高階累積量在欠定盲源分離中信源數(shù)目估計的應用
加入技術交流群
構造的累積量擴維矩陣可以用Kronecker乘積表示，易得實信號模型：
則新信號模型易得：
新的混合矩陣中系數(shù)位置和原有混合矩陣的位置十分類似，但構成的新矩陣仍然能保持原有信號的獨立性，滿足盲信號分離的基本條件。N個信源，M個通道，M>N，則對GX特征分解后，得到N2大特征值和M2-N2個小特征值。
2.3算法提出
通過結合高階累積量優(yōu)化過程研究cum-奇異值算法。根據(jù)項目條件，在雙通道條件下進行盲源數(shù)目的估計。計算過程如下：
設有n個信號(獨立)經(jīng)過m個通道混合：
(1)采集數(shù)據(jù)x=[x1(n)，x2(n)，…，xm(n)]T；
(2)通過高階累積優(yōu)化構造的四階累積量矩陣CX；
(3)對CX運用cum-奇異值算法得到m2個特征值，并將這些特征值從大到小排列σ1≥σ2≥…≥σm；
(4)主特征值數(shù)εδ=k0+1，k0的取值為εδ=γ(kmax)的值，γk=σk+1／σk+2即所求信號源個數(shù)。
3仿真實驗
采用2通道3源信號的欠定條件下情形進行仿真實驗，仿真根據(jù)項目背景選取的兩組三個獨立信號源分別為AM，F(xiàn)M，BPSK為第一組信號；BPSK，QAM，LFM為第二組信號。其中，AM，F(xiàn)M的載頻為20 MHz，帶寬10 MHz；BPSK和QAM信號的載頻為20 MHz，碼速率為5 MHz；線性調頻信號的初始頻率為20 MHz，帶寬為20 MHz。
3.1實驗一：信源估計算法性能隨混合信號SNR變化的圖表
任取500點數(shù)據(jù)，SNR線性變化范圍為-10～10 dB，步長為1 dB，每個SNR點做100次蒙特卡洛仿真。目標個數(shù)估計正確率如圖1所示，在欠定條件下優(yōu)化后，cum-奇異值算法不僅可以估計信源個數(shù)，而且隨SNR的遞增，正確估計的概率不斷增大，但同其他經(jīng)典算法相比，仍然是用時最短的最穩(wěn)定算法。圖2為第二組信號的正確估計概率。可以看出，該各個算法的性能均明顯有所下降，說明對于不同的信號模型，算法的性能有所不同。盲分離中信源數(shù)目估計對模型信號具有一定的要求，不同的混合信號在不同的SNR下正確估計的概率有很大的區(qū)別，而通用的方法則不是很多。
3.2實驗二：信源估計算法性能隨混合信號采樣點數(shù)變化的圖表
仿真在SNR為8 dB下，數(shù)據(jù)長度從50～450遞增，步長為50，每個點做100次蒙特卡洛仿真。如圖3所示，四階累積量SVD算法在小樣本條件下性能突出，具有比AIC，MDL算法更高的正確率。但隨快拍數(shù)逐漸增加，基于信息論的算法性能開始好轉。圖4說明在同等實驗條件下，不同的信源組合，帶來不同的算法性能。
4結語
本文從盲信號分離的基本假設出發(fā)，研究了通信偵查中雙通道盲信號個數(shù)的估計方法，通過借鑒陣列信號處理理論，證明了欠定條件下高階累積量優(yōu)化流程可以應用在信源數(shù)目估計的問題，并分別討論了信噪比和采樣點數(shù)這兩個參數(shù)的變化對優(yōu)化后算法性能的影響。結果表明，在不同的信號混合情況下，信源算法估計的性能會不同，因為受信源模型、傳播環(huán)境等多個因素的影響，會造成性能下降。有關信號模型的多樣性和信源估計算法的局限性及更多數(shù)目的情況還有待深入研究，解決方法在后續(xù)的修正算法中探討解決。
評論