CN108304855B - 一种海洋环境下多潜水艇特征信号盲源分离方法 - Google Patents

一种海洋环境下多潜水艇特征信号盲源分离方法 Download PDF

Info

Publication number
CN108304855B
CN108304855B CN201711267293.XA CN201711267293A CN108304855B CN 108304855 B CN108304855 B CN 108304855B CN 201711267293 A CN201711267293 A CN 201711267293A CN 108304855 B CN108304855 B CN 108304855B
Authority
CN
China
Prior art keywords
clustering
cluster
mask
signal
clustering algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711267293.XA
Other languages
English (en)
Other versions
CN108304855A (zh
Inventor
孙海信
王连生
成垦
沈艺珊
蔚然
王远旭
陈海兰
孙伟涛
苗永春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201711267293.XA priority Critical patent/CN108304855B/zh
Publication of CN108304855A publication Critical patent/CN108304855A/zh
Application granted granted Critical
Publication of CN108304855B publication Critical patent/CN108304855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Obtaining Desirable Characteristics In Audible-Bandwidth Transducers (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种海洋环境下多潜水艇特征信号盲源分离方法，包括以下步骤：采集信号样本；在时频域中基于Hermitian角的样本向量和参考向量，采用聚类算法对混合信号样本进行聚类以获得多个聚类簇，将聚类算法中的隶属函数作为掩码；基于估计簇数目进行聚类验证；基于K‑均值聚类算法将掩码聚类成Q个掩码聚类簇；通过掩码估计，进行信号分离。本发明能够解决欠定情况下盲源分离问题，在掩码估计中不需要估计任何混合信号矩阵或源位置，简化了信号分离的复杂度，提高了运算效率。

Description

一种海洋环境下多潜水艇特征信号盲源分离方法
技术领域
本发明涉及水声信号处理领域，特别涉及一种海洋环境下多潜水艇特征信号盲源分离方法及***。
背景技术
当前的盲分离算法存在诸多因素限制，首先盲分离算法主要用在信号的瞬态混合形式，信号卷积混合形式的盲分离算法相对较少，大致可分为以下几类：1)基于消除信号分量间互相关性的信号分离网，该网络利用反馈电路来解决问题。该算法在实际应用中有较大缺陷，在信号之间的尺度相差很大或混合矩阵是病态的情况下，分离效果比较差，甚至无法分离信号。2)利用非线性传递函数对输出进行变换，如基于信息传输最大化原理的嫡最大化的方法。此算法收敛速度很慢，同时分离矩阵的求逆又带来数值不稳定。3)非线性主分量分析(PCA)算法，它是线性主分量分析方法的推广。另外，以上算法在在掩码估计中需要估计任何混合信号矩阵或源位置，使得信号分离过程相对复杂，运算效率不高。
发明内容
本发明的目的在于提供一种海洋环境下多潜水艇特征信号盲源分离方法，其能够解决欠定情况下盲源分离问题，简化了信号分离的复杂度，提高了运算效率。
为实现上述目的，本发明采用以下技术方案：
一种海洋环境下多潜水艇特征信号盲源分离方法，包括以下步骤：
S1、采集混合信号样本；
S2、在时频域中基于Hermitian角的样本向量和参考向量，采用聚类算法对混合信号样本进行聚类以获得多个聚类簇，将聚类算法中的隶属函数作为掩码；
S3、基于估计簇数目进行聚类验证；
S4、基于K-均值聚类算法将掩码聚类成Q个掩码聚类簇，记为cq,q＝1,...Q，并满足Dq,q＝1,...,Q的总和是最小的，Dq是在第q个簇里掩码与簇质心的总距离，即：
Figure GDA0002470723420000021
其中，
Figure GDA0002470723420000022
是第k频点的第i个掩码，Cq是第q簇cq的质心，
Figure GDA0002470723420000023
是
Figure GDA0002470723420000024
和簇质心Cq之间的皮尔森相关系数，kst和kend是用于聚类的相邻频点组的开始和结束频点，即频点总的数目是kend-kst+1，
Figure GDA0002470723420000025
作为距离度量，这样高度相关的掩码将来自一个簇；
S5、通过掩码估计，进行信号分离。
优选地，步骤S2中的所述聚类算法采用K-均值聚类或模糊C-均值聚类算法。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明基于Hermitian角的样本向量和参考向量，使用聚类算法聚集了混合信号样本，对未知信号进行分离，能够解决欠定情况下盲源分离问题，在掩码估计中不需要估计任何混合信号矩阵或源位置，简化了信号分离的复杂度，提高了运算效率。
附图说明
图1为本发明的流程示意图；
图2为源信号与接收器的排列方式示意图；
图3为信道模型示意图；
图4a给出了蓝鲸的原始声信号波形；
图4b给出了座头鲸的原始声信号波形；
图5a给出了蓝鲸的原始声音频谱图；
图5b给出了座头鲸的原始声音频谱图；
图6a给出了接收端R1捕获的混合声音波形；
图6b给出了接收端R2捕获的混合声音波形；
图7a为分离出的蓝鲸声音波形；
图7b为分离出的座头鲸声音波形；
图8a为分离出的蓝鲸声音频谱图；
图8b为分离出的座头鲸声音频谱图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
请参阅图1，本发明公开了一种海洋环境下多潜水艇特征信号盲源分离方法，包括以下步骤：
S1、采集混合信号样本。
S2、在时频域中基于Hermitian(厄米矩阵)角的样本向量和参考向量，采用聚类算法对混合信号样本进行聚类以获得多个聚类簇，将聚类算法中的隶属函数作为掩码。聚类算法采用K-均值聚类或模糊C-均值聚类算法。
S3、基于估计簇数目进行聚类验证。
S4、基于K-均值聚类算法将掩码聚类成Q个掩码聚类簇，记为cq,q＝1,...Q，并满足Dq,q＝1,...,Q的总和是最小的，Dq是在第q个簇里掩码与簇质心的总距离，即：
Figure GDA0002470723420000041
其中，
Figure GDA0002470723420000042
是第k频点的第i个掩码，Cq是第q簇cq的质心，
Figure GDA0002470723420000043
是
Figure GDA0002470723420000044
和簇质心Cq之间的皮尔森相关系数，kst和kend是用于聚类的相邻频点组的开始和结束频点，即频点总的数目是kend-kst+1，
Figure GDA0002470723420000045
作为距离度量，这样高度相关的掩码将来自一个簇。
S5、通过掩码估计，进行信号分离。
实验评价
一、信道设计
在水下模拟两个信号信号接收端(R1和R2)，两个声信号发射端(S1和S2)，位置任意。其中R1与S1相距3.5km，R2与S2相距4.0km，R1与S2相距4.5km，R2与S1相距4.7km，排列方式如图2所示。
R1与S1形成信道h11、R1与S2形成信道h12、R2与S1形成信道h21、R2与S2形成信道h22，四个信道模型如图3所示。
二、仿真实验
该仿真实验是在Matlab2014b平台上进行的，电脑的处理器为AMD双核A6-4400M2.7GHz，内存为4G。
仿真实验使用的声音分别是蓝鲸、座头鲸的叫声，分别进行了不同种类鲸鱼声音分离实验和两头蓝鲸声音分离实验。
图4a给出了蓝鲸的原始声信号波形，图4b给出了座头鲸的原始声信号波形；图5a给出了蓝鲸的原始声音频谱图，图5b给出了座头鲸的原始声音频谱图；图6a给出了接收端R1捕获的混合声音波形，图6b给出了接收端R2捕获的混合声音波形。
三、分离结果分析
按本发明的盲源分离方法对混合声音信号进行分离，分离出的信号波形如图7a及图7b所示，其中图7a为分离出的蓝鲸声音波形，图7b为分离出的座头鲸声音波形。分别将图7a与图4a、图7b与图4b进行比较，可以看出本发明的盲源分离方法能够较好的将混合信号进行分离。
为了更进一步检验，对分离出的信号做短时傅里叶变换(STFT)，得到的频谱图像如图8a及图8b所示，其中图8a为分离出的蓝鲸声音频谱图，图8b为分离出的座头鲸声音频谱图。将图8a与图5a进行比较，二者底部的特征能量是一致的；将图8b与图5b进行比较，二者底部的特征能量是一致的。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种海洋环境下多潜水艇特征信号盲源分离方法，其特征在于，包括以下步骤：
S1、采集混合信号样本；
S2、在时频域中基于Hermitian角的样本向量和参考向量，采用聚类算法对混合信号样本进行聚类以获得多个聚类簇，将聚类算法中的隶属函数作为掩码；
S3、基于估计簇数目进行聚类验证；
S4、基于K-均值聚类算法将掩码聚类成Q个掩码聚类簇，记为cq,q＝1,...Q，并满足Dq,q＝1,...,Q的总和是最小的，Dq是在第q个簇里掩码与簇质心的总距离，即：
Figure FDA0002454399080000011
其中，
Figure FDA0002454399080000012
是第k频点的第i个掩码，Cq是第q簇cq的质心，
Figure FDA0002454399080000013
是
Figure FDA0002454399080000014
和簇质心Cq之间的皮尔森相关系数，kst和kend是用于聚类的相邻频点组的开始和结束频点，即频点总的数目是kend-kst+1，
Figure FDA0002454399080000015
作为距离度量，这样高度相关的掩码将来自一个簇；
S5、通过掩码估计，进行信号分离。
2.如权利要求1所述的一种海洋环境下多潜水艇特征信号盲源分离方法，其特征在于：步骤S2中的所述聚类算法采用K-均值聚类或模糊C-均值聚类算法。
CN201711267293.XA 2017-12-05 2017-12-05 一种海洋环境下多潜水艇特征信号盲源分离方法 Active CN108304855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711267293.XA CN108304855B (zh) 2017-12-05 2017-12-05 一种海洋环境下多潜水艇特征信号盲源分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711267293.XA CN108304855B (zh) 2017-12-05 2017-12-05 一种海洋环境下多潜水艇特征信号盲源分离方法

Publications (2)

Publication Number Publication Date
CN108304855A CN108304855A (zh) 2018-07-20
CN108304855B true CN108304855B (zh) 2020-06-23

Family

ID=62870258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711267293.XA Active CN108304855B (zh) 2017-12-05 2017-12-05 一种海洋环境下多潜水艇特征信号盲源分离方法

Country Status (1)

Country Link
CN (1) CN108304855B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112133321B (zh) * 2020-09-23 2021-05-14 青岛科技大学 一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282067A (zh) * 2015-09-16 2016-01-27 长安大学 一种复数域盲源分离方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282067A (zh) * 2015-09-16 2016-01-27 长安大学 一种复数域盲源分离方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于盲源分离的心肺音信号分离方法研究与应用;郭鹿鸣;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20170131;全文 *
欠定盲源分离算法及其应用研究;张良俊;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20150320;全文 *

Also Published As

Publication number Publication date
CN108304855A (zh) 2018-07-20

Similar Documents

Publication Publication Date Title
Chen et al. Deep attractor network for single-microphone speaker separation
Wang et al. Over-determined source separation and localization using distributed microphones
Wang et al. A region-growing permutation alignment approach in frequency-domain blind source separation of speech mixtures
Kounades-Bastian et al. A variational EM algorithm for the separation of time-varying convolutive audio mixtures
Li et al. Multiple-speaker localization based on direct-path features and likelihood maximization with spatial sparsity regularization
US8364483B2 (en) Method for separating source signals and apparatus thereof
Yang et al. Under-determined convolutive blind source separation combining density-based clustering and sparse reconstruction in time-frequency domain
Traa et al. Blind multi-channel source separation by circular-linear statistical modeling of phase differences
Shashanka et al. Sparse overcomplete decomposition for single channel speaker separation
CN108304855B (zh) 一种海洋环境下多潜水艇特征信号盲源分离方法
Serviere et al. Permutation correction in the frequency domain in blind separation of speech mixtures
CN110265060B (zh) 一种基于密度聚类的说话人数目自动检测方法
Jafari et al. Underdetermined blind source separation with fuzzy clustering for arbitrarily arranged sensors
Zermini et al. Binaural and log-power spectra features with deep neural networks for speech-noise separation
Jafari et al. Sparse coding for convolutive blind audio source separation
Kim et al. Efficient neighborhood-based topic modeling for collaborative audio enhancement on massive crowdsourced recordings
Seghouane et al. Estimating the number of significant canonical coordinates
Mitianoudis et al. Using beamforming in the audio source separation problem
CN110956978B (zh) 一种基于欠定卷积混叠模型的稀疏盲分离方法
Dias et al. Multichannel source separation using time-deconvolutive CNMF
Fakhry et al. Underdetermined source detection and separation using a normalized multichannel spatial dictionary
Saab et al. Underdetermined sparse blind source separation with delays
Al-Saegh Independent Component Analysis for Separation of Speech Mixtures: A Comparison Among Thirty Algorithms.
Hsu et al. Array configuration-agnostic personalized speech enhancement using long-short-term spatial coherence
Watanabe et al. DNN-based frequency component prediction for frequency-domain audio source separation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant