盲信号分离

✍ dations ◷ 2025-10-31 16:27:26 #统计力学,信号处理,奇异值分解,矩阵分析

盲信号分离(信号分离,盲信号源分离)指的是从多个观测到的混合信号中分析出没有观测的原始信号。通常观测到的混合信号来自多个传感器的输出,并且传感器的输出信号独立(线性不相关)。盲信号的“盲”字强调了两点:1)原始信号并不知道;2)对于信号混合的方法也不知道。最常用在的领域是在数字信号处理,且牵涉到对混合讯号的分析。盲信号分离最主要的目标就是将原始的信号还原出原始单一的讯号。一个经典的例子是鸡尾酒会效应,当许多人一起在同一个空间里说话的时候,听者可以专注于某一个人说的话上,人类的大脑可以即时处理这类的语音讯号分离问题,但是在数位语音处理里,这个问题还是一个困难的问题。

盲信号分离在早期时集中于研究时间讯号,像是声音,然而,盲信号分离目前已经可以应用在多维度的资料上,例如图片和张量这类不含时间维度的数据。

这个问题到目前为止还没有很好的解决方案,但是在一些特定的情况下,有一些很有用的解决方式。例如,当时间没有延迟的时候,我们可以采用主成分分析或独立成分分析。尽管这个问题已经有许多解决方式,科学家们仍然在持续对其进行研究。

如果可以对信号混合的方式直接建模,当然是最好的方法。但是,在盲信号分离中我们并不知道,信号混合的方式,所以,只能采用统计的方法。算法做出了如下的假定:

具有 m {\displaystyle m} 个独立的信号源 s 1 ( t ) , . . . , s m ( t ) {\displaystyle s_{1}(t),...,s_{m}(t)} n {\displaystyle n} 个独立的观察量 x 1 ( t ) , . . . , x n ( t ) {\displaystyle x_{1}(t),...,x_{n}(t)} ,观察量和信号源具有如下的关系

x ( t ) = A s ( t ) {\displaystyle \mathbf {x} (t)=A\mathbf {s} (t)}

其中 x ( t ) = T {\displaystyle \mathbf {x} (t)={}^{T}} , s ( t ) = T {\displaystyle \mathbf {s} (t)={}^{T}} , A {\displaystyle A} 是一个 n × m {\displaystyle {n}\times {m}} 的系数矩阵,原问题变成了已知 x ( t ) {\displaystyle \mathbf {x} (t)} s ( t ) {\displaystyle \mathbf {s} (t)} 的独立性,求对 s ( t ) {\displaystyle \mathbf {s} (t)} 的估计问题。假定有如下公式

y ( t ) = W x ( t ) {\displaystyle \mathbf {y} (t)=W\mathbf {x} (t)}

其中 y ( t ) {\displaystyle \mathbf {y} (t)} 是对 s ( t ) {\displaystyle \mathbf {s} (t)} 的估计,W是一个 m × n {\displaystyle {m}\times {n}} 系数矩阵,问题变成了如何有效的对矩阵W做出估计。

1)各源信号 s i ( t ) {\displaystyle s_{i}(t)} 均为零均值信号,实随机变量,信号之间统计独立。如果源信号 s i ( t ) {\displaystyle s_{i}(t)} 的概率密度为 p i ( s i ) {\displaystyle p_{i}(s_{i})} ,则 s ( t ) {\displaystyle s(t)} 的概率密度为: p ( s ) = i = 1 n p i ( s i ) {\displaystyle p(s)=\prod _{i=1}^{n}p_{i}(s_{i})}

2)源信号数目 m {\displaystyle m} 小于等于观察信号数目 n {\displaystyle n} ,即 m <= n {\displaystyle m<=n} 。混合矩阵 A {\displaystyle A} 是一个 n × m {\displaystyle n\times {m}} 的矩阵。假定 A {\displaystyle A} 满秩。

3)源信号中只允许有一个高斯分布,当多于一个高斯分布时,源信号变得不可分。

自然梯度法的计算公式为: W ( n + 1 ) = W ( n ) + η ( n ) W ( n ) {\displaystyle W(n+1)=W(n)+\eta (n)W(n)}

其中 W {\displaystyle W} 为我们需要估计的矩阵。 η ( n ) {\displaystyle \eta (n)} 为步长, ϕ ( y ) {\displaystyle \phi (y)} 是一个非线性变换,比如 ϕ ( y ) = ϕ ( y 3 ) {\displaystyle \phi (y)=\phi (y^{3})}

实际计算时y为一个 m × k {\displaystyle m\times k} 矩阵,m为原始信号个数,k为采样点个数

1)初始化W(0)为单位矩阵

2)循环执行如下的步骤,直到W(n+1)与W(n)差异小于规定值 τ {\displaystyle \tau } (计算矩阵差异的方法可以人为规定),有时候也人为规定迭代次数

3)利用公式 y ( n ) = W ( n ) y ( n 1 ) {\displaystyle y(n)=W(n)y(n-1)} ,(其中 y ( 1 ) = x {\displaystyle y(-1)=x} )

4)利用公式 W ( n + 1 ) = W ( n ) + η ( n ) W ( n ) {\displaystyle W(n+1)=W(n)+\eta (n)W(n)}

在信号分离的方法中,大部分的论文都是利用短时距傅立叶变换,将声音转换成时频谱,且会用梅尔刻度,模仿人耳对等距音高变化的感官,来做到抽样频率的减少,最后再从混和信号的时频谱中找出由一个信号源所发出干净的单一讯号的时频谱,用反短时距傅立叶转换找出单一讯号的声音。有一部分的论文是用非线性回归的技术来找出,而说到经典的作法,就要提到这篇论文,要解决的是盲信号分离,作法是将时频谱的抽样时刻和频率,利用神经网络和集群来分成不同群,每一群代表的是哪一个讲话者在那个抽样里占了最大的比例,这种方法称为"deep clustering",有许多论文\都是在这上面做延伸。

然而利用时频谱来作为讯号的特征有几项缺点:

这些问题都发生在用时频谱来做讯号分离,而最直觉的解决方式就是直接在时域上做,这样就可以避免将声音的大小声和相位做分离。其中表现的最好的就是Conv-Tasnet这个方法,Conv-Tasnet可分为三个区块,编码器(encoder)、分离器(separator)和解码器(decoder),编码器将一小段的混和讯换转换为在特征空间(feature space)上的特征向量,借由这个特征向量,分离器要找出一个相对应的遮罩(mask),将特征向量和遮罩做相乘后,再用解码器将其转换为原始讯号源所发出的单一讯号。

盲信号分离最早由Herault和Jutten在1985年提出,发表在一篇法文杂志上。随后他们相继发表文章对盲信号问题做出分析,提出了一种自适应的方法。其他一些学者对他们的方法进行了分析,分析了他们提出的方法的稳定性,在他们工作的基础上,引入了神经网络的方法对盲信号进行分离,并对其稳定性进行了分析。

相关

  • 邦巴利区邦巴利区(英文:Bombali District)是塞拉利昂14区之一,首府马卡尼 (英文:Makeni).
  • 冠恐鸟形目冠恐鸟科(学名:Gastornithidae)是一科史前鸟类。它们生存于古新世至始新世,分布地横跨亚洲、欧洲及北美洲。它们都是非常巨大及不会飞的鸟,就像是放大了的驼鸟,甚至可以与他们的祖
  • 威尔士阿根廷人威尔士人在阿根廷的定居点被叫作Y Wladfa,即“殖民地”之意。它更完整的称呼是Y Wladfa Gymreig,即“威尔士人的殖民地”之意。此外,在历史上,它还有两个偶尔使用的名字:Y Wladyc
  • 褐鬣狗(H. brunnea)棕鬣狗(学名:Parahyaena brunnea)又称 褐鬣狗、滩狼,是一种生活在南部非洲荒漠地带的鬣狗,也见于草原和海滩,系 棕鬣狗属(Parahyaena)的唯一物种,也有学者将其归入鬣狗属(Hyaena)。外形
  • 船之科学馆船之科学馆(船の科学館),是位于日本东京都台场品川区东八潮的海洋科学博物馆。展品包括日本船只,以及海军、航运业、捕鱼、帆船、海上娱乐、船舶设计和建造以及日本周围海洋环境
  • 回龙铺镇回龙铺镇是中国湖南省宁乡市下辖镇,位于宁乡市中东部,县城以东区域。地缘上,回龙铺镇西连大成桥镇,北与煤炭坝镇、菁华铺乡接壤,东与白马桥社区毗邻,南与坝塘镇交界。辖域面积71.8
  • 马蒂亚斯·比利亚维森西奥马蒂亚斯·塞巴斯蒂安·比利亚维森西奥(Matías Sebastián Villavicencio,1981年9月18日-)是阿根廷职业足球运动员,司职中后卫。比利亚维森西奥的职业生涯首秀是在2001年11月7日
  • 白肋翻唇兰白肋翻唇兰(学名:),为兰科翻唇兰属下的一个植物种。
  • 奥图·冯·格拉森纳普奥图·盖欧格·波吉斯拉夫·冯·格拉森纳普(Otto Georg Bogislaf von Glasenapp,1853年9月30日-1928年3月3日),德国波美拉尼亚贵族波美拉尼亚省(Pommern)施弗本(Schivelbein)人
  • 副岛惠文副岛惠文(日语:ソエジマ ヤスフミ、1971年3月13日-),是日本长崎县佐世保市出身的CGI导演、动画监督。武藏野美术大学毕业。经SEGA、GONZO公司,现为david production所属。对外主要