将多个输入信号分离成多个输出信号的系统技术方案

本发明专利技术将一组信号统计处理、神经系统与微电子实施技术合成一体对混合信号作盲分离与恢复。一组结构、框架、算法与装置通过处理一组接收的混合信号与所述信号的函数，对原始信号源进行分离、鉴别与恢复。本发明专利技术着重对多源盲信号分离／恢复开发构制了具有自适应修正法则的动态结构。（*该技术在2019年保护过期，可自由使用*）

【技术实现步骤摘要】

技术介绍
专利
本专利技术涉及通过处理一组混合信号的多个测量结果而恢复原始信号信息或内容的系统。具体而言，本专利技术涉及根据接收的若干原始信号的混合信号的测量结果来恢复这些原始信号的自适应系统。为了更好地了解本专利技术解决的问题和以前解决的方法，可参阅下述对问题的陈述参照附图说明图1，研究N个独立的信号s1(t)……和sN(t)。这些信号可代表任何一个或组合的独立的讲话者或语言、声音、音乐、基于无线电或光的无线传输、电子或光通信信号、静止图像、视频等等。这些信号可通过在其传播的媒体或环境中作自然的或人为的混合，造成相互延迟与重叠。因此，人们希望有一种结构、框架或装置，可以根据接收该延迟与重叠的信号，运用一组合适的算法与步骤成切地分离诸独立的信号源。相关技术的讨论独立源的恢复与分离是一个经典而难以解决的信号处理问题，其特征在于，在许多实践场合中，信号源与混合媒体二者的许多相关特性是未知的。应用的两类主要方法是1．神经启发自适应算法(如美国专利No5,383,164和5,315,532),及2．常规分离信号处理(如美国专利No.5,208,786和5,539,832)。神经启发自适应结构与算法所遵循的一种方法，原由J.Herault与C.Jutten提出，现称为Herault-Jutten(或HJ)算法，已确认这套方法适用于CMOS集成电路。然而，标准的HJ算法对主要应用于特殊场合的自适应法则最具启发性。有关HJ算法的早期工作的理论与分析仍不足以支持或确保在实验模拟中的成功。Herault与Jutten明白这些分析上的缺陷，并且描述了有待解决的附加问题。他们提出的算法假设了一种线性媒体与滤波，即无延迟。具体而言，假设诸原始信号是利用该媒体经某种未知的常量系数矩阵而传输的。总之，HJ法(ⅰ)局限于完整排列和线性静态混合环境，(ⅱ)要作矩阵逆操作，和(ⅲ)不考虑有信号延迟。然而，在许多实用场合中，却会出现滤波与相对延迟，因而在许多实用场合和实时世界中，以前未能成功地分离诸信号。常规信号处理法大都在分离域中根据常规数字信号处理法的精神，利用信号的统计特性作信号分离，这种信号分离法应用的运算大都涉及到离散信号变换与滤波/变换函数逆运算。通常利用该类信号成组累积量的形式的统计特性来实现混合信号的分离，其中以数学方法将这些累积量强制趋于零。这样就构成了算法族的关键，而这类算法用于查找传递函数的诸参数，使诸信号相互恢复与分离。另一方面，计算所有可能的累积量不切实际的，而且实时执行起来太耗时间。下面按类描述这些方法的特效性。1．信号分离的神经启发结构与算法这些成组的神经启发自适应方法作信号分离时假设“统计的独立”信号矢量S(t)=T经混合而产生信号矢量M(t)，并由传感器(如话筒、天线等)接收。混合环境用一般(静态或动态)算子 表示 可用若干公式来转化混合过程，即“盲”方式中的算子 ，对于混合算子 或始发源S(t)的特征或内容，并不存在先验知识。我们把这些特征或内容组成两类，即静态与动态。对应用的自适应判据的特征可作附加的区分，如高维累积量的信息最大化与最小化等。1.1静态情况静态情况限于用常量非奇异矩阵混合。假设“静态独立的”信号矢量S(t)=T经混合而产生信号矢量M(t)。具体而言，用常量矩阵A代表混合算子 ，即M(t)=AS(t) (2)图2中示出的两种结构描绘了混合的模型和分离环境与处理。图2(a)的结构必须计算常量混合矩阵A的逆矩阵，要求A可逆，即有A-1。图2(b)的结构无此限制，矩阵D的非对角线元素在收敛后准确地为矩阵A的非对角线元素。然而，在此情况下，矩阵A的对角线元素被限制为等于“1.0”。将D的对角线元素设成零，即使不是混合矩阵，大体上也可认为该混合过程是可逆的。在两种情况下，S(t)是一组未知源，M(t)是一组混合信号，U(t)是一组估算S(t)的分离信号，而Y(t)是一组修正(update)非混合过程诸参数的控制信号。如图2所示，加权修正应用了输出函数U(t)。在第一种情况中，把非混合矩阵标为W，而在第二种情况中，把它标为D。注意，D具有零对角线输入。这两个矩阵输入的修正由用于信号分离、鉴别与恢复的判据规定，如高维累积量的信息最大化、最小化等。举例来说，在U(t)=WM(t) (3)的情况下，一个可能的加权修正法则可以是wij=ηij(4)式中η足够小，g是奇函数，M是一组混合信号，U是一组估算源信号的输出，角注T指移位(transpose)，-T指逆移位。注意，函数g()在修正中起某种附加作用，与上图可能相关，即Y(t)=g(U(t)) (5)可以用式(4)修正式(3)中W的输入。通过这一迭代修正步骤，W的输入发生收敛，使乘积WA接近等于单位矩阵或单位矩阵的置换。另一方面，在第二种情况中，对修正D矩阵输入dij可能有用的一个法则通常描述为dij=ηf(ui(t))g(uj(t)) (6)式中η足够小。实践中，某些有用的函数中，对f(.)包括三维函数，对g(.)包括双曲正切函数。在使用这一步骤时，在逐维步进与采样点可由下述式(7)对U(t)作出运算解Ut=-1M(t) (7)这种运算可能是主载的，对高维D尤其如此。1.2动态情况动态混合模型在这种框架内考虑了更实际的混合环境，规定了这类环境模型，并研制出某种修正法则来恢复原始信号。在动态情况中，矩阵A不再是个常量矩阵。参照该静态例子的反馈结构，它更加简单地把式(7)(U(t)=-1M(t)看作为快速动态等式的某个公式τU(t)=-U(t)-DU(t)+M(t) (8)根据任意一种假设，通过使式(8)中的微分方程初始化，将有利于运算。然而，式(8)与式(6)规定的一种修正步骤之间的时标一定要分离，这一点很重要，这可以将式(6)中的η和式(8)中的τ规定成足够小来予以保证。若假定M(t)的维数为N，可把限定动态信号分离算法的一组微分方程写成τiui=-ui-Σj=1Dijui+m1---i=1,…,N---(9)]]>由此计算N个微分方程。此外，矩阵D输入的自适应过程可用多个判据限定，如式(6)中函数f()与g()的计算。图3是反馈结构中动态模型的一种图解显示。在迄今所限定的诸结构中，流行的诸方法很少描绘有适应判据应用的具体步骤。已注意到的两个隐含的步骤是首先是对任意数据点(无论每个点能否实际可访问)应用信号分离函数、自适应步骤和判据。这样，自适应分离步骤对被测量混合信号的每个元素单独与瞬时地应用自适应函数与判据，之后作合适的参数修正。第二类步骤已在应用式(3)的图2(a)中作了描述。在此情况下，对整个数据组或选自该组的数据点应用该判据，因而相关的自适应过程并非逐个采样的进行，而是应用了假定应用常量静态混合矩阵的整个数据组。虽然这种方法比第一种方法更健全了一些，但是基本上是一种离线方法，不适于实时信号分离。此外，当静态常量矩阵的假设有错时，非混合过程的精度会受影响。1.3前馈状态空间结构示于图7。设n维源信号矢量为s，m维测量矢量为M。混合环境可用线性时间不变的(LTI)状态空间描述X=AX-BsM=CX+Ds (10)参数矩阵A、B、C、D都有兼容的维数。该公式包含了连本文档来自技高网...

【技术保护点】
一种将多个输入信号分离成多个输出信号的信号处理系统，其特征在于，输入信号由包括多个源信号的函数组成，所述源信号与多个源相关，输出信号估算源信号或源信号的函数，所述系统包括： 多个检测输入信号的传感器， 限定并计算信号分离方法的结构处理器，该信号分离方法为计算输出信号确定信号分离结构，及 根据信号分离方法或结构计算输出信号的输出处理器。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：G埃尔滕，FM萨拉姆，
申请(专利权)人：克拉丽蒂有限合伙公司，
类型：发明
国别省市：US[美国]