您现在的位置: 范文先生网 >> 理工论文 >> 电子通信论文 >> 正文

地震灾害救助系统中声波/振动信号的分离

时间:2007-1-20栏目:电子通信论文

摘要:从独立分量分析(ICA)的原理和算法入手,用傅立叶和ICA对实际测得的地震灾害救助系统中的声波/振动信号进行分离。从分离的结果看,ICA在复杂信号的分离中更具优越性。
  关键词:独立分量分析(ICA)傅立叶声波/振动信号分离
  
  实际应用中,希望在未知源信号的情况下,从已有混合信号中分离出需要的源信号,为此,人们研究了盲信源分离BSS(BlindSourceSeparation)方法。盲信源分离是指在信号的理论模型和源信号无法精确获知的情况下,从混迭信号(观测信号)中分离出各源信号的过程。独立分量分析ICA(IndependentComponentAnalysis)是近年来由盲信源分离技术发展来的多道信号盲信源分离方法。对它的研究已成为信号处理领域的一个热点。ICA在本文运用到了一个新的领域——地震救援的声波/振动信号的分离。
  
  由于地震后,会有活着的人被埋在废墟中。他们通过各种方式发送信号,希望得到援助。研制开发声波/振动生命探测定位仪的基本目的是发现幸存者的移动、敲击、刮擦和呼喊等表示他们依然活着的信号。技术上,就是通过高灵敏的传感器,探测分析通过固体或空气传播的表示生存的微弱振动信号。
  
  对于一个传感器接收的只是一个信号的情况,比较容易处理。但是,当同一传感器接收到不同呼救者传来的信号时,就要对接收的信号进行分离。即把不同的呼救者传来的信号分开,以便通过数学计算,确定呼救者(即振源)的位置(或方向)。
  
  1ICA的理论基础
  
  噪声的存在使源信号的恢复变得困难,所以应先对混合信号去噪。即根据测量结果,得出在不同介质中传输的信号的频率,进而去掉噪声部分,进行预处理。
  
  1.1预处理
  
  实际上,独立分量分析是一种优化问题,即如何使分离出的各独立分量更好地逼近各源信号。但它的前提是源信号相互独立,且最多有一个源信号是高斯分布。而实际的观测信号也许并不满足这个要求。基于此,在对观测数据进行ICA处理前,应先对其进行预处理,包括去均值、白噪化。预处理后,使采集的实际信号尽可能满足ICA的前提条件。
  
  1.2ICA原理
  
  设观测信号X={x1(t),x2(t),…,xn(t)}是未知的相互独立的源信号S={s1(t),s2(t),…,sm(t)}(m≤n)的线性组合,m=n时的ICA的线性组合模型如下面的矩阵所示。
  
  
  
  矩阵中的aij(i)j=1,2,…)是未知的模型系数,可描述为:
  
  X=AS(1)
  
  式(1)中,A是未知的混合矩阵。由(1)式可以得到未知的源信号为:
  
  S=A-1X=WTX(2)
  
  式(2)中,A-1是A的逆矩阵,WT为矩阵W的转置矩阵。从该式中,可以清楚地知道,要想求出源信号S,求未知的混合矩阵W是关键。
  
  在本文中,因为多个传感器所围成的区域比较小,所以考虑源信号的个数小于等于得到的混合信号个数(m≤n)的情况。当m>n时演。
  
  1.3ICA算法
  
  本文采用了一种快速定点算法[1]。该算法通过kurtosis的最大化得到W的学习过程,即:
  
  kurt(y)=E(y4)-3(E(y2))2(3)
  
  由此,W的递推公式如(4)式:
  
  W(k)=E(X(WT(k-1)X)3)-3W(k-1)(4)
  
  具体的算法实现如下:
  
  (a)初始化W(0),令‖W(0)‖=1,置k=1;
  
  (b)代入(4)式求W(k),其中的期望值可由大量X向量的采样点计算出来;
  
  (c)用‖W(k)‖去除W(k);
  
  (d)如果|WT(k)W(k-1)|不是足够接近1,那么置k=k+1,返回至(b);否则,输出向量。
  
  图1、图2和图3
  
  本算法最后给出的向量W(k)等于正交混合矩阵中的一列,在信号分离中意味着分离了其中的一个非高斯信号。即WT(k)X(t),t=1,2,…等于其中的一个源信号。该算法一个显著的特性是迭代次数非常
  
  
  
  少,一般3~20次(次数用误差矩阵控制)。为了估计n个独立成分,必须运行上面的算法n次。
  
  2声波信号的分离
  

[1] [2] 下一页

下页更精彩:1 2 3 4 下一页