面向目標(biāo)感知的盲信號(hào)處理算法研究.pdf

1、盲信號(hào)處理是當(dāng)前信號(hào)處理領(lǐng)域中的熱點(diǎn)課題，其優(yōu)勢(shì)在于除了假定源信號(hào)之間相互獨(dú)立外，不需要任何其它的先驗(yàn)知識(shí)，有廣泛的應(yīng)用前景。本論文針對(duì)盲信號(hào)處理中的挑戰(zhàn)性課題，嘗試通過(guò)理論和實(shí)驗(yàn)研究，針對(duì)目標(biāo)感知系統(tǒng)，解決當(dāng)前目標(biāo)增強(qiáng)技術(shù)下難以解決的目標(biāo)增強(qiáng)問(wèn)題，從而提升系統(tǒng)的目標(biāo)感知能力。重點(diǎn)研究了兩個(gè)理論框架下的盲分離問(wèn)題，一是日常辦公環(huán)境下混響嚴(yán)重的卷積混合盲分離模型，這是本文所解決的盲分離中第1個(gè)難題，著重研究了卷積混合盲分離頻域解法中的復(fù)值

2、信號(hào)盲分離和次序不確定性問(wèn)題：二是基于粒子濾波的含噪信號(hào)盲分離研究，為解決盲信號(hào)處理中噪聲環(huán)境下的后非線性和欠定盲分離等難題提供了一個(gè)嶄新的思路。在實(shí)際應(yīng)用上，重點(diǎn)探討了卷積混合盲分離頻域算法在語(yǔ)音信號(hào)盲分離和主動(dòng)聲納目標(biāo)檢測(cè)中的應(yīng)用，前者是普遍性問(wèn)題，后者是關(guān)于國(guó)防軍事裝備中迫切需要解決的問(wèn)題。 本文首先對(duì)復(fù)值信號(hào)盲分離研究歷史與現(xiàn)狀進(jìn)行簡(jiǎn)要回顧和論述，之后指出現(xiàn)行5個(gè)主流算法的優(yōu)缺點(diǎn)：法國(guó)J.-F.Cardoso提出的JAD

3、E是用復(fù)值向量的共軛轉(zhuǎn)置代替了實(shí)數(shù)的轉(zhuǎn)置來(lái)建立累積量矩陣，再對(duì)累積量矩陣進(jìn)行特征值分解求得分離矩陣；赫爾辛基理工大學(xué)Ella Bingham和Aapo Hyvadnen提出的ComplexFastlCA是對(duì)復(fù)數(shù)絕對(duì)值運(yùn)算，與實(shí)數(shù)算法形式相同；馬里蘭大學(xué)Calhoun Vince與T.Adali提出的Complex ICA是基于互信息最小化的自然梯度盲分離算法，但是忽略了復(fù)值信號(hào)的偽參數(shù)特性；赫爾辛基理工大學(xué)Jan Eriksson和Vi

4、sa Koivunen提出的SUT算法是對(duì)非正則復(fù)值向量的偽自相關(guān)矩陣進(jìn)行分解從而得到分離矩陣；美國(guó)Scott C．Douglas提出的EquivariantSUT利用了偽自相關(guān)矩陣的特性，不過(guò)算法是對(duì)實(shí)值信號(hào)算法直接進(jìn)行改進(jìn)得到的，沒(méi)有建立代價(jià)函數(shù)。 鑒于此，本文先根據(jù)非正則復(fù)值向量的偽自相關(guān)矩陣構(gòu)造了二階統(tǒng)計(jì)量的代價(jià)函數(shù)，再通過(guò)梯度下降法推導(dǎo)出基于偽自相關(guān)矩陣的二階復(fù)值信號(hào)盲分離算法Strong SOS；其次構(gòu)建互信息最小化

5、的代價(jià)函數(shù)，在推導(dǎo)過(guò)程中對(duì)復(fù)值信號(hào)分別進(jìn)行共軛轉(zhuǎn)置和轉(zhuǎn)置運(yùn)算，從而推導(dǎo)出基于偽互相關(guān)矩陣的高階統(tǒng)計(jì)量復(fù)值信號(hào)盲分離算法Strong HOS，最后通過(guò)仿真試驗(yàn)與上述的5種算法進(jìn)行比對(duì)。由于所發(fā)展的新算法充分利用了非正則復(fù)值向量“偽參數(shù)”的性質(zhì)，從分離效果上看，Strong SOS和Strong HOS收斂效果更好，分離性能更強(qiáng)。進(jìn)而得出結(jié)論：無(wú)論是理論分析還是仿真試驗(yàn)，都說(shuō)明了非正則向量的“偽參數(shù)”使復(fù)值盲信號(hào)分離算法收斂更快、分離效果更

6、好。這項(xiàng)工作是卷積混合盲分離頻域算法的第一步，為更加準(zhǔn)確地解決算法第二步的頻率對(duì)準(zhǔn)問(wèn)題奠定了基礎(chǔ)。 本文第二個(gè)研究重點(diǎn)是卷積混合盲分離頻域解法中的次序不確定問(wèn)題。結(jié)合非正則復(fù)向量的“偽參數(shù)”，首先提出了擴(kuò)展自相關(guān)矩陣、擴(kuò)展駕駛向量和擴(kuò)展權(quán)值向量，提出了擴(kuò)展MVDR波束形成方法ExMVDR，仿真試驗(yàn)表明該方法比MVDR輸出的主波束信噪比高出2dB左右；其次，深入研究了互參數(shù)法的理論基礎(chǔ)，公式推導(dǎo)和高斯白噪聲下的仿真試驗(yàn)都揭示了互參

7、數(shù)法有效的原因之一是由于離散傅立葉的計(jì)算方法提供了互參數(shù)的相關(guān)性，從而得出了互參數(shù)法的應(yīng)用可以拓展至語(yǔ)音信號(hào)以外的信號(hào)的結(jié)論；通過(guò)對(duì)源信號(hào)計(jì)算互參數(shù)來(lái)反映相關(guān)系數(shù)和KL距離在語(yǔ)音信號(hào)卷積混合頻域解法中的性能，發(fā)現(xiàn)KL距離的性能優(yōu)于相關(guān)系數(shù)，但是在某些情況下，由于離散化帶來(lái)的誤差和信號(hào)長(zhǎng)度太短而引起的獨(dú)立性下降等因素，使得KL距離仍然存在著不能夠進(jìn)行有效進(jìn)行頻率對(duì)準(zhǔn)的可能；最后論證了語(yǔ)音信號(hào)分段做FFT之后，不同窗對(duì)應(yīng)的同頻率下的復(fù)值信號(hào)

8、是非正則的，從而進(jìn)一步提出了卷積混和盲分離頻域解法的方法：StrongSOS+ExMVDR。Stronq HOS+ExMVDR和Stmnq HOS+KL。 為了檢驗(yàn)上述算法的性能，對(duì)日常辦公室環(huán)境下的卷積混合語(yǔ)音信號(hào)進(jìn)行解卷積實(shí)驗(yàn)。混響時(shí)間是130毫秒，采樣頻率是8000赫茲，源信號(hào)是17個(gè)漢字組成的中文語(yǔ)音信號(hào)和一段輕音樂(lè)。實(shí)驗(yàn)中，混合信號(hào)是通過(guò)著名的Image算法模擬日常辦公環(huán)境下房間內(nèi)的傳遞函數(shù)與單獨(dú)錄制的源信號(hào)相卷積混合

9、的。無(wú)論是頻域內(nèi)復(fù)值混合信號(hào)的盲分離計(jì)算，還是頻率對(duì)準(zhǔn)階段，本文所提出的方法與主流算法比，都具有一定的優(yōu)勢(shì)，因此在與日本NTT的Shoii Makino等人的算法Polar ICA+MVDR比對(duì)中，StrongSOS+ExMVDR和Strong HOS+ExMVDR估計(jì)的源信號(hào)信噪比要高出Polar ICA+MVDR一個(gè)分貝以上，另外，本文還使用IBMViavoice中文語(yǔ)音識(shí)別軟件對(duì)不同方法估計(jì)的17個(gè)漢字進(jìn)行識(shí)別，Strong SO

10、S+ExMVDR和Strong HOS+ExMVDR估計(jì)的仃個(gè)漢字，軟件都可識(shí)別出，Polar ICA+MVDR估計(jì)的源信號(hào)，IBMViavoice只能夠認(rèn)出14個(gè)漢字，而ICA Center上提供的FDICA算法估計(jì)的源信號(hào)，Viavoice只能夠認(rèn)出13個(gè)漢字，對(duì)于StrongHOS+KL估計(jì)的源信號(hào)，能夠認(rèn)出15個(gè)漢字，少于StrongSOS+ExMVDR和Strong HOS+ExMVDR，這是由于在頻率對(duì)準(zhǔn)階段采用的互參數(shù)法K

11、L不如ExMVDR準(zhǔn)確。通過(guò)這些實(shí)驗(yàn)更加有效的證明了所提出算法的優(yōu)越性，也充分說(shuō)明了非正則復(fù)值向量“偽參數(shù)”在復(fù)值信號(hào)處理中的重要作用：通過(guò)比較Viavoice對(duì)混合信號(hào)和估計(jì)的源信號(hào)的識(shí)別率，說(shuō)明了語(yǔ)音識(shí)別軟件Viavoice在盲信號(hào)處理下識(shí)別能力得到提高，從而進(jìn)一步證明了本文所提出的“面向目標(biāo)感知的盲信號(hào)處理算法研究”的思路是正確的。無(wú)論是比較算法評(píng)價(jià)指標(biāo)還是語(yǔ)音識(shí)別軟件識(shí)別不同方法估計(jì)的源信號(hào)的準(zhǔn)確率，都證明所提出的算法Stron

12、gSOS+ExMVDR，Strong HOS+ExMVDR和Strong HOS+KL比現(xiàn)存主流算法有優(yōu)勢(shì)，從而推動(dòng)了嚴(yán)重混響條件下的卷積混合盲分離頻域算法的發(fā)展。 粒子濾波是解決非線性非高斯過(guò)程的有效方法，在過(guò)去10多年里得到了迅速發(fā)展，而隨著盲信號(hào)處理理論的發(fā)展，含噪、非線性盲分離受到越來(lái)越多的關(guān)注，本文通過(guò)粒子濾波來(lái)解決含噪的后非線性和欠定等多種盲分離模型，建立了粒子濾波+不含噪盲分離的框架。首先對(duì)含噪盲分離模型進(jìn)行分解，

13、提出了如果將不含噪的混合信號(hào)估計(jì)出來(lái)就可以將含噪模型轉(zhuǎn)化為不含噪模型的思路；其次，通過(guò)建立不含噪混合信號(hào)的時(shí)變AR模型來(lái)構(gòu)造狀態(tài)空間方程中的狀態(tài)方程，通過(guò)可觀測(cè)到的含噪混合信號(hào)與要估計(jì)的不含噪混合信號(hào)的線性或者非線性關(guān)系，構(gòu)造了狀態(tài)空間方程中的觀測(cè)方程，從而發(fā)現(xiàn)了動(dòng)態(tài)狀態(tài)空間方程與含噪盲分離相結(jié)合的可行性；按此思路，通過(guò)粒子濾波可將含噪盲分離模型轉(zhuǎn)化為不含噪模型，在后非線性函數(shù)已知或者可估計(jì)出的情況下，可將非線性盲分離模型轉(zhuǎn)化為線性模型

14、，然后通過(guò)現(xiàn)有的不含噪盲分離算法估計(jì)出源信號(hào)。在這個(gè)框架下，本文從理論上解決了線性正定含噪、非線性正定含噪、線性欠定含噪、非線性欠定含噪等非常有挑戰(zhàn)性的盲分離問(wèn)題。 由于各種含噪盲分離模型成熟解法不多，首先進(jìn)行相對(duì)簡(jiǎn)單的正定線性含噪盲分離實(shí)驗(yàn)，并與赫爾辛基理工大學(xué)J．Sarela和H．Valpola等人提出的Denoising Source Separation(DSS)算法進(jìn)行比對(duì)，以驗(yàn)證所提出方案的可靠性。信號(hào)混合采用瞬時(shí)混

15、合方式，噪聲是加性的。在0至12dB的輸入信噪比下，無(wú)論是高斯白噪聲還是伽瑪噪聲環(huán)境，從算法評(píng)判標(biāo)準(zhǔn)上看，所提出的PF+FastlCA方法對(duì)源信號(hào)的估計(jì)要好于DSS。緊接著，對(duì)正定非線性、欠定線性和欠定非線性盲分離算法進(jìn)行試驗(yàn)，輸入信噪比均為10dB。粒子濾波的貢獻(xiàn)有5至6dB左右，對(duì)源信號(hào)的估計(jì)效果與正定線性含噪和不含噪混合兩種情況下的效果相當(dāng)。實(shí)驗(yàn)進(jìn)一步證實(shí)了所提出方案的可行性、可靠性和有效性，為解決噪聲環(huán)境下的非線性、欠定盲分離問(wèn)

16、題建立了嶄新的理論框架。 在卷積混合盲分離的應(yīng)用上，本文還重點(diǎn)討論了其在主動(dòng)聲納目標(biāo)檢測(cè)中的應(yīng)用。本文將目標(biāo)回波看作第一個(gè)源信號(hào)，將近海的混響或者遠(yuǎn)海的背景干擾看作第二個(gè)源信號(hào)，通過(guò)選取波束形成后的主波束和與主波束相鄰的波束作為盲分離中的兩個(gè)接收信號(hào)，采用本文所發(fā)展的卷積混合盲分離頻域算法對(duì)主波束目標(biāo)信號(hào)進(jìn)行增強(qiáng)。真實(shí)目標(biāo)海上實(shí)驗(yàn)數(shù)據(jù)處理結(jié)果表明：通過(guò)盲分離，主波束的匹配濾波輸出得到了2.5dB的增益，目標(biāo)時(shí)頻分析的特征更加清晰