一种基于分布式压缩感知系统的盲信号重构方法

摘要

一种基于分布式压缩感知系统的盲信号重构方法，涉及信号处理领域。本发明解决了现有基于分布式压缩感知系统的盲信号分离方法获得源信号的效率低，精度低的问题。本发明利用CS观测系统对m个源信号的混合信号进行观测，获得混合信号观测信号y，在(0，1)内单调递增的函数中任意选取非线性函数g(·)，设定函数g(·)输入为yW_l，输出函数Y，计算函数Y的熵与熵的梯度，沿熵的梯度方向更新反混合矩阵W_l，使熵逐渐增大，令迭代次数l＝l+1判断迭代次数l是否大于设定的总的迭代次数t，判断结果为是，利用压缩感知重构算法与源信号的压缩观测值重构源信号，获得源信号估计信号，否则将更新获得的反混合矩阵与观测信号构成函数g(·)的输入，本发明用于信号处理领域。

主权项

1.一种基于分布式压缩感知系统的盲信号重构方法，其特征在于，该方法的具体步骤为：步骤一、利用CS观测系统对m个源信号s_i的混合信号x_i进行观测，获得混合信号x_i观测信号y_i，所述源信号s_i为语音信号或图像信号，所述观测信号y_i构成矩阵y＝[y₁，y₂，…，y_m]∈R^M×m，M为观测信号y的长度，且M N；同时设定算法迭代次数l的初始值为1，总的迭代次数为t，迭代步长η；设置任意一个m行m列的实数矩阵为反混合矩阵，并设置初始值为W₁；步骤二、在(0，1)内单调递增的函数中选取任意非线性函数g(·)；步骤三、将yW_l设置为函数g(·)的输入变量，获得函数Y，Y＝g(yW_l)，其中W_l为第l次迭代过程中待更新的反混合矩阵；步骤四、计算步骤四输出函数Y的熵为：$H\left(Y\right)=H\left(y\right)+E\left[\underset{i=1}{\overset{m}{\Sigma }}{\ln g}^{\prime }\left({\mathrm{yW}}_l\right)\right]+\ln \left|W_l\right|$其中，H(y)表示混合信号观测值y的熵，g′表示函数g(·)的一阶导数，表示函数lng′(yW_l)的均值；步骤五、计算熵H(Y)的梯度，获得H(Y)的梯度矩阵步骤六、沿着熵H(Y)的梯度方向更新反混合矩阵W_l，获得本次迭代获得的反混合矩，阵W_l+1，使得熵H(Y)逐渐增大；步骤七、令迭代次数l＝l+1，判断当前迭代次数l是否大于总的迭代次数t，判断结果为是，执行步骤八，否则，返回步骤三；步骤八、利用t次迭代更新得到的反混合矩阵W_l+1对步骤一获得的观测信号y进行分离，分离出源信号s的压缩观测值步骤九、利用压缩感知重构算法与源信号s的压缩观测值重构源信号，获得m个源信号s的估计信号