ（ｐｚ
（ｚ））＋ｌｏｇｄｅｔＢ
－１
］ｄｚ＝Ｈ（ｚ）＋ｌｏｇｄｅｔ（Ｂ）（５）
式中Ｈ（ｚ）与Ｂ无关，最终的代价函数为：Ｒ（Ｂ）＝－ｌｏｇｄｅｔ（Ｂ）－ｍｉ＝１
ΣＥ［ｌｏｇ（ｑ（ｙｉ））］
（６）
２．２迭代公式的推导
如前文所述，要正确地分离出源信号应使代价函数Ｒ（Ｂ）最小。为此对Ｒ（Ｂ）求随机梯度，可得：鄣Ｒ（Ｂ）＝－｛鄣ｌｏｇｄｅｔ（Ｂ）＋Ｅ［ｍ
ｉ＝１
Σ（鄣ｌｏｇ（ｑ（ｙｉ））ｉ鄣ｙｉ）］｝＝－（Ｂ－１）Ｔ＋Ｅ［Φ（ｙ）ｚＴ］（７）式中Φ（ｙ）＝［φ(ｙ１），φ(ｙ２），…，φ(ｙｍ）］，φ(ｙｉ）＝d ｌｏｇ（ｑ（ｙｉ））d ｙｉ＝－d ｑ＇（ｙｉ）q(ｙｉ）
。由最速下
降法可以得到如下的迭代公式：
Ｂ（ｋ＋１）＝B(k)+μ{(B(k)-1)T -<Φ(y(k))z T (k)>}（８）式中μ表示迭代步长。
上式在计算过程中涉及分离矩阵Ｂ（ｋ）的求逆运算，一旦Ｂ（ｋ）在更
新过程中条件变差，算法就可能发散。
为此采用相对梯度［９］鄣Ｒ（Ｂ）鄣Ｂ
ＢＴＢ来代替随机梯度鄣Ｒ（Ｂ）鄣Ｂ，
可得：鄣Ｒ（Ｂ）鄣Ｂ
＝－｛Ｉ－＜Φ(y)y T >B}。由此得到新的迭代公式：
Ｂ（ｋ＋１）＝Ｂ（ｋ）＋μ｛Ｉ－＜Φ(y(k)y T (k))>}B(k)
（９）由于白化的作用，要从ｙ＝Ｂｚ中恢复源信号，需在整个迭代过程中
都尽量保持Ｂ的正交性［４］
。假设Ｂ（ｋ）已经正交若Ｂ（ｋ＋１）＝Ｂ（ｋ）＋γＢ（ｋ）（γ是一个很小的变化矩阵），则：
Ｂ（ｋ＋１）ＢＴ
（ｋ＋１）＝Ｉ＋γ＋γＴ＋ｏ（λ）＝Ｉ圯γ＝－γＴ（１０）
若γ＝ε－εＴ
则满足γ＝－γＴ的要求。考虑式（９）取ε＝μ｛Ｉ－＜Φ(y(k)y T (k))>}
则
γ＝μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}（１１）由此得到保持分离矩阵Ｂ的一阶正交性的迭代公式：Ｂ（ｋ＋１）＝Ｂ（ｋ）＋μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}Ｂ（ｋ）（１２）
因为ｙ＝Ｂｚ＝ＢＨｘ，令Ｗ＝ＢＨ则ｙ＝Ｗｘ。结合式
（４）和式（１２）将白化与分离过程联合起来考虑，就可以得到著名的ＥＡＳＩ算法：
Ｗ（ｋ＋１）＝Ｂ（ｋ＋１）Ｈ（ｋ＋１）
＝Ｗ（ｋ）＋μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>+I-y(k)y T (k)>}Ｗ（ｋ）（１３）２．３通信侦察中函数Φ(y ）的选择由推导过程可知，Φ(y ）的选择关系到分离算法的稳定性，对分离效
果具有十分重要的影响。
由于Φ(y ）只与所选参考分布函数ｑ（ｙ）有关而ｑ（ｙ）的最佳选择是源信号的真实概率密度函数，但是在实际情况下这是无法获得的，因此只能用某个函数来近似。近似函数的选取与源信号的高
斯性有关，典型的选取是［１０］
：如果源信号具有亚高斯性，近似函数可选为
Φ(y ）＝δｙ＋ｙｙ２
，δ≥０；如果源信号具有超高斯性，可选为Φ(y ）＝αｙ＋ｔａｎｈ（βｙ），α≥0，β≥2。在实际的通信侦察中，接收到的信号大都是各种不同类型的调制信号，而一般的调制信号都是亚高斯信号。因此，在通信侦察信号处理中，可以选取如下近似函数：
（下转第５１８页）
通信侦察信号的盲分离
重庆通信学院ＤＳＰ研究室
和继威
刘晓培
刘郁林
［摘要］为解决复杂电磁环境下通信侦察信号的盲分离问题，以Ｋ－Ｌ散度作为信号之间独立性的测度，利用相对梯度的概念，推导
了适用于通信侦察信号的等变自适应盲分离算法。仿真结果表明，该算法不仅能有效分离功率相差很大、
时频域严重重叠的通信侦察信号，而且收敛速度快。［关键词］通信侦察盲源分离时频域混叠５１７——
Φ(y）＝αｙ＋ｙｙ２（１４）３．计算机仿真
仿真中采用的四个源信号分别为：幅度为０．１的线性调频信号，幅度为１的调相信号；幅度为１的正弦信号；随机产生的幅度很大的高斯白噪声；仿真时采样频率为５００Ｈｚ，取５００个采样点。源信号的时域及频域波形分别如图１、２所示。通信侦察接收机接收到的信号的时域和频域波形分别如图３、４所示，分离后的信号如图５、６所示。
图１源信号的时域波形图２源信号的频域波形
图３接收信号的时域波形图４接收信号的频域波形
图５分离信号的时域波形图６分离信号的频域波形４．结论
在“非合作”
条件下的通信侦察过程中，传统的信号分离技术无法
对侦察接收机截获的功率差别很大、时频域严重重叠的信号进行有效
地分离。而盲源分离技术则能在未知源信号和传输信道参数的情况下，
仅通过对观测信号进行处理，就能恢复源信号。本文推导了适用于通信
侦察的ＥＡＳＩ盲分离算法，并用其解决截获信号的分离问题。结果发现，
该算法不仅能有效地分离出被噪声淹没的通信信号，而且算法收敛速
度快，分离性能好。这种算法在通信侦察中，将会具有广阔的应用前景。
参考文献
［１］王磊，陈鹏举，陈乾．修正平均周期图法在通信信号分选识别中的
应用［Ｊ］．电讯技术，２００２，４２（４）：３０－３３．
［２］贾朝文，张学帅．基于数字波束合成的空间信号分离研究［Ｊ］．中
国电子科学研究院学报，２００６，１（１）：８６－８９．
［３］许士敏，陈鹏举．基于阵列天线的无线电侦察信号盲分离［Ｊ］．电
讯技术，２００４，７１（３）：７１－７４．
［４］付卫红，杨小牛，曾兴雯等．适用于通信侦察的信号盲分离算法
［Ｊ］．南京理工大学学报：自然科学版，２００８，３２（２）：１８９－１９４．
［５］ＪｕｔｔｅｎＣ，ＨｅｒａｕｌｔＪ．Ｂｌｉｎｄｓｅｐａｒａｔｉｏｎｏｆｓｏｕｒｃｅｓ，ＰａｒｔＩ：ａｎａｄａｐｔｉｖｅ
ａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｎｅｕｒｏｍｉｍｅｔｉｃａｒｃｈｉｔｅｃｔｕｒｅ［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９１，２４
（１）：１－１０．
［６］ＣｏｍｍｏｎＰ，ＪｕｔｔｅｎＣ，ＨｅｒａｕｌｔＪ．Ｂｌｉｎｄｓｅｐａｒａｔｉｏｎｏｆｓｏｕｒｃｅｓ，Ｐａｒｔ
Ⅱ：ｐｒｏｂｌｅｍｓｓｔａｔｅｍｅｎｔ［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９１，２４（１）：１１－２０．
［７］ＳｏｒｏｕｃｈｙａｒｉＥ．Ｂｌｉｎｄｓｅｐａｒａｔｉｏｎｏｆｓｏｕｒｃｅｓ，ＰａｒｔⅢ：ｓｔａｂｉｌｉｔｙａｎａｌｙｓｉｓ
［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９１，２４（１）：２１－２９．
［８］ＣｉｃｈｏｃｋｉＡ，ＡｍａｒｉＳ．ＡｄａｐｔｉｖｅＢｌｉｎｄＳｉｇｎａｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ
［Ｍ］．ＮｅｗＹｏｒｋ：ＪｏｈｎＷｉｌｅｙ＆Ｓｏｎｓ，２００２．
［９］ＣａｒｄｏｓｏＪＦ，ＬａｈｅｌｄＢ．Ｅｑｕｉｖａｒｉａｎｔａｄａｐｔｉｖｅｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ［Ｊ］．
ＩＥＥＥＴｒａｎｓＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９６，４４（１２）：３０１７－３０２９．
［１０］ＡｍａｒｉＳ，ＣｉｃｈｏｃｋｉＡ，Ａｄａｐｔｉｖｅｂｌｉｎｄｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｎｅｕｒａｌｎｅｔ－
ｗｏｒｋａｐｐｒｏａｃｈｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ，１９９８，８６（１０）：２０２６－２０４８．（上接第５１７页）
１．定义及引理
Ｄｉｒｉｃｈｌｅｔ级数的相关定义及Ｎｅｗｔｏｎ多边形等定义见文献［１］。文中
研究的是ρ＇＝＋∞的情况。
引理１［１］在文献［１］的规定下，坌σ∈R，有ｌｎｍ（σ）＝ｌｎｍ（σ１）＋
σ
σ
１
乙ｖ（σ）ｄσ。
引理２设Ｍ（σ）在［ａ，∞）上正值连续且趋于∞，ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋Ｍ（σ）＝∞，则存
在连续可微函数Ｕ１（σ）＝σρ(σ)，Ｕ２（σ）＝eσρ(σ)，满足：（ｉ）ρ（σ）在［ａ，∞）上连续且单
调趋于∞；（ｉｉ）ｌｉｍ
σ→∞
ｌｎＵ１（σ＇）
１
＝１，其中σ＇＝σ1+ｌｎσ
ｌｎＵ１（σ）ｌｎ２ｌｎＵ１（σ）
σσ；ｌｉｍ
σ→∞
ｌｎＵ２（σ＇）
ｌｎＵ２（σ）
＝１其中σ＇＝σ＋１
２ｌｎＵ２（σ）
；（ｉｉｉ）ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋Ｍ（σ）
ｌｎＵ１（σ）
＝１；ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋Ｍ（σ）
ｌｎＵ２（σ）
＝1。
称Ｕ１（σ）和Ｕ２（σ）为ｆ（ｓ）的型函数。设ｆ（ｓ）在平面上收敛，若ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋Ｍ（σ）
ｌｎＵｉ（σ）
＝τｉ，０≤τｉ≤１，ｉ＝１，２。则称ｆ（ｓ）关于Ｕｉ（σ）的下级为τｉ（ｉ＝１，２）。
引理３如果无穷级Ｄｉｒｉｃｈｌｅｔ级数ｆ（ｓ）在全平面收敛，则对前述型函
数Ｕ１（σ）和Ｕ２（σ）有
ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋Ｍ（σ）
ｌｎＵｉ（σ）
＝ｌｉｍ
σ→∞
ｌｎ＋ｌｎ＋ｍ（σ）
ｌｎＵｉ（σ）
，ｉ＝１，２。
证明：结合ｍ（σ）≤Ｍ（σ）≤ｋ（ε）ｍ（σ－Ｅ－ε）可知本定理结论成立。
２．主要结果
定理若无限级Ｄｉｒｉｃｈｌｅｔ级数ｆ（ｓ）在全平面收敛，则在文献［１］所述最
大项与最大项指标的规定下，有ｌｉｍ
σ→∞
ｌｎｌｎＭ（σ）
ｌｎＵｉ（σ）
＝ｌｉｍ
σ→∞
ｌｎｖ（σ）
ｌｎＵｉ（σ）
，（ｉ＝１，２）。
证明：ｌｎｖ（σ）σｌｎσ
ｌｎＵ１（σ）ｌｎ２ｌｎＵ１（σ）
＝ｌｎｖ（σ）（σ＇－σ）≤
σ＇
σ
乙ｖ（σ）ｄσ≤lnm（σ＇），
ｌｎｌｎｖ（σ）
ｌｎＵ１（σ）
＋ｌｎσ＋ｌｎｌｎσ－ｌｎｌｎＵ１（σ）－２ｌｎｌｎＵ１（σ）
ｌｎＵ１（σ）
≤ｌｎｌｎｍ（σ＇）
ｌｎＵ１（σ＇）
ｌｎＵ１（σ＇）
ｌｎＵ１（σ）
，
ｌｉｍ
σ→∞
ｌｎｌｎｖ（σ）
ｌｎＵ１（σ）
≤ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ＇）
ｌｎＵ１（σ＇）
ｌｎＵ１（σ＇）
ｌｎＵ１（σ）
＝ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ＇）
ｌｎＵ１（σ＇）
，
另一方面，ｌｎｍ（σ）－ｌｎｍ（δ）≤ｖ（σ）（σ-δ）≤σv(σ)，
ｌｎｍ（σ）≤σv(σ)＋ｌｎ＋ｍ（δ），ｌｎｌｎｍ（σ）≤lnσ+lnv(σ)＋ｌｎ＋ｌｎ＋ｍ（δ）＋ｌｎ２，
ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ）
ｌｎＵ１（σ）
≤ｌｉｍ
σ→∞
ｌｎｖ（σ）
ｌｎＵ１（σ）
。
对于型函数为Ｕ２（σ）的情形，注意到：
ｌｎv(σ)１
２ｌｎＵ２（σ）
＝ｌｎｖ（σ）（σ＇－σ）≤
σ＇
σ
乙ｖ（σ）ｄσ≤lnm（σ＇），
ｌｎｌｎｖ（σ）
ｌｎＵ２（σ）
－ｌｎ２＋ｌｎｌｎＵ２（σ）
ｌｎＵ２（σ）
≤ｌｎｌｎｍ（σ＇）
ｌｎＵ２（σ＇）
ｌｎＵ２（σ＇）
ｌｎＵ２（σ）
，
ｌｉｍ
σ→∞
ｌｎｌｎｖ（σ）
２
≤ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ＇）
２
ｌｎＵ２（σ＇）
２
＝ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ＇）
２
，
又ｌｎｍ（σ）－ｌｎｍ（δ）≤ｖ（σ）（σ-δ）≤σv(σ)，ｌｎｍ（σ）≤σv(σ)＋ｌｎ＋ｍ（δ），
ｌｎｌｎｍ（σ）≤lnσ+lnv(σ)＋ｌｎ＋ｌｎ＋ｍ（δ）＋ｌｎ２，ｌｉｍ
σ→∞
ｌｎｌｎｍ（σ）
ｌｎＵ２（σ）
≤ｌｉｍ
σ→∞
ｌｎｖ（σ）
ｌｎＵ２（σ）
。
由以上证明及引理３可知本定理结论成立。
参考文献
［１］田宏根，孙道椿，郑承民．平面上零级Ｄｉｒｉｃｈｌｅｔ级数［Ｊ］．系统科学
与数学，２００６，２６（３）：２７０－２７６．
［２］罗仕乐，孙道椿．半平面上无限级Ｄｉｒｉｃｈｌｅｔ级数与随机Ｄｉｒｉｃｈｌｅｔ
级数的增长性［Ｊ］．数学物理学报，２００９，２９Ａ（２）：４７５－４８５．
［３］曹月波，田宏根．双随机Ｔａｙｌｏｒ级数的收敛性和增长性［Ｊ］．济南
大学学报，２００８，２２（２）：２０３－２０５．
［４］曹月波，田宏根．单位圆内无穷级Ｔａｙｌｏｒ级数［Ｊ］．江汉大学学报，
２００８，３６（１）：９－１２．
平面上无限级Dirichlet级数的最大项指标和增长性的关系
石河子大学师范学院数学系曹月波
［摘要］本文利用Ｎｅｗｔｏｎ多边形及型函数对平面上的无限级Ｄｉｒｉｃｈｌｅｔ级数的增长性进行了研究，得到了Ｄｉｒｉｃｈｌｅｔ级数的增长性和
最大项指标间的重要关系。
［关键词］Ｄｉｒｉｃｈｌｅｔ级数增长性无限级型函数下级
５１８
——
盲信号分离基础知识
专业课程设计学习材料 源信号分离Source Signal Separation
第一部分 简单介绍 一、 目标 我们的目标就是学习源信号分离理论的基础知识和源信号分离时涉及的相关学科知识，最终从观测信号中将源信号分离开来。注意：此时信号源和混合形式可能是未知的。 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.500.050.10.150.20.250.30.350.40.45 -1.5-1.0-0.50.00.51.01.500.050.10.150.20.250.30.350.40.45 图1 源信号波形 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.000.050.10.150.20.250.30.350.40.45 -2.0-1.00.01.02.000.050.10.150.20.250.30.350.40.45 图2 混合信号波形 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 -2.0-1.5-1.0-0.50.00.51.01.5 2.0 图3 分离信号波形 二、分离方法 1、FFT 法；条件：不同源信号占有不同的频带 2、自适应滤波方法；条件：已经信号的某些特征 3、盲信号分离方法；条件：遵从某些统计假设条件 三、盲分离的基本模型 盲信号分离的基本模型如图（1）所示。 )(1t )(2t y ) (t y m 图1 盲信号分离的基本模型 其中：)(1t s ，)(2t s ，……，)(t s n 为n 个源信号；)(1t x ，)(2t x ，……，)(t x m 为m 个观测信号；)(1t y ，)(2t y ，……，)(t y n 为待求解的n 个分离信号；)(1t n ，
语音信号的盲分离
课程设计任务书 学生：专业班级：通信1103 指导教师：许建霞工作单位：信息学院 题目: 语音信号的盲分离 初始条件：Matlab软件、PC机 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求）设计任务 根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。 设计要求 (1) 用matlab做出采样之后语音信号的时域和频域波形图 (2) 选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图 (3) 采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。 (4) 用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。 (5) 对结果进行对比分析。 时间安排：
指导教师签名：2014年 6 月10 日 系主任（或责任教师）签名：2014 年 6 月10 日 摘要 盲信号处理（Blind Signal Processing,BSP）是指从观测到的混合信号中，在没有任何先验条件的情况下，恢复出未知的源信号过程。盲信号分离已成为信号处理学界和通信工程学界共同感兴趣的一个极富挑战性的研究热点问题，并获得了迅速的发展。 盲分离根据信号源的不同可以分为确定信号盲分离、语音信号盲分离和图像盲分离等，本设计主要讨论语音信号的盲分离。 语音信号的盲分离主要是利用盲源分离（Blind Signal Separation,BSS）技术对麦克风检测到的一段语音信号进行处理，本文重点研究了以语音信号为背景的盲处理方法，在语音和听觉信号处理领域中，如何从混有噪声的的混叠语音信号中分离出各个语音源信号，来模仿人类的语音分离能力，成为一个重要的研究问题。根据盲信号分离原理，本设计用matlab采集3路语音信号，选择合适的混合矩阵生成若干混合信号。 具体实现主要结合独立分量分析ICA技术，选取混合矩阵对3个语音信号进行混合，并从混合信号中分离出原语音信号，最后画出各分离信号的时域波形和频谱图和原来的信号进行比较。此外还运用PCA算法进行了混合语音信号的分离实现，最终对两种算法进行比较。 关键字：盲信号处理；语音信号；盲源分离BSS；独立分量分析ICA技术
跳频信号的侦察技术研究
跳频信号的侦察技术研究 跳频通信因其良好的抗干扰性、低截获概率及组网能力,在军事通信中得到了广泛的应用,也向通信侦察提出了严峻的挑战。开展对跳频信号侦察的研究,寻求截获、估计、分选跳频信号的方法,已成为当前通信侦察领域紧迫而艰巨的任务之一。论文研究了复杂电磁环境下跳频信号侦察的关键技术,主要包括跳频信号的检测、参数估计和信号分选三部分内容。首先,将各种时频表示应用于跳频信号的检测,仿真其性能,在时频聚焦性和抑制交叉项两项指标上定性和定量比较了各种时频表示的优劣,寻求综合性能较好的时频表示。建立了跳频信号的数学模型,给出了跳频信号各种参数的定义;重点研究了各种线性时频表示、二次时频分布、重排类时频分布、组合时频分布在跳频信号检测中的应用;利用信息熵,定量评价了各类时频分布的性能,并估算了几种典型时频分布的计算复杂度,给出了各类时频分布的综合评价。其次,针对单天线宽带数字接收系统,研究了复杂电磁环境下基于时频分析的跳频信号参数盲估计算法。针对跳频信号侦察,提出了“复合信息熵”的定量评估指标,该指标综合考虑电磁环境中的信号类型数、跳频信号数目、跳速和信道使用情况,由类型熵、密度熵和分布熵三部分组成;基于信道化门限和时频分析完成了去噪和信号预选;基于谱图对单个跳频信号的跳周期、跳时和载频进行了盲估计;基于组合时频分析(SP&SPWVD),对多个跳频信号的跳周期、跳时、载频和幅度参数进行了盲估计,并给出了各参数估计的仿真性能。再次,基于时频分析、空间谱估计,结合数字信道化、时频聚焦等技术对FH
信号、FH/DS信号进行空时频测向,实现了欠定条件下的高精度测向。根据传统的空时阵列模型,结合信号的时频分析,建立了空时频分布 的数学模型;分析了空时频测向能获得时频增益的原因,研究了增益 大小与哪些因素相关;利用空时频分析实现了多个跳频信号的DOA估计,提出了适合无“频率碰撞”情况下的线性空时频DOA估计算法; 虽然利用空时频技术能够实现欠定条件的多信号测向,但在N /M值较大情况因为信号之间的互扰较大使测向性能欠佳,故再结合数字信道 化技术,解决了N /M值较大情况信号之间互扰很大的问题,实现了多 个跳频信号的高精度测向;将空时频分析和宽带信号测向方法,实现 了欠定条件下多FH/DS信号的DOA高精度估计。最后对跳频信号分选技术进行了深入的研究,针对不同的应用场合提出了相应的分选算法。提出了一种适应于环境中仅存在异步组网电台的实时分选方法,该方 法计算量少,便于实时分选,适合应用于快速、高速跳频信号的侦察; 提出了一种类数目K值的估计和优选初始聚类中心的改进K-Means算法;初始聚类中心优选能使聚类迭代次数大为减少,并能避免聚类过 程中陷入局部最小,增强了聚类的鲁棒性;利用改进K-Means聚类算 法对HDW集合进行了聚类分选;针对高斯核参数σ的优选问题,提出 了粗搜索和精估计相结合的改进方法,在得到精确的σopt同时减少 了总搜索次数;利用密度分布图和领域半径、门限参数实现了KKM算 法中类数目K的估计和初始聚类中心的优选;利用基于高斯核函数的 K-Means对跳速和到达角均时变的跳频信号进行聚类分选,分选效果 良好。
基于MATLAB的线性盲信号分离算法的研究
毕业论文（设计） 论文题目：基于MATLAB的线性盲信号分离算法的研究 学生姓名：孙烽原 学号：0908030229 所在院系：电气信息工程学院 专业名称：电子信息工程 届次：2013届 指导教师：张大雷
淮南师范学院本科毕业论文（设计） 诚信承诺书 1.本人郑重承诺：所呈交的毕业论文（设计），题目《 》是本人在指导教师指导下独立完成的，没有弄虚作假，没有抄袭、剽窃别人的内容； 2.毕业论文（设计）所使用的相关资料、数据、观点等均真实可靠，文中所有引用的他人观点、材料、数据、图表均已注释说明来源； 3. 毕业论文（设计）中无抄袭、剽窃或不正当引用他人学术观点、思想和学术成果，伪造、篡改数据的情况； 4.本人已被告知并清楚：学院对毕业论文（设计）中的抄袭、剽窃、弄虚作假等违反学术规范的行为将严肃处理，并可能导致毕业论文（设计）成绩不合格，无法正常毕业、取消学士学位资格或注销并追回已发放的毕业证书、学士学位证书等严重后果； 5.若在省教育厅、学院组织的毕业论文（设计）检查、评比中，被发现有抄袭、剽窃、弄虚作假等违反学术规范的行为，本人愿意接受学院按有关规定给予的处理，并承担相应责任。 学生（签名）： 日期：年月日
目录 前言 (2) 1 概述 (2) 1.1盲信号处理的概念与分类 (3) 1.2盲处理概念 (4) 1.3盲信号处理的分类 (4) 1.4盲信号处理的应用 (4) 2 盲信号分离的基础 (4) 2.1盲信号的预处理 (5) 2.2信号的去均值处理 (5) 2.3盲信号分离原理 (5) 2.4盲信号分离的方法 (6) 3 盲分离的算法和仿真结果 (6) 3.1最大信噪比的盲信号分离算法 (6) 3.2基于最大信噪比盲信号分离的算法流程 (7) 3.3基于峭度的盲信号分离的算法 (7) 3.4基于峭度的盲信号分离的算法流程 (8) 3.5基于两种算法的仿真 (8) 3.6仿真结果分析 (12) 4 结论 (13) 4.1总结 (13) 4.2未来工作 (13) 参考文献 (14)
确定信号的盲分离信息处理课群综合训练与设计
课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 确定信号的盲分离 初始条件： Matlab软件平台 要求完成的主要任务: 根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的信号。 设计要求： （1）用matlab做出采样之后信号的时域和频域波形图 （2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。 （4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。 （5）对结果进行对比分析。 时间安排： 查阅资料2天 仿真设计2天 撰写报告1天 指导教师签名: 年月日 系主任签名: 年月日
目录 摘要 ............................................................................................................................................................ I ABSTRACT .................................................................................................................................................. II 1确知信号 .. (1) 1.1确知信号的概念 (1) 1.2确知信号的类型 (1) 1.3常见的确知信号 (2) 2盲分离原理 (3) 2.1盲信号处理的基本概念 (3) 2.2盲信号分离的分类 (3) 2.3盲分离的目标准则 (4) 2.4盲信号处理技术的研究应用 (5) 3 独立分量分析（ICA）基础 (6) 3.1ICA理论的概念和模型 (6) 3.2ICA数据分析问题中的约束条件 (8) 3.3ICA算法的分类与基本原理 (9) 3.4F AST ICA算法 (11) 4 MATLAB简介 (13) 5 确定信号盲分离仿真与分析 (15) 5.1原始信号的产生 (15) 5.2原始信号的频谱 (16) 5.3信号的混合 (17) 5.4ICA算法实现 (19) 6 小结体会 (25) 参考文献 (26) 附录1 程序 (27)
多信号分离技术
多信号分离技术 本文提出了4种信号分离的方法：基于Gabor 变换的盲分离法，基于ICA 的混合图像盲分离算法，基于二阶统计量的盲分离方法，基于线性正则变换的信号分离方法，分别对信号分离做出详实的分析与总结。 盲信号分离( Blind Source Separation, 简称BSS)是指在源信号和传输信道未知的情况下,只利用观测信号所携带的信息以及源信号之间相互统计独立的假设,实现对传输信道的辨识和源信号的分离,是当前信号处理学界的热点课题之一。目前,比较典型的方法包括Cardoso 提出的基于四阶累积量矩阵联合对角化的方法(JADE 法)、Hyvarinen 提出的逐次提取独立分量的"固定点算法"(Fast ICA)、Cichocki 和Amari 提出的自然梯度法、Lee 提出的信息极大化及其扩展算法(Infomax)等。同时,盲信号分离技术已经在很多领域尤其是机械故障诊断领域得到了应用,如对提取的声音信号进行BSS 从而进行特征识别;将一种非线性自适应BSS 算法应用到齿轮的故障诊断中,发现该方法能够确定齿轮局部故障的位置;证明了分数Fourier 变换的一个新性质,通过对混合信号的不同阶次分数Fourier 变换的结果进行联合对角化处理从而得到一种盲信号分离新方法, 并用于货车轴承的故障诊断;对常见的几类BSS 方法的特点和性能进行了比较,提出了一套评价准则;分别研究了盲信号分离算法在特定机械系统中的应用。 1 基于Gabor 变换的盲分离新方法 1.1 Gabor 变换 Gabor 变换是Gabor 在1946年提出的。它是通过信号的时间平移和频率调制形式建立非平稳信号的联合时间-频率函数, 然后对时间-频率平面进行采样划分,将时频平面(t,f)转换成另外两个离散采样网格参数k 和l 的平面,在二维平面(k,l)上表征非平稳信号。信号s(t)的连续Gabor 变换定义为:()()∑∑∞-∞=∞ -∞ == k l l k l k t g d t s ,,。式中: l k d ,称为Gabor 展开系数, 而:()()t jl l k e kT t g t g Ω-=,, 2,1,0,±±=l k 称为Gabor 基函数, 需满足条件 () T dt t g l k π2,12 ,=Ω=?，T 为时宽。Gabor 展开系数可以表示为:()()?∞ ∞ -* =dt t t s d l k l k ,,γ。 其中()t l k * ,γ是()t l k ,γ的共轭, 而()t l k ,γ是Gabor 基函数()t g l k ,的对偶函数, 满足双正交条件:()()()()? =-Ω*l k dt e kT t t g t jl l k l k δδγ,,。长度为N 的离散时间信号()k t s 的Gabor 展开 为:()()∑∑-=-=Ω-= 101 ,K k L l t jl k l k k k e kT t g d t s 。其中Gabor 展开系数由下式确 定:()()∑-=Ω-= 1 *,N t t jl k k l k k k e kT t t s d γ。式中,T 和Ω分别表示时间和频率采样间隔, 而K 和 L 分别是时间和频率采样的样本个数。离散Gabor 变换同样满足双正交条 件: ()[] ()()()l k t e kL t g N t k t jl k k k δδγ=+∑-=Ω-1 *。显然,Gabor 变换属于一种线性变换。 1.2 盲信号分离方法
通信侦察信号的盲分离
０．引言 通信侦察是利用电子侦察设备对敌方的无线电信号进行搜索、截获、 分选、测量和识别，从而获得军事或技术情报的过程。在现代战场，由于不同体制用频装备的大量使用，使得电磁环境日益复杂，侦察接收机截获到的往往是功率跌宕起伏、时域密集交跌、频域严重混叠的信号。现阶段通信侦察信号的分离方法主要有两种：一种是时频分析方法，包括固定系数滤波器、 自适应滤波器、谱相关分析等技术［１］，这些方法往往需要知道所处理信号的一些先验知识，而且对频谱严重混叠的 信号不能有效分离； 另一种是波束形成方法［２］， 它主要利用信号空间位置的不同进行信号分离，对频谱混叠信号具有一定的分离能力，但是这种技术对接收天线模型和信道的幅相一致性要求较高，在实际应用中局限较多。 盲源分离（ＢｌｉｎｄＳｏｕｒｃｅＳｅｐａｒａｔｉｏｎ，ＢＳＳ）技术是近年来信号处理领 域的一个研究热点。在语音信号处理、 图像信号处理、地震信号处理和推导了等变自适应盲分离算法，并利用它解决复杂电磁环境下通信侦察信号的盲分离问题。算法不仅收敛速度快而且对功率差别很大的多个时频域混叠信号均具有良好的分离性能。 １．盲源分离模型所谓盲分离，就是在未知混合参数的情况下，仅根据传感器观测到的混合信号恢复出源信号。混合模型可以表示如下： ｘ（ｔ）＝Ａｓ（ｔ）（１）分离模型为： ｙ（ｔ）＝Ｂｘ（ｔ）＝ΛＰｓ（ｔ） （２）式中ｘ（ｔ）＝［ｘ１（ｔ），ｘ２（ｔ），…，ｘｎ（ｔ）］Ｔ 表示从ｎ个天线观察到的信号向量，其元素ｘｉ（ｔ）表示第ｉ（ｉ＝１，２，…，ｎ）个接收天线在ｔ时刻观察到的信号值； ｓ（ｔ）＝［ｓ１（ｔ），ｓ２（ｔ），…，ｓｍ（ｔ）］Ｔ 表示ｍ个信号源发射的信号向量，其元素ｓｊ（ｔ）表示第ｊ（ｊ＝１，２，…，ｍ）个信号源在ｔ时刻发射的信号值；ｎ×ｍ（ｎ≥ｍ）维矩阵Ａ为混 合矩阵。ｙ（ｔ）＝［ｙ１（ｔ），ｙ２（ｔ），…，ｙｍ（ｔ）］Ｔ 表示分离信号， Λ为对角阵，Ｐ为任意交换阵，ｍ×ｎ维矩阵Ｂ称为分离矩阵。为表述方便，后面的叙述中将省略参数ｔ。 代价函数，对这些代价函数的不同优化过程就对应不同的算法［８］。 ２．１代价函数的构造 为了得到源信号ｓ好的估计ｙ＝Ｂｘ，需要引入一个代价函数Ｒ（Ｂ），它表示输出信号ｙ的各个分量之间相互独立性的测度，也就是说当ｙ的 各个分量独立时，即当Ｂ是Ａ－１的伸缩和置换形式时， 代价函数Ｒ（Ｂ）将最小化。若使用Ｋ－Ｌ散度作为独立性的测度［８］ ，并令ｐ（ｙ，Ｂ）是随机变量ｙ＝Ｂｘ＝ＢＡｓ的概率密度函数，ｑ（ｙ）是我们选择的ｙ的另一种概率密度函数，在此函数下，所有的ｙｉ（ｉ＝１，２，…，ｍ）统计独立，则代价函数为： Ｒ（Ｂ）＝Ｋｐｑ（Ｂ）＝ 乙 ｐ（ｙ，Ｂ）ｌｏｇｐ（ｙ，Ｂ）ｄｙ＝－Ｈ（ｙ）－ｍ ｉ＝１ ΣＥ［ｌｏｇ（ｑ（ｙｉ））］ （３） 式中Ｈ（ｙ）＝－乙ｐ（ｙ，Ｂ）ｌｏｇｐ（ｙ，Ｂ）ｄｙ表示ｙ的微分熵。 白化处理可以减少噪声消除冗余，改善自适应系统的收敛性能。因 此，在对信号进行分离之前，往往需要对观察信号ｘ进行白化预处理。 假设白化后的信号向量为ｚ，白化矩阵为Ｈ，则ｚ＝Ｈｘ。白化矩阵Ｈ的迭 代公式为［９］ ： Ｈ（ｋ＋１）＝Ｈ（ｋ）－μ＜ｚ（ｋ）ｚＴ（ｋ）－Ｉ＞Ｈ（ｋ） （４）式中μ表示迭代步长， ＜·＞表示对变量求时间平均值。设ｚ的概率密度函数为ｐｚ（ｚ），由ｙ＝Ｂｚ，可得ｐ（ｙ，Ｂ）＝ｐｚ（Ｂ－１ｙ）ｄｅｔＢ－１，所以ｙ的微分熵可等价表示为： Ｈ（ｙ）＝－ 乙ｐｚ （ｚ）［ｌｏｇ（ｐｚ （ｚ））＋ｌｏｇｄｅｔＢ －１ ］ｄｚ＝Ｈ（ｚ）＋ｌｏｇｄｅｔ（Ｂ）（５） 式中Ｈ（ｚ）与Ｂ无关，最终的代价函数为：Ｒ（Ｂ）＝－ｌｏｇｄｅｔ（Ｂ）－ｍｉ＝１ ΣＥ［ｌｏｇ（ｑ（ｙｉ））］ （６） ２．２迭代公式的推导 如前文所述，要正确地分离出源信号应使代价函数Ｒ（Ｂ）最小。为此对Ｒ（Ｂ）求随机梯度，可得：鄣Ｒ（Ｂ）＝－｛鄣ｌｏｇｄｅｔ（Ｂ）＋Ｅ［ｍ ｉ＝１ Σ（鄣ｌｏｇ（ｑ（ｙｉ））ｉ鄣ｙｉ）］｝＝－（Ｂ－１）Ｔ＋Ｅ［Φ（ｙ）ｚＴ］（７）式中Φ（ｙ）＝［φ(ｙ１），φ(ｙ２），…，φ(ｙｍ）］，φ(ｙｉ）＝d ｌｏｇ（ｑ（ｙｉ））d ｙｉ＝－d ｑ＇（ｙｉ）q(ｙｉ） 。由最速下 降法可以得到如下的迭代公式： Ｂ（ｋ＋１）＝B(k)+μ{(B(k)-1)T -<Φ(y(k))z T (k)>}（８）式中μ表示迭代步长。 上式在计算过程中涉及分离矩阵Ｂ（ｋ）的求逆运算，一旦Ｂ（ｋ）在更 新过程中条件变差，算法就可能发散。 为此采用相对梯度［９］鄣Ｒ（Ｂ）鄣Ｂ ＢＴＢ来代替随机梯度鄣Ｒ（Ｂ）鄣Ｂ， 可得：鄣Ｒ（Ｂ）鄣Ｂ ＝－｛Ｉ－＜Φ(y)y T >B}。由此得到新的迭代公式： Ｂ（ｋ＋１）＝Ｂ（ｋ）＋μ｛Ｉ－＜Φ(y(k)y T (k))>}B(k) （９）由于白化的作用，要从ｙ＝Ｂｚ中恢复源信号，需在整个迭代过程中 都尽量保持Ｂ的正交性［４］ 。假设Ｂ（ｋ）已经正交若Ｂ（ｋ＋１）＝Ｂ（ｋ）＋γＢ（ｋ）（γ是一个很小的变化矩阵），则： Ｂ（ｋ＋１）ＢＴ （ｋ＋１）＝Ｉ＋γ＋γＴ＋ｏ（λ）＝Ｉ圯γ＝－γＴ（１０） 若γ＝ε－εＴ 则满足γ＝－γＴ的要求。考虑式（９）取ε＝μ｛Ｉ－＜Φ(y(k)y T (k))>} 则 γ＝μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}（１１）由此得到保持分离矩阵Ｂ的一阶正交性的迭代公式：Ｂ（ｋ＋１）＝Ｂ（ｋ）＋μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}Ｂ（ｋ）（１２） 因为ｙ＝Ｂｚ＝ＢＨｘ，令Ｗ＝ＢＨ则ｙ＝Ｗｘ。结合式 （４）和式（１２）将白化与分离过程联合起来考虑，就可以得到著名的ＥＡＳＩ算法： Ｗ（ｋ＋１）＝Ｂ（ｋ＋１）Ｈ（ｋ＋１） ＝Ｗ（ｋ）＋μ｛＜y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>+I-y(k)y T (k)>}Ｗ（ｋ）（１３）２．３通信侦察中函数Φ(y ）的选择由推导过程可知，Φ(y ）的选择关系到分离算法的稳定性，对分离效 果具有十分重要的影响。 由于Φ(y ）只与所选参考分布函数ｑ（ｙ）有关而ｑ（ｙ）的最佳选择是源信号的真实概率密度函数，但是在实际情况下这是无法获得的，因此只能用某个函数来近似。近似函数的选取与源信号的高 斯性有关，典型的选取是［１０］ ：如果源信号具有亚高斯性，近似函数可选为 Φ(y ）＝δｙ＋ｙｙ２ ，δ≥０；如果源信号具有超高斯性，可选为Φ(y ）＝αｙ＋ｔａｎｈ（βｙ），α≥0，β≥2。在实际的通信侦察中，接收到的信号大都是各种不同类型的调制信号，而一般的调制信号都是亚高斯信号。因此，在通信侦察信号处理中，可以选取如下近似函数： （下转第５１８页） 通信侦察信号的盲分离 重庆通信学院ＤＳＰ研究室 和继威 刘晓培 刘郁林 ［摘要］为解决复杂电磁环境下通信侦察信号的盲分离问题，以Ｋ－Ｌ散度作为信号之间独立性的测度，利用相对梯度的概念，推导 了适用于通信侦察信号的等变自适应盲分离算法。仿真结果表明，该算法不仅能有效分离功率相差很大、 时频域严重重叠的通信侦察信号，而且收敛速度快。［关键词］通信侦察盲源分离时频域混叠５１７——
语音信号的盲分离分析
目录 摘要.................................................................... I ABSTRACT ............................................................... II 第一章前言.. (2) 1.1语音特性分析 (2) 1.2语音信号的基本特征 (2) 1.3语音信号处理的理论基础 (2) 第二章盲分离的基本概念 (2) 2.1盲分离的数学模型 (2) 2.2盲源分离的基本方法 (2) 2.3盲分离的目标准则 (2) 2.4盲分离的研究领域 (2) 2.5盲分离的研究内容 (2) 第三章独立分量分析的基本算法 (2) 3.1ICA的线性模型 (2) 3.2ICA研究中的主要问题及限制条件 (2) 3.3ICA的基本算法 (2) 3.4F AST ICA算法原理 (2) 第四章语音信号盲分离仿真及分析 (2) 4.1ICA算法实现 (2) 4.2频谱分析 (2) 第五章总结 (2) 参考文献 (2)
摘要 盲源分离（BSS）是一种多维信号处理方法，它指在未知源信号以及混合模型也未知的情况下，仅从观测信号中恢复出源信号各个独立分量的过程。盲源分离已近成为现代信号处理领域研究的热点问题，在通信、语音处理、图像处理等领域具有非常重要的理论意义和广泛的应用价值。本文主要内容如下： 首先，介绍了语音信号的产生机理，特性，基本特征及语音信号处理的理论基础，为后文语音信号盲分离奠定了基础。 其次，从盲源分离的理论出发，研究了盲分离的数学模型以及基本方法，并对盲分离的目标准则、研究领域以及研究内容进行了探讨。 然后，引出了独立分量分析（ICA），并对其的概念以及相关的知识进行了研究，探讨了ICA研究中的主要问题，列出了ICA的3种基本算法：信息极大化、负熵最大化和最大似然估计法。 最后，用FastICA对三路语音信号进行了盲分离的仿真并求出了混合矩阵和分解矩阵，再接着进行了频谱，幅度，相位的分析，找出了FastICA的特点。 关键词：盲源分离；独立分量分析；频谱分析 III
确定信号的盲分离信息处理课群综合训练与设计89092740
课程设计任务书 题目: 确定信号的盲分离 初始条件： Matlab软件平台 要求完成的主要任务: 根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的信号。 设计要求： （1）用matlab做出采样之后信号的时域和频域波形图 （2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图 （3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。 （4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。 （5）对结果进行对比分析。 时间安排： 查阅资料2天 仿真设计2天 撰写报告1天 指导教师签名:年月日 系主任签名:年月日
目录 摘要 ................................................................................................................................................................ I ABSTRACT .................................................................................................................................................. II 1确知信号 .. (1) 1.1确知信号的概念 (1) 1.2确知信号的类型 (1) 1.3常见的确知信号 (2) 2盲分离原理 (3) 2.1盲信号处理的基本概念 (3) 2.2盲信号分离的分类 (3) 2.3盲分离的目标准则 (4) 2.4盲信号处理技术的研究应用 (5) 3 独立分量分析（ICA）基础 (6) 3.1ICA理论的概念和模型 (6) 3.2ICA数据分析问题中的约束条件 (8) 3.3ICA算法的分类与基本原理 (9) 3.4F AST ICA算法 (11) 4 MATLAB简介 (13) 5 确定信号盲分离仿真与分析 (15) 5.1原始信号的产生 (15) 5.2原始信号的频谱 (16) 5.3信号的混合 (17) 5.4ICA算法实现 (20) 6 小结体会 (26) 参考文献 (27) 附录1 程序 (28)
雷达与通信信号一体化侦察系统半实物仿真_甄君
雷达与通信信号一体化侦察系统半实物仿真 甄 君1,张建华1,员建厦2,周 涛2,张东坡3 (1.中国船舶工业集团公司船舶系统工程部,北京100036;2.中国电子科技集团公司第54研究所,石家庄050081;3.中国电子科技集团公司第36研究所,嘉兴314033) 摘要:阐述了雷达与通信信号情报侦察一体化系统的组成及结构,建立了一体化电子侦察半实物仿真系统。系统仿 真试验验证了雷达与通信信号一体化电子侦察系统的信息流程,以及系统具有的资源共享、动态重构、多手段侦察 信息综合应用等功能。 关键词:信号侦察;一体化侦察;半实物仿真中图分类号:TN97 文献标识码:A 文章编号:CN3221413(2010)0120056203 Semi 2physical Simulation of Integrated R econnaissance System of R adar and Communication Signals ZH EN J un 1,ZHAN G Jian 2hua 1,YUAN Jian 2sha 2,ZHOU Tao 2,ZHAN G Dong 2po 3 (1.Ship Systems Engineering Department of CSIC ,Beijing 100036,China ;2.The 54th Research Institute of CETC ,Shijiazhuang 050081,China ;3.The 36th Research Institute of CETC ,Jiaxing 314033,China ) Abstract :This paper expatiates t he compo sitio n and configuration of radar and communication sig 2nal intelligence reconnaissance integrated system ,establishes t he integrated electronic reconnais 2sance semi 2p hysical simulation system.The system simulation experiment validates t he information flow of t he radar and communication signals integrated elect ronic reconnaissance system ,along wit h t he f unctions such as t he resource share ,dynamic re 2const ruction and integrated application of multi 2means reconnaissance information. K ey w ords :signal reconnaissance ;integrated reconnaissance ;semi 2p hysical simulation 0 引 言 现代电子对抗系统作战功能主要包括电子侦察功能、电子干扰功能、电磁攻击功能等,其中电子侦察是实施其它电子对抗作战功能的先导和基础。目前电子对抗侦察装备中的雷达信号情报侦察、通信信号情报侦察以及其它电子情报侦察在硬件设备上彼此独立,信号处理后获取的情报信息也互不关联,难以实现相互支援和情报综合应用。实际上,基于软件无线电技术的雷达信号侦察装备和通信信号侦察装备在物理组成上都是由天线、射频前端、高速A/D 转换器、通用和专用数字信号处理器以及各种 功能软件组成,2种侦察装备的主要区别在于专用 数字信号处理部分。为了提高电子对抗系统综合电子侦察效能,本文在分析雷达信号侦察装备和通信信号侦察装备共性的基础上,应用软件无线电技术和综合一体化设计技术,以及高性能的数字信号处理技术,进行了雷达与通信信号一体化侦察系统半实物仿真。 1 仿真系统组成 本文在研究雷达与通信信号一体化侦察系统体系结构的基础上,搭建了雷达与通信信号一体化侦察的半实物仿真系统。仿真系统主要包括雷达信号 收稿日期:20090412 2010年2月舰船电子对抗 Feb.2010 第33卷第1期 SHIPBOARD EL ECTRONIC COUN TERM EASU RE Vol.33No.1
盲信号分离的理论与发展现状
前沿技术 尺寸的减小，场区参数R1和R2相应收缩。这是一个很有意义的结果。 5 结束语 基于以上的分析和验算，可以说明ISO/IEC18047标准规定的测试参数：观察距离3λ和10λ，天线尺寸 0.1m和 是可行的。 ★【作者简介】 刘礼白：研究员级高工，中国电子科技集团公司第七研究所科技委主任、专家委员会副主任，信息产业部宽带无线移动通信技术专家组成员。中华人民共和国电子工业部有突出贡献专家，享受国务院颁发的 政府特殊津贴。 1 引言 盲分离是信号处理领域一个极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛的应用前景，从而成为信号处理领域和神经网络领域的研究热点。 盲分离（B S S，B l i n d S o u r c e S e p a r a t i o n）的研究起源于鸡尾酒问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出所需要的说话者的声音？这便是盲分离问题。 盲分离问题的主要特征就是在未知混叠参数的情 盲信号分离的理论与发展现状＊ 李荣华 赵 敏 华南理工大学电子与信息学院 王 进 国家移动通信工程中心 【摘要】文章首先介绍了盲信号分离问题的起源、特征、含义，然后介绍了盲信号分离的原理 和算法，最后介绍了盲分离研究的现状，探讨了盲分离研究仍存在的一些问题。 【关键词】盲信号分离 混叠模型 瞬时线性 非线性 卷积 收稿日期：2008年3月14日 *本文得到国家自然科学基金重点项目（U0635001），国家 自然科学基金（60774094）的资助。
无线电通信侦察对抗
信号与系统作业 无线电通信侦察对抗 何为通信对抗？ 对敌方无线电通信进行侦察，测定其技术参数，据此采用适当的无线电干扰手段，破坏和扰乱敌方的无线电通信。实施有效的通信对抗，可降低敌方的通信、指挥效能。通信对抗是电子对抗的重要组成部分。 通信对抗的研究领域，从波段来看，包括从超长波、长波、直到超短波、微波，并已扩展到光波的所有通信波段。从通信方式来看，包括天波、地波、空间波等电波传播方式；包括调幅、调频、调相、单边带、脉冲调制等调制方式；包括话音、电报、传真、电视等模拟和数字通信。军事应用来看，包括战术通信和战略通信。总之，所有军事无线电通信都是通信对抗的对象。 通信对抗设备起初是单机工作形式。随着通信技术的发展，通信设备工作频段展宽，沟通联络快，且无线电通信在战术通信中大量使用，在战场上形成通信信号密集的环境。以手工操作单机的通信对抗方式已不能适应要求。在电子计算机技术发展的推动下，以电子计算机为中心的、大量单机自动协调工作的各种通信对抗系统相继产生。这些通信对抗系统具有快速反应能力，并可同时干扰多个通信网。 通信对抗包括通信侦察和通信干扰两部分 一、通信侦查与截获、 （1）通信侦察 使用电子侦察测向设备，对敌无线电通信设备所发射的通信信号进行搜索截获、测量分析和测向定位，以获取信号频率、电平、通信方式、调制样式和电台位置等参数，对其截听判别，以确定信号的属性。 通信侦察是通信干扰的支援措施，用以保障通信干扰的有效进行。一般包括信号搜索截获、信号测向定位、信号测量分析、信号侦听、信号识别判断等侦察过程。 （2）信号搜索截获 采用侦察接收设备，在侦察频段上（如对战术超短波调频通信进行信号搜索，侦察频段为20～500兆赫）,从低频端(20兆赫)到高频端(500兆赫)，按信道间隔(如25千赫)，按顺序逐个信道进行搜索。当搜索到某信道（如30.050兆赫）发现有通信信号时，即作记录。这样，可以截获敌方各个通信信号。然而，通信信号瞬息万变，为了及时、准确地截获所要侦收范围内所有信号的情况，要求接收机具有宽的频率覆盖，可用计算机或微处理机进行控制，使接收系统自动化，能迅速判定侦收范围内各信号的参数，区别出信号的敌、我、友属性。对那些新出现的、具有威胁性的信号，应及时记录和分析。 天线的体制决定于侦收信号的频率和运载手段。定向侦察可使用定向天线。在短波波段,天线尺寸较大,菱形和对数周期天线在固定台中使用较为普遍；但在移动使用时，就很难实现，只能以鞭状天线为主。 在超短波、微波波段，抛物面反射体天线和对数周期天线应用广泛。使用定向天线，可以增加天线的增益,改善接收效果,但在方向上有局限性，有时只能使用低增益的全向天线 （3）信号测向定位 对敌方各个通信信号进行测向定位。一般由三个测向站协同进行。各测向站装有测向设备，当测向设备调到某一通信信道时，接收敌方此信道的信号,通过测向设备的测量得出此信号的方向角θ。它是以测向站所在地点为原点,一般以正北方向为0度。方向角是信号与测向站的连线和正北线的夹角，按顺时针方向计算。如信号在测向站的正东方向,则方向角为90°。三个测向站同时对此信号测向,根据测得的三
盲信号分离
盲信号分离=盲源分离BSS Blind Signal/Source Separation Herault、Jutten 1985 从多个观测到的混合信号中分析出没有观测的原始信号。 观测到的混合信号来自多个传感器的输出，且传感器的输出信号线性不相关。 文献：盲信号分离技术研究与算法综述_周治宇、陈豪 1.盲信号分离的“盲”是什么意思？ 已知原信号和传输通道的先验知识时，通过滤波器的信号处理能够在一定程度上完成信号分离的任务。 但是在没有原信号和传输通道的先验知识时，上述通过滤波的信号处理方法无法完成信号分离的任务，必须通过盲信号分离技术来解决。 “盲”是指 （1）原始信号并不知道； （2）对于信号混合的方式也不知道。 也就是仅根据观测到的混合信号估计源信号。 2.什么是“信号分离”？ 是信号处理中的一个基本问题。 从接收到的混合信号（感兴趣信号+干扰+噪声）中分别分离或恢复出原始信号。 各种时域滤波器、频域滤波器、空域滤波器或码域滤波器都可以看作是一种信号分离器，完成信号分离任务。 3.盲信号分离如何实现的？ 独立分量分析ICA Independent Component Analysis 是为了解决盲信号分离问题而逐渐发展起来的一种新技术，是目前主要采用的方法。 将接收到的混合信号按照统计独立的原则通过优化算法分解为若干独立分量，这些独立分量作为源信号的一种近似估计。 4.盲信号分离结果存在两个不确定性 分离结果排列顺序不确定、分离结果幅度不确定。 由于要传送的信息往往包含在信号波形中, 因此这两个不确定性并不影响在实际中的应用。 5.目前主要应用领域 目前盲信号处理技术已经在生物医学信号处理、语音信号处理、雷达信号分选、电子侦察、数字波束形成、无线通信、地震信号处理、机械故障诊断、图像处理、数字水印、人脸识别和金融数据分析等领域得到了广泛应用。
语音信号的盲分离(毛丽娟)
课程设计任务书 学生姓名：毛丽娟专业班级：通信0906 指导教师：黄铮工作单位：信息工程学院 题目: 语音信号的盲分离 初始条件 ①matlab软件 ②盲信号处理知识 要求完成的主要任务: 根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。 设计要求 （1）用matlab做出采样之后语音信号的时域和频域波形图 （2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图 （3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab 代码。 （4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。 （5）对结果进行对比分析。 时间安排 第17周，仿真设计 第18周，完成（答辩，提交报告，演示） 指导教师签名：年月日 系主任（或责任教师）签名：年月日
目录 摘要 (3) Abstract (4) 1 语音信号 (5) 1.1 语音特性分析 (5) 1.2 语音信号的基本特征 (6) 2 盲信号处理 (8) 2.1 盲信号处理的概述 (8) 2.1.1 盲信号处理的基本概念 (8) 2.1.2 盲信号处理的方法和分类 (9) 2.1.3 盲信号处理技术的研究应用 (9) 2.2 盲源分离法 (10) 2.2.1 盲源分离技术 (10) 2.2.2 盲分离算法实现 (10) 2.3 独立成分分析 (11) 2.3.1 独立成分分析的定义 (11) 2.3.2 ICA的基本原理 (13) 3 语音信号盲分离的实现 (15) 3.1 盲信号分离的三种算法 (15) 3.1.1 二阶盲辨识（SOBI） (15) 3.1.2 FastICA算法 (15) 3.1.3 CICA算法 (16) 3.2 不同算法的分离性能比较 (17) 3.3 FastlCA的算法仿真及结果分析 (17) 4 结论 (22) 5 参考文献 (23) 附录 (24)
图像的盲分离
信息处理课群设计任务书 学生姓名：专业班级： 指导教师：工作单位：武汉理工大学 题目: 图像的盲分离 基础强化训练目的 目的：通过课程设计，使学生加强对信号处理的理解，学会查寻资料﹑方案比较，以及设计计算等环节。培养学生综合运用所学信号与系统、数字信号处理等信息处理知识，分析和解决工程技术问题的能力。 训练内容和要求 根据盲信号分离原理，选取两个以上相同大小的图像，选择合适的混合矩阵生成若干混合图像。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的图像。 设计要求 （1）选取两个以上大小相同的原图像，并绘制每个图像的直方图。 （2）采用混合图像进行训练学习，求出分离矩阵编写出相应的确matlab代码。（3）用求出的分离矩阵从混合图像中分离原图像，并做出分离图像的直方图。（4）做出原图像和分离后图像的差值图，和差值图对应的直方图。 对结果进行对比分析。 时间安排： 序号设计内容 所用 时间 1 根据课题的技术指标，确定整体方案，并进行参数设计计算2天 2 根据实验条件进行全部或部分程序的编写与调试，并完成基本功能7天 3 总结编写课程设计报告1天 合计2周 指导教师签名：年月日系主任（或责任教师）签名：年月日
目录 摘要 (2) Abstract (3) 1盲分离原理 (4) 1.1 盲信号处理的基本概念 (4) 1.2盲信号处理的方法和分类 (5) 1.3 盲源分离法 (6) 1.3.1 盲源分离技术 (6) 1.3.2 盲分离算法实现 (6) 2ICA基本原理 (7) 3FastICA算法原理及实现 (8) 3.1 数据的预处理 (8) 3.2 FastICA算法原理 (10) 3.3 FastICA算法的基本步骤及流程图 (12) 4图像的盲分离仿真与分析 (13) 5总结 (17) 6参考资料 (18) 附录1 matlab源程序 (19)
盲信号分离基础知识
专业课程设计学习材料 源信号分离 Source Signal Separation 第一部分 简单介绍 一、 目标 我们的目标就就是学习源信号分离理论的基础知识与源信号分离时涉及的相关学科知识,最终从观测信号中将源信号分离开来。注意:此时信号源与混合形式可能就是未知的。 -1.5 -1.0-0.50.00.51.01.50 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 -1.5 -1.0-0.50.00.51.01.5 图1 源信号波形 -2.0 -1.5-1.0-0.50.00.51.01.52.0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45-2.0 -1.0 0.0 1.0 2.00 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 图2 混合信号波形 -2.0 -1.5-1.0-0.50.00.51.01.5 2.00 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45-2.0 -1.5-1.0-0.50.00.51.01.52.0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 图3 分离信号波形 二、分离方法 1、FFT 法;条件:不同源信号占有不同的频带 2、自适应滤波方法;条件:已经信号的某些特征 3、盲信号分离方法;条件:遵从某些统计假设条件 三、盲分离的基本模型 盲信号分离的基本模型如图(1)所示。
) (1t )(2t y ) (t y m 图1 盲信号分离的基本模型 其中:)(1t s ,)(2t s ,……,)(t s n 为n 个源信号;)(1t x ,)(2t x ,……,)(t x m 为m 个观测信号;)(1t y ,)(2t y ,……,)(t y n 为待求解的n 个分离信号;)(1t n ,)(2t n ,……,)(t n m 为m 个噪声信号,T t ,,2,1 。将其分别写成矩阵形式为: T 21)](,),(),([)(t s t s t s t n s (1) T 21)](,),(),([)(t x t x t x t m x T 21)](,),(),([)(t y t y t y t n y T 21)](,),(),([)(t n t n t n t m n 向量)(t s 、)(t x 、)(t y 、)(t n 分别称作源信号、观测信号、分离信号、噪声信号。通常意义的盲信号分离就是指只有观测信号)(t x 已知,并且)(t x 中含有目标源信号与混合系统的未知信息,而目标源信号特性、源信号的混合信息、噪声信号对观测者来说都就是未知的。盲信号分离的任务就就是利用某些统计假设条件完成从)(t x 中估计源信号波形及参数,使得分离信号满足)()(t t s y 。 图(1)的盲信号分离模型可以概括表示为通式(2)与式(3)的数学模型,分别称为系统混合模型与系统分离模型 )()]([)(t t t n s f x (2) )]([)(t t x g y (3) 式中: T 21],,,[][n f f f f 表示未知混合系统的混合函 数;T m 21]g ,,g ,[g ][ g 表示分离系统的分离函数;没有噪声的情况下,][ f 与][ g 互为反函数,此时混合系统与分离系统互为逆系统。 依据混合系统的混合方式,盲信号分离问题分为线性瞬时混合盲信号分离、线性卷积混合盲信号分离及非线性瞬时混合盲信号分离三种主要形式,线性瞬时混合盲信号分离就是最简单、最经典的盲信号分离模型,其理论与算法的发展最完善、最系统、最成功。 令A f ][,B g ][即得线性瞬时混合模型的数学表达式: )()()(t t t n As x (4) )()(t t Bx y (5)