【技术实现步骤摘要】
本专利技术属于信号处理
，尤其涉及。
技术介绍
在功能磁共振信号处理或者频域中解决卷积混合的时候，经常需要同时解决多组 信号盲分离的问题。然而，传统的独立分量分析（Independent Component Analysis, ICA) 的方法来对每一组进行盲分离会产生多个组之间恢复出来的信号顺序不一致的问题。独立 向量分析（Independent Vector Analysis, IVA)作为一种解决多维盲分离的方法，是ICA从 单变量成分到多变量成分的一种扩展。IVA利用了多变量信号之间的统计独立性和每个多 变量信号内部的统计相关性，已经在解决多维盲分离的排列问题中有所应用。然而，传统的 IVA算法均是基于理想无噪声的模型而提出的，在实际有噪声的环境下这些算法不能准确 的对接收数据进行白化，并且在后续的固定点迭代过程中也没有考虑到噪声的影响，因而 性能会非常差。迄今没有人提出过噪声模型下的IVA算法，所以，结合噪声背景下的IVA模 型，提出一种有效地分离算法显得尤为重要。 IVA在本质上就是多维独立分量分析，但是它解决了不同组ICA分离后的信号顺 序不一致的问题。 噪声背景下的IVA模型为：
【技术保护点】
一种噪声环境下的多维盲分离方法，其特征在于，包括以下步骤：S1、对系统参数进行初始化；S2、对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后的混合信号，具体如下：S21、设置k←1，其中，k表示第k组接收数据，符号←表示赋值；S22、计算第k组接收数据的自相关矩阵对所述自相关矩阵做特征分解其中，Λ＝diag(λ1,λ2,…,λM)；S23、估计第k组接收数据的噪声方差(σk)2＝(λN+1+…+λM)/(M‑N)，其中，M表示每组传感器的数目，N表示每组信源的数目；S24、计算第k组接收数据的伪白化矩阵得到伪白化后的混合信号xk＝Vkzk，其中，Λs＝diag(λ1‑(σk)2,λ2‑(σk)2,…,λN‑(σk)2)，Us为U的前N列组成的矩阵；S25、如果k＜K，则设置k←k+1，并返回S22，若k＝K，则进入S3，其中，K为总共要处理的盲分离的组数；S3、选取N阶的单位矩阵IN作为每组的初始化分离矩阵，初始化n＝1，nmax＝1000，其中，nmax为最大的迭代次数；S4、对每个组的分离矩阵进行更新，具体如下：S41、设置k←1,i←1；S42、对第k组第...
【技术特征摘要】
1. 一种噪声环境下的多维盲分离方法，其特征在于，包括以下步骤： 51、 对系统参数进行初始化； 52、 对每组接收数据进行伪白化处理，得到每一组的噪声方差、伪白化矩阵和伪白化后 的混合信号，具体如下： 521、 设置k - 1，其中，k表示第k组接收数据，符号一表示赋值； 522、 计算第k组接收数据的自相关矩P对所述自相关矩阵做特 征分解其中，Λ = diag( λ λ 2，…，λ M); 523、 估计第1^组接收数据的噪声方差（〇1;)2=(入1-* +入)八|^〇，其中，1表示每 组传感器的数目，Ν表示每组信源的数目； 524、 计算第k组接收数据的伪白化矩阵辱到伪白化后的混合信号xk = Vkzk，其中，As = diag〇「（〇k)2, X2-(〇k)2,…， 525、 如果k < K，则设置k - k+1，并返回S22,若k = K，则进入S3,其中，K为总共要处 理的盲分离的组数； 53、 选取Ν阶的单位矩阵ΙΝ作为每组的初始化分离矩阵，初始化n = l，nmax = ...
【专利技术属性】
技术研发人员：钱国兵，李立萍，廖红舒，刘亮，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。