高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于步长自适应的独立向量分析卷积盲分离算法

付卫红 张琮

付卫红, 张琮. 基于步长自适应的独立向量分析卷积盲分离算法[J]. 电子与信息学报, 2018, 40(9): 2158-2164. doi: 10.11999/JEIT171156
引用本文: 付卫红, 张琮. 基于步长自适应的独立向量分析卷积盲分离算法[J]. 电子与信息学报, 2018, 40(9): 2158-2164. doi: 10.11999/JEIT171156
Weihong FU, Cong ZHANG. Independent Vector Analysis Convolutive Blind Separation Algorithm Based on Step-size Adaptive[J]. Journal of Electronics & Information Technology, 2018, 40(9): 2158-2164. doi: 10.11999/JEIT171156
Citation: Weihong FU, Cong ZHANG. Independent Vector Analysis Convolutive Blind Separation Algorithm Based on Step-size Adaptive[J]. Journal of Electronics & Information Technology, 2018, 40(9): 2158-2164. doi: 10.11999/JEIT171156

基于步长自适应的独立向量分析卷积盲分离算法

doi: 10.11999/JEIT171156
基金项目: 国家自然科学基金(61201134)
详细信息
    作者简介:

    付卫红:女,1979年生,副教授,研究方向为宽带无线通信、通信信号处理

    张琮:男,1994年生,硕士生,研究方向为卷积盲源分离

    通讯作者:

    张琮  czhang_8@stu.xidian.edu.cn

  • 中图分类号: TN911.7

Independent Vector Analysis Convolutive Blind Separation Algorithm Based on Step-size Adaptive

Funds: The National Natural Science Foundation of China (61201134)
  • 摘要: 独立向量分析(IVA)是解决频域卷积盲分离排序模糊性最好的方法之一,但存在迭代次数较多、运算时间较长、分离效果易受分离矩阵初值影响的局限性。该文提出一种基于步长自适应的IVA卷积盲分离算法,该算法使用特征矩阵联合近似对角化(JADE)算法对分离矩阵进行初始化,并对步长参数进行了自适应优化。JADE初始化能够使分离矩阵具有合理的初值,避免局部收敛的情况;步长的自适应优化能够显著提升算法的收敛速度。仿真结果表明,该算法进一步提升了分离性能,并显著缩短了运算时间。
  • 图  1  IVA算法混合模型

    图  2  200次仿真性能对比图

    图  3  收敛曲线对比图

    图  4  分离性能对比图

    表  1  基于步长自适应的IVA卷积盲分离算法

     步骤1 将时域卷积混合信号经STFT 转换为各个频率点的线性
    瞬时混合复值信号;
     步骤2 对各频率点的混合信号进行中心化和白化预处理;
     步骤3 使用JADE算法初始化各频点的分离矩阵 ${{{W}}_0}\left( \omega \right)$,并初
    始化迭代步长 ${\eta _0}$;
     步骤4 根据 ${{Y}}\left( \omega \right){{ = W}}\left( \omega \right){{X}}\left( \omega \right)$来估计各频点的源信号;
     步骤5 根据估计出的源信号来计算目标函数和非线性函数,并
    判断分离矩阵是否收敛。若收敛,执行步骤9;
     步骤6 根据式(14)来更新各频点分离矩阵;
     步骤7 根据式(25)来更新迭代步长;
     步骤8 若达到最大迭代次数,输出最终各频点分离信号,否则
    返回步骤4;
     步骤9 将各频点分离信号经ISTFT恢复成时域分离信号,即
    源信号估计。
    下载: 导出CSV

    表  2  仿真运行时间

    算法 运行次数 运行总时间(s)
    IVA 1840 23803.8
    JS-IVA 1840 12283.4
    下载: 导出CSV

    表  3  算法单次迭代时间对比(ms)

    算法 5阶混合 20阶混合 模拟室内混合
    IVA 27.81 34.73 51.18
    JS-IVA 28.70 38.31 63.10
    下载: 导出CSV

    表  4  算法迭代次数和运行时间对比(次数/s)

    算法 5阶混合 20阶混合 模拟室内混合
    IVA 114/3.17 167/5.80 658/33.68
    JS-IVA 62/1.78 89/3.41 174/10.98
    下载: 导出CSV
  • BELAID S, HATTAY J, NAANAA W, et al. A new multi-scale framework for convolutive blind source separation[J]. Signal Image&Video Processing, 2016, 10(7): 1–8 doi: 10.1007/s11760-016-0877-6
    ZOULIKHA M and DJENDI M. A new regularized forward blind source separation algorithm for automatic speech quality enhancement[J]. Applied Acoustics, 2016, 112: 192–200 doi: 10.1016/j.apacoust.2016.05.012
    NEGRO F, MUCELI S, CASTRONOVO A M, et al. Multi-channel intramuscular and surface EMG decomposition by convolutive blind source separation[J]. Journal of Neural Engineering, 2016, 13(2): 026027 doi: 10.1088/1741-2560/13/2/026027
    HAILE M A and DYKAS B. Blind source separation for vibration-based diagnostics of rotorcraft bearings[J]. Journal of Vibration&Control, 2016, 22(18): 3807–3820 doi: 10.1177/1077546314566041
    CHERRAK O, GHENNIOUI H, THIRION-MOREAU N, et al. Preconditioned optimization algorithms solving the problem of the non unitary joint block diagonalization: Application to blind separation of convolutive mixtures[J]. Multidimensional Systems&Signal Processing, 2017(1): 1–24 doi: 10.1007/s11045-017-0506-8
    贾志成, 韩大伟, 陈雷, 等. 基于复Givens矩阵与蝙蝠优化的卷积盲分离算法[J]. 通信学报, 2016, 37(7): 107–117 doi: 10.11959/j.issn.1000-436x.2016138

    JIA Zhicheng, HAN Dawei, CHEN Lei, et al. Convolutive blind separation algorithm based on complex Givens matrix and bat optimization[J]. Journal of Communications, 2016, 37(7): 107–117 doi: 10.11959/j.issn.1000-436x.2016138
    BINGHAM E and HYVARINEN A. A fast fixed-point algorithm for independent component analysis of complex valued signals[J]. International Journal of Neural Systems, 2000, 10(1): 1–8 doi: 10.1142/S0129065700000028
    CARDOSO J F. Equivariant adaptive source separation[J]. IEEE Transactions on Signal Processing, 1996, 44(12): 3017–3029 doi: 10.1109/78.553476
    CARDOSO J F. High order contrast for independent component analysis[J]. Neural Computation, 1999, 11(1): 157–193 doi: 10.1162/089976699300016863
    KIM T, ATTIAS H T, LEE S Y, et al. Blind source separation exploiting higher-order frequency dependencies[J]. IEEE Transactions on Audio Speech&Language Processing, 2006, 15(1): 70–79.
    杨福生, 洪波. 独立分量分析的原理与应用[M]. 北京: 清华大学出版社, 2006: 20–23.

    YANG Fusheng and HONG Bo. The Principle and Application of Independent Component Analysis[M]. Beijing: Tsinghua University Press, 2006: 20–23.
    孙守宇, 郑君里, 吴德伟. 基于自然梯度算法的盲信源分离研究[J]. 空军工程大学学报(自然科学版), 2003, 4(3): 50–54 doi: 10.3969/j.issn.1009-3516.2003.03.013

    SUN Shouyu, ZHENG Junli, and WU Dewei. Research on blind source separation based on natural gradient algorithm[J]. Journal of Air Force Engineering University(Natural Science Edition), 2003, 4(3): 50–54 doi: 10.3969/j.issn.1009-3516.2003.03.013
    ERIKSSON J and KOIVUNEN V. Complex random vectors and ICA models: Identifiability, uniqueness, and separability[J]. IEEE Transactions on Information Theory, 2006, 52(3): 1017–1029 doi: 10.1109/TIT.2005.864440
    MATSUOKA K. Minimal distortion principle for blind source separation[C]. Proceedings of the 41th SICE Annual Conference, Kitakyushu, Japan, 2002, 4: 2138–2143. doi: 10.1109/SICE.2002.1195729.
    付卫红, 杨小牛, 刘乃安, 等. 基于步长最优化的EASI盲源分离算法[J]. 四川大学学报(工程科学版), 2008, 40(1): 118–121 doi: 10.15961/j.jsuese.2008.01.023

    FU Weihong, YANG Xiaoniu, LIU Naian, et al. Step-size optimization based EASI algorithm for blind source separation[J]. Journal of Sichuan University(Engineering Science), 2008, 40(1): 118–121 doi: 10.15961/j.jsuese.2008.01.023
    VINCENT E, GRIBONVAL R, and FEVOTTE C. Performance measurement in blind audio source separation[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2006, 14(4): 1462–1469 doi: 10.1109/TSA.2005.858005
    PHAM D T, SERVIERE C, and BOUMARAF H. Blind separation of speech mixtures based on nonstationarity[C]. International Symposium on Signal Processing and ITS Applications, Grenoble Cedex, France, 2003, 2: 73–76. doi: 10.1109/ISSPA.2003.1224818.
  • 加载中
图(4) / 表(4)
计量
  • 文章访问数:  2895
  • HTML全文浏览量:  1013
  • PDF下载量:  77
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-12-06
  • 修回日期:  2018-04-23
  • 网络出版日期:  2018-07-12
  • 刊出日期:  2018-09-01

目录

    /

    返回文章
    返回