一种认知网络环境下的信号分离方法

摘要

本发明公开了一种认知网络环境下的信号分离方法，首先，通过中心节点接收到M个接收信号x_i(t)，i＝1，2，....，M，然后进行小波边缘检测得到频谱边缘；将接收信号的频谱划分为多个子频段，每个子频段j设计M个相同的带通滤波器B_j，其截止频谱根据该子频段的频谱边缘确定，用M个相同的带通滤波器B_j分别对M个接收信号x_i(t)进行带通滤波得到滤波后的信号x_in(t)，然后进行基带调制，得到M个基带信号x_inL(t)构成的基带信号矩阵Y，对基带信号矩阵Y进行中心化、白化，得到矩阵，根据矩阵来求出分离矩阵W；根据公式得出原始信号估计值，根据公式进行解调，解调后的信号矩阵，信号矩阵中的行向量为源信号的估计值，从而中心节点将接收到的信号进行信号分离，不符合频谱分配规则的信号就为恶性信号，定位恶性信号。

主权项

1.一种认知网络环境下的信号分离方法，其特征在于，包括以下步骤：(1)、定位频谱边缘a₁、中心节点有M个接收机，分别进行信号接收，得到M个接收信号x_i(t)，i＝1，2，....，M，对接收到的M个接收信号求平均，得到接收信号的均值X：$X=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{x}_i\left(t\right)$其中，x_i(t)是第i个接收机接收到的信号，t是接收时刻；对M个接收信号求平均，以使边缘检测更为准确；a₂、对接收信号的均值X进行傅里叶变换，得到接收信号的频率谱函数S(f)：$S\left(f\right)=\mathrm{FT}\left[X\right]={\int }_{-\infty }^{+\infty }X·e^{-j2\mathrm{\pi ft}}\mathrm{dt}$其中，ET[·]代表傅里叶变换，f代表频率；a₃、首先，对频率谱函数S(f)进行小波变换：W_sS(f)＝S(f)*θ_s(f)${\theta }_s\left(f\right)=\frac{1}{s}\theta \left(\frac{f}{s}\right)$其中，W_sS(f)代表频率谱函数S(f)进行小波变换，θ(f)是平滑函数，s是尺度因子，θ_s(f)是经过尺度因子s变换之后的函数，“*”代表卷积运算；然后，得到接收信号的频谱边缘${\hat{f}}_n=\underset{f}{\max \mathrm{ima}}\left|{W_s}^{\prime }S\left(f\right)\right|$$=\underset{f}{\max \mathrm{ima}}|\underset{k=1}{\overset{K}{\Pi }}\psi {\left(f\right)}_{2^k}*S\left(f\right)|$代表接收信号的第n个频谱边缘，W_s′S(f)代表对小波变换得到的函数W_sS(f)求导数，是频谱函数S(f)相对于小波函数ψ(f)的尺度积，K是整数，ψ(f)是小波函数，且ψ(f)是θ(f)的导数；是求极值运算；(2)、分离信号b₁、根据接收信号的频谱边缘，将接收信号的频谱划分为多个子频段，每个子频段l设计M个相同的带通滤波器B_l，l＝1，2，...，L，L为子频段段数，每个子频段的带通滤波器B_l的截止频率根据该子频段的频谱边缘确定；b₂、针对子频段l进行信号分离：(1)、带通滤波子频段l的M个相同的带通滤波器B_l分别对M个接收信号x_i(t)进行滤波，得到滤波后的信号为：x_in(t)＝x_i(t)*H_B，i＝1，2，…，M其中，H_B为带通滤波器B_l的冲激响应，x_in(t)表示第i个接收信号滤波后的信号；(2)、调制到基带然后，将滤波后信号x_in(t)调制到基带：x_inL(t)＝x_in(t)·H_Modn，i＝1，2，…，Mx_inL(t)表示基带信号，H_Modn表示载波的时域表达式；M个基带信号x_inL(t)构成基带信号矩阵Y，基带信号矩阵Y的每一个行向量表示一个基带信号；(3)、预处理-中心化和白化中心化：对基带信号矩阵Y进行以下运算处理，得到中心化之后的基带信号矩阵$\tilde{Y}=Y-E\left\{Y\right\}$其中，E{·}代表期望运算，中心化后的信号矩阵的各个行向量均值为0。白化：对中心化之后的基带信号矩阵以下运算处理，得到白化后的基带信号矩阵$\hat{Y}=C·D^{-\frac{1}{2}}·C^T·\tilde{Y}$其中，C是的特征向量，D是的特征值，白化后的基带信号矩阵的各分量不相关，即的各行向量不相关；(4)、信号分离根据白化后的基带信号矩阵来求出分离矩阵W：(4.1)、初始化分离矩阵W：随机生成一个M×N阶矩阵；(4.2)、取分离矩阵W的第p个列向量W(：，p)，p＝1，2，3，…，N；(4.3)、将列向量W(：，p)向量代入迭代式更新W(：，p)向量：$W(:,p)=E\{\hat{Y}·g(W{(:,p)}^T·\hat{Y})\}-E\left\{g^{\prime }(W{(:,p)}^T·\hat{Y})\right\}·W(:,p);$其中，g(·)是非二次函数，E{·}代表期望运算，g′(·)代表对g(·)求导，“·”是相乘运算，“T”是向量的转置；(4.4)、去相关：$W(:,p)=W(:,p)-\underset{i=1}{\overset{p-1}{\Sigma }}W{(:,p)}^T·W(:,i)·W(:,i);$归一化：W(：，p)＝W(：，p)/||W(：，p)||；其中，“||·||”代表求向量的2范数；(4.5)、如果两次迭代计算出的列向量W(：，p)基本相同，则算法收敛，这样就计算出分离矩阵的一个列向量，否则返回步骤(4.3)；(4.6)、重复步骤(4.2)～(4.5)计算出分离矩阵W的N个列向量，得到分离矩阵W；计算出分离矩阵W后，根据下式得出原始信号调制到基带信号后的估计值$\hat{S}=W^T·\hat{Y}$其中，白化后的基带信号矩阵；估计值即为分离后的信号矩阵，的各行向量都是基带信号，并解调，解调后的信号矩阵$\tilde{S}=\hat{S}·H_{\mathrm{DeModn}}$其中，H_DeModn是解调函数的时域表达式，H_DeModn由子频段所取的两个频谱边缘确定。信号矩阵中的行向量为源信号的估计值，从而中心节点将接收到的信号进行信号分离，不符合频谱分配规则的信号就为恶性信号，定位恶性信号；b₃、重复步骤b2，将所有子频段的恶性信号定位。