DE19531388C1 - Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter Signale - Google Patents
Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter SignaleInfo
- Publication number
- DE19531388C1 DE19531388C1 DE19531388A DE19531388A DE19531388C1 DE 19531388 C1 DE19531388 C1 DE 19531388C1 DE 19531388 A DE19531388 A DE 19531388A DE 19531388 A DE19531388 A DE 19531388A DE 19531388 C1 DE19531388 C1 DE 19531388C1
- Authority
- DE
- Germany
- Prior art keywords
- signals
- values
- unknown
- time
- signal
- 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.)
- Expired - Fee Related
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 23
- 239000000203 mixture Substances 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 241000238366 Cephalopoda Species 0.000 description 2
- 102100026459 POU domain, class 3, transcription factor 2 Human genes 0.000 description 2
- 101710133394 POU domain, class 3, transcription factor 2 Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000139306 Platt Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
- G10L21/028—Voice signal separating using properties of sound source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H2021/0034—Blind source separation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2225/00—Details of deaf aids covered by H04R25/00, not provided for in any of its subgroups
- H04R2225/43—Signal processing in hearing aids to enhance the speech intelligibility
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- H04R25/43—Electronic input selection or mixing based on input signal analysis, e.g. mixing or selection between microphone and telecoil or between microphones with different directivity characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- H04R25/50—Customised settings for obtaining desired overall acoustical characteristics
- H04R25/505—Customised settings for obtaining desired overall acoustical characteristics using digital signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
In der Meßtechnik besteht fast immer das Problem, daß bei einer Messung
nicht nur Signale einer einzelnen Quelle, sondern oft nur Mischungen aus
den Signalen mehrerer Quellen durch die Detektoren aufgenommen werden
können.
Eine Signaltrennung mit möglichst wenig a-priori-Information über die Signale
wurde von Herault und Jutten in den folgenden Veröffentlichungen
behandelt: C. Jutten and J. Herault, "Blind separation of sources, part I: An
adaptive algorithm based on neuromatic architecture", Signal Processing, vol
24, No. 1 pp 1-10, July 1991; P. Common, C. Jutten, J. Herault, "Blind Separation
of sources, part II: Problems statement", Signal Processing, vol 24, No. 1,
pp 11-20, July 1991, E. Sorouchyari, C. Jutten, J. Herault, "Blind Separation
of Sources, part III: Stability analysis, ", Signal Processing, vol 24, No. 1, pp
21-29, July 1991. Dabei wird das Problem von mit konstanten Faktoren linear
überlagerten, zeitlich unverzögerten, unabhängigen Signalen beschrieben.
Wie sich herausstellt, funktioniert das Verfahren nicht mit Gaußverteilten
Signalen, das sind zum Beispiel Sprache oder Musik.
In der Veröffentlichung von Molgedey und Schuster (Molgedey L. und Schuster
H. G. 1994: Separation of a Mixture of Independent Signals using Time
Delayed Corelations, Phys. Rev. Lett. 72, 3634-3638.) wird die Trennung
für unkorrelierte Signale, die zeitlich unverzögert linear überlagert sind, behandelt,
die auch für Gauß'sche Quellen benutzt werden kann. Außerdem
wird ein Verfahren zur Trennung von Mischung skizziert, bei denen die
Quellsignale (zeitlich unverzögert) multipliziert sind.
Gilles Burell (Burell, Gilles 1992: Blind Separation of Sources: A Nonlinear
Neural Algorithm, Neural Networks, Vol. 5, pp 937-.) schlägt einen weiteren
Ansatz für die Trennung von Gemischen aus unabhängigen Signalen vor, in
dem ein neuronales Netz speziell für eine bekannte Art der nichtlinearen, zeitlich
unverzögerten Mischungen konstruiert wird. Das Verfahren zum Finden
der richtigen Parameter für die Entmischung ist dem Backpropagationalgorithmus
ähnlich.
In dem European Patent application number 93630032.6, date of filing
10. 04. 1992 by the inventors Ehud Weinstein and Daniel Yellin wird eine Signaltrennung
für den Fall einer durch lineare Filter entstandenen Mischung
unabhängiger und unkorrelierter Quellsignale beschrieben, und es werden
zwei Berechnungsmöglichkeiten für die gesuchten Filter gegeben: 1. Eine iterative
Lösung zweier "standard least square" Algorithmen und 2. ein rekursiver
Algorithmus, der im Prinzip dem ersten äquivalent ist, aber weniger
Rechenkapazität benötigt, dafür aber auch nicht exakt ist. Damit wird der
von Platt und Faggin in (J. C. Platt and F. Faggin: Networks for the Separation
of Sources that are Superimposed and Delayed, ed. John E. Moody
"Advances in Neural Information Processing" Vol. 4, Morgan-Kaufman, San
Mateo (1992).) vorgeschlagenen Algorithmus begründet und erweitert. In
keiner uns bekannten Veröffentlichung wird das Problem einer a priori unbekannten
nichtlinearen Mischung (Mischung durch ein beliebiges nichtlineares
System) angeschnitten oder gar gelöst.
Die Erfindung betrifft ein Verfahren sowie eine Einrichtung zur Signaltrennung
eines Signalgemisches der Form
das aus M unbekannten Quellsignalen ₁(t) . . M(t) besteht, die mit unbekannten
Gewichtsfaktoren gs in der angegebenen Weise gemischt sind.
Ein Schema dazu stellt Fig. Nr. 1 dar. 1 steht für den unbekannten Teil, bestehend
aus den Quellprozessen, deren Signale durch ein nichtlineares System
G 2 gemischt werden. 3 zeigt den bekannten Bereich an. In 4 werden
aus einer Analyse der Meßdaten die Quellsignale entmischt und stehen als
Ausgänge u₁ und u₂ zur Verfügung. Das Verfahren kommt fast ohne Annahme
über die Quellsignale und das nichtlineare Mischungssystem aus, bis auf
die Bedingung, daß eine statistische Analyse der empfangenen Mischungen
aus den Quellsignalen ys(t) genügend Information für eine Trennung liefert.
Beispielsweise wird die zeitlich unverzögerte Überlagerung zweier Gaußverteilter
weißer Rauschsignale n₁(t) und n₂(t) mit unterschiedlichen konstanten
Faktoren c₁₂ und c₂₁ in der Form
y₁(t) = n₁(t)+c₁₂n₂(t)
y₂(t) = n₂(t)+c₁₂n₁(t) (1)
y₂(t) = n₂(t)+c₁₂n₁(t) (1)
nicht möglich sein, da ⟨y₁(t)y₂(t+τ)⟩ = 0 für τ≠0 und alle Korrelationen
der Form ⟨yn₁(t)ym₂(t+τ)⟩ = 0 für m+n<2.
Die Beschränkungen werden im Verlauf dieser Beschreibung klarer werden,
aber da eine Veränderung der gs durch eine geänderte Aufnahmetechnik
möglich ist und da man es in den meisten Fällen mit der Trennung von
Signalen, die Information enthalten, d. h. bei denen eine statistische Analyse
höherer Ordnung Ergebnisse liefert, wie z. B. eine Trennung von Mischungen
aus Sprache und Musik, zu tun hat, werden die Beschränkungen meistens
ausräumbar bzw. vernachlässigbar sein.
Eine beliebige nichtlineare Mischung kann durch die folgende Form beschrieben
werden:
wobei die M Quellsignale ₁(t) . . . M(t) unbekannt und mit unbekannten Gewichtsfaktoren gs in der angegebenen Weise gemischt sind und wobei
t∈R ist. Dies ist die Form einer Volterra-Reihe. Entsprechend einem
Theorem von Frechet kann jedes stetige Funktional mit einer beliebigen Genauigkeit
durch eine Volterra-Reihe approximiert werden. Zu dieser Reihe
gibt es auch ein zeitdiskontinuierliches Analogon, das eine Anwendung der
Erfindung auf digitale Systeme zuläßt.
Im folgenden wird nur der Fall betrachtet, in dem xj(t), ys(t), t∈R gilt.
Eine Formulierung mit höherdimensionalen Variablen ist möglich, aber der
eindimensionale Fall enthält alle wesentlichen Verfahrensschritte.
Das in dieser Erfindung beschriebene Verfahren besteht im wesentlichen aus
zwei Schritten: Erstens werden die durch den wählbaren Grad der Nichtlinearität
bei der Mischung eindeutig bestimmten nichtlinearen Gleichungen
für ein gleitendes Zeitfenster gelöst und die Lösungen werden über die Zeit
gemittelt, und zweitens wird ein aus einer genügend großen Anzahl von unterschiedlichen
Kumulanten der geschätzten Ausgangssignale ui(t) gebildetes
Potential minimiert, wobei die zur Berechnung des Potentials nötigen Werte
aus einem gleitenden Zeitfenster einer wählbaren Länge stammen.
Zu erstens:
Eine mehrdimensionale Fouriertransformation von 2 ist möglich, und man erhält:
Eine mehrdimensionale Fouriertransformation von 2 ist möglich, und man erhält:
Genauso ist eine zeitvariable Fouriertransformation möglich, in der jeweils ein
zeitlich begrenzter Ausschnitt der Größe T∈R aus dem Gesamtverlauf der
Signale herausgeschnitten und fouriertransformiert wird. Dann erhält man:
Dabei ist vorausgesetzt, daß sich das System G so langsam ändert, daß
diese Änderung bei der Berechnung der gesuchten Mischungsfaktoren vernachlässigt
werden kann.
Um die Bedingungen zu formulieren, die die Quellsignale erfüllen müssen,
damit das Verfahren im ersten Schritt angewendet werden kann, werden nun
folgende Variablen definiert:
i,j,k,N₀,N₁,N₂∈N
ωÿ∈R
τÿk∈R(i₁, . . ., )∈{p∈N|1pM}(j₁, . . ., )∈(k₁, . . ., )∈((
ωÿ∈R
τÿk∈R(i₁, . . ., )∈{p∈N|1pM}(j₁, . . ., )∈(k₁, . . ., )∈((
Die Quellensignale müssen die folgenden Bedingungen erfüllen für einen
genügend großen Bereich der oben definierten Variablen:
außer falls
i₁ = i₂ . . . =
und
= . . . =
gleichzeitig gilt.
Nun geht es darum, die in der obigen Gleichung stehenden unbekannten
Größen zu berechnen. Man benötigt dieselbe Anzahl an Gleichungen wie an
unbekannte Größen. Daher soll mit obiger Gleichung für ausreichend unterschiedlich
viele Verzögerungszeiten τ₀ bis τE (E∈N) ein Gleichungssystem
aufgestellt werden, d. h.:
oder entsprechende Gleichungen, die sich durch das Bilden der Erwartungswerte
von beliebigen Produkten der zeitvariablen Fouriertransformierten der
empfangenen Signale Ys(ω₁, . . ., ωn, T) und der zeitverzögerten zeitvariablen
Fouriertransformierten der empfangenen Signale Ys (ω₁, . . ., ωn, T-τj) ergeben.
Dadurch erhält man ein nichtlineares Gleichungssystem, das numerisch
gelöst werden kann. Natürlich kann man durch die Berücksichtigung weiterer
Werte für die Verzögerungszeiten τj mehr Gleichungen als unbedingt nötig
aufstellen und dann die überbestimmten Lösungen einer Mittelwertbildung
unterziehen.
An einem Beispiel soll nun die Verfahrensweise dieses ersten Schrittes
gezeigt werden.
Das betrachtete System sei derart nichtlinear, daß gilt:
Dann ergeben sich durch das Bilden von Kreuzkorrelationen die folgenden
Gleichungen (0jE) für ω₁, ω₂∈R und ω₁≠ω₂:
⟨Y₁(ω₁, ω₂, T)Y₂(ω₁, ω₂, T+τj)⟩ =
G²1,1(ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹1,2(ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₂)G²2,1,2(ω₁, ω₂)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
G¹2,2,1(ω₁, ω₂)G²2,2,1(ω₁, ω₂)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩;
G²1,1(ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹1,2(ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₂)G²2,1,2(ω₁, ω₂)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
G¹2,2,1(ω₁, ω₂)G²2,2,1(ω₁, ω₂)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩;
⟨Y₁(ω₁, ω₂, T)Y₁(ω₁, ω₂, T+τj)⟩ =
⟨X₁(ω₁, T)X₁(ω₁, T+τ)⟩+
(G¹1,2(ω))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₂))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T+τj)⟩+
(G¹2,2,1(ω₁, ω₂))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩;
⟨X₁(ω₁, T)X₁(ω₁, T+τ)⟩+
(G¹1,2(ω))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₂))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T+τj)⟩+
(G¹2,2,1(ω₁, ω₂))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩;
⟨Y₂(ω₁, ω₂, T)Y₂(ω₁, ω₂, T+τj)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²1,1(ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G²2,1,2(ω₁, ω₂))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G²2,2,1(ω₁, ω₂))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩.
⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²1,1(ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G²2,1,2(ω₁, ω₂))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G²2,2,1(ω₁, ω₂))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩.
Entsprechend ergeben sich 3 weitere Gleichungen, wenn ω₁ und ω₂ vertauscht
werden.
⟨Y₁(ω₂, ω₁, T)Y₂(ω₁, ω₂, T+τj)⟩ =
G²1,1(ω₂)⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
G¹1,2(ω₂)⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
G¹2,1,2(ω₂, ω₁)G²2,1,2(ω₂, ω₁)⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,2,1(ω₂, ω₁)G²2,2,1(ω₂, ω₁)⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
G²1,1(ω₂)⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
G¹1,2(ω₂)⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
G¹2,1,2(ω₂, ω₁)G²2,1,2(ω₂, ω₁)⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,2,1(ω₂, ω₁)G²2,2,1(ω₂, ω₁)⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨Y₁(ω₂, ω₁, T)y₁(ω₂, ω₁, T+τj)⟩ =
⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
(G¹1,2(ω₂))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G¹2,1,2(ω₂, ω₁))²⟨X₁(ω₂, T)X₁(ω₂,T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,2,1(ω₂, ω₁))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
(G¹1,2(ω₂))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G¹2,1,2(ω₂, ω₁))²⟨X₁(ω₂, T)X₁(ω₂,T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,2,1(ω₂, ω₁))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨Y₂(ω₂, ω₁, T)Y₂(ω₂, ω₁, T+τj)⟩ =
⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G²1,1(ω₂))²⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
(G²2,1,2(ω₂, ω₁))²⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²2,2,1(ω₂, ω₁))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩.
⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩+
(G²1,1(ω₂))²⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩+
(G²2,1,2(ω₂, ω₁))²⟨X₁(ω₂, T)X₁(ω₂, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²2,2,1(ω₂, ω₁))²⟨X₂(ω₂, T)X₂(ω₂, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩.
Für ein Paar (ω₁, ω₂) mit ω₁≠ω₂ ergeben sich 6E Gleichungen für 12+4E
unbekannte Größen.
Im Fall, daß ω₁, ω₂∈R mit ω₁=ω₂ ist, ergeben sich durch das Bilden
von Kreuzkorrelationen die folgenden Gleichungen (0jE):
⟨Y₁(ω₁, ω₁, T)Y₂(ω₁, ω₁, T+τj)⟩ =
(G²1,1(ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G¹1,2(ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₁)G²2,1,2(ω₁, ω₁)[X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨)X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,2,1(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₂)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,2,1(ω₁, ω₁)G²2,1,2(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
(G²1,1(ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G¹1,2(ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₁)G²2,1,2(ω₁, ω₁)[X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨)X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,2,1(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₂)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,2,1(ω₁, ω₁)G²2,1,2(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨Y₁(ω₁, ω₁, T)Y₁(ω₁, ω₁, T+τj)⟩ =
⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G¹1,2(ω₁))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,2,1(ω₁, ω₁))²[X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G¹2,2,1(ω₁, ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G¹2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G¹1,2(ω₁))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,1,2(ω₁, ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G¹2,2,1(ω₁, ω₁))²[X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G¹2,2,1(ω₁, ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G¹2,1,2(ω₁, ω₁)G¹2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩;
⟨Y₂(ω₁, ω₁, T)Y₂(ω₁, ω₁, T+τj)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²1,1(ω₁))⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G²2,1,2(ω₁, ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²2,2,1(ω₁, ω₁))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G²2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G²2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩.
⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²1,1(ω₁))⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
(G²2,1,2(ω₁, ω₁))²⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
(G²2,2,1(ω₁, ω₁))²⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩+
G²2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩+
G²2,1,2(ω₁, ω₁)G²2,2,1(ω₁, ω₁)⟨X₂(ω₁, T)X₂(ω₁, T+τj)⟩⟨X₁(ω₁, T)X₁(ω₁, T+τj)⟩.
Für ein Paar (ω₁, ω₂) mit ω₁=ω₂ ergeben sich 3E Gleichungen für 6+2E
unbekannte Größen.
Beim Aufstellen dieses Gleichungssystems wurde davon Gebrauch gemacht,
daß die Quellsignale die folgenden Bedingungen entsprechend Gleichung
(3) erfüllen:
für alle ω₁, ω₂, τ∈R, und
cum (X₁(ω₁, T), X₁(ω₂, T-τ)) = 0
cum (X₂(ω₁, T), X₂(ω₂, T-τ)) = 0
cum (X₂(ω₁, T), X₂(ω₂, T-τ)) = 0
für alle ω₁ ω₂, τ∈R mit ω₁≠ω₂.
Damit gilt dann:
⟨X₁(ω₁, T)X₂(ω₂, T)X₁(ω₁, T-τ)X₂(ω₂, T-τ)⟩ =
⟨X₁(ω₁, T)X₁(ω₁, T-τ)⟩⟨X₂(ω₂, T)X₂(ω₂, T-τ)⟩;
⟨X₂(ω₁, T)X₁(ω₂, T)X₂(ω₁, T-τ)X₁(ω₂, T-τ)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T-τ)⟩⟨X₁(ω₂, T)X₁(ω₂, T-τ)⟩;
⟨X₁(ω₁, T)X₂(ω₁, T)X₁(ω₁, T-τ)X₂(ω₁, T-τ)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T-τ)⟩⟨X₁(ω₁, T)X₁(ω₁, T-τ)⟩;
⟨X₁(ω₁, T)X₁(ω₁, T-τ)⟩⟨X₂(ω₂, T)X₂(ω₂, T-τ)⟩;
⟨X₂(ω₁, T)X₁(ω₂, T)X₂(ω₁, T-τ)X₁(ω₂, T-τ)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T-τ)⟩⟨X₁(ω₂, T)X₁(ω₂, T-τ)⟩;
⟨X₁(ω₁, T)X₂(ω₁, T)X₁(ω₁, T-τ)X₂(ω₁, T-τ)⟩ =
⟨X₂(ω₁, T)X₂(ω₁, T-τ)⟩⟨X₁(ω₁, T)X₁(ω₁, T-τ)⟩;
für alle ω₁, ω₂∈R. Außerdem gilt:
⟨X₁(ω₁, T)X₂(ω₂, T)X₂(ω₁, T-τ)X₁(ω₁, T-τ)⟩ = 0;
⟨X₂(ω₁, T)X₁(ω₂, T)X₁(ω₁, T-τ)X₂(ω₁, T-τ)⟩ = 0;
⟨X₂(ω₁, T)X₁(ω₂, T)X₁(ω₁, T-τ)X₂(ω₁, T-τ)⟩ = 0;
für alle ω₁, ω₂∈R mit ω₁≠ω₂.
Aufgrund von fehlerhaften Aufnahmen (zusätzliches Rauschen) bzw.
Fensterungseffekten durch die zeitvariablen Fouriertransformation muß diese
Berechnung für ein in geeignet großen Schritten über die Signale bewegtes
Fenster wiederholt werden. Die entsprechenden Ergebnisse werden dann gemittelt,
und die gemittelten Werte nähern sich so den wahren Werten an.
Diese Annäherung kann aber viele Daten benötigen. Eine große Menge an
Daten kann zu Problemen bei einer Realisierung führen, daher wird diesem
ersten Schritt ein zweiter nachgestellt.
Zu zweitens:
Dieser zweite Schritt ist eine Anlehnung an die Methoden, die in der Signalverarbeitung mit neuronalen Netzen angewendet werden. Man konstruiert sich eine Kostenfunktion, die minimiert wird. Wenn das globale Minimum erreicht ist, hat man die optimalen Werte, in diesem Fall der Übertragungsfaktoren, gefunden. Für die Minimierung einer Kostenfunktion stehen beim heutigen Stand der Technik eine große Anzahl von Methoden zur Verfügung, z. B. Gradientenabstieg oder Monte-Carlo-Simulationen. Ein Nachteil aller Verfahren ist aber, daß sie in lokalen Minima der Kostenfunktion steckenbleiben können; der Vorteil unserer Erfindung ist, daß durch die Startwerte aus dem ersten Schritt die Minimierung schon in der Nähe des globalen Minimums beginnen kann, denn bei dem Ende der Berechnungen des ersten Schrittes liegen für die Übertragungsfaktoren geschätzte Werte vor, die sich nur wenig von den gesuchten Werten für die wahren Übertragungsfaktoren unterscheiden und die für eine bessere Trennung weiter optimiert werden.
Dieser zweite Schritt ist eine Anlehnung an die Methoden, die in der Signalverarbeitung mit neuronalen Netzen angewendet werden. Man konstruiert sich eine Kostenfunktion, die minimiert wird. Wenn das globale Minimum erreicht ist, hat man die optimalen Werte, in diesem Fall der Übertragungsfaktoren, gefunden. Für die Minimierung einer Kostenfunktion stehen beim heutigen Stand der Technik eine große Anzahl von Methoden zur Verfügung, z. B. Gradientenabstieg oder Monte-Carlo-Simulationen. Ein Nachteil aller Verfahren ist aber, daß sie in lokalen Minima der Kostenfunktion steckenbleiben können; der Vorteil unserer Erfindung ist, daß durch die Startwerte aus dem ersten Schritt die Minimierung schon in der Nähe des globalen Minimums beginnen kann, denn bei dem Ende der Berechnungen des ersten Schrittes liegen für die Übertragungsfaktoren geschätzte Werte vor, die sich nur wenig von den gesuchten Werten für die wahren Übertragungsfaktoren unterscheiden und die für eine bessere Trennung weiter optimiert werden.
Mit der Methode der Potentialminimierung werden Effekte von zusätzlichen
Rauchprozessen verringert.
Um die Bedingungen zu formulieren, die die Quellsignale erfüllen müssen,
damit das Verfahren im zweiten Schritt angewendet werden kann, werden
nun folgende Variablen definiert:
i, j, N₀, N₁∈N (5)
τÿ∈R(i₁, . . ., )∈{p∈N|1pM}(j₁, . . ., )∈
τÿ∈R(i₁, . . ., )∈{p∈N|1pM}(j₁, . . ., )∈
Die Quellensignale müssen die folgenden Bedingungen erfüllen für einen
genügend großen Bereich der oben definierten Variablen:
außer falls
i₁ = i₂ = . . . =
gilt.
Für den hier betrachteten Fall, die richtigen Übertragungsfaktoren zu finden,
bilden wir eine Kostenfunktion derart, daß die Ausgänge eines adaptiven
Filters ui(t) dieselben Bedingungen erfüllen müssen wie die Quellsignale
i(t), d. h. für eine genügend große Anzahl von Werten der in 5 definierten
Variablen werden die Quadrate der Kumulanten aus 6, dabei werden
die Quellsignale durch die Ausgänge des Filters u ersetzt, aufsummiert,
so daß eine Kostenfunktion entsteht, die minimiert wird. Optimiert werden
dabei die Werte der Übertragungsfaktoren. Nach jedem Optimierungsschritt
müssen die Werte für die ui(t) neu berechnet werden. Diese Berechnung kann
im Zeit- oder Frequenzbereich erfolgen.
Zum Beispiel werden für den Fall, in dem folgende Mischung vorliegt:
Y₁(ω) = X₁(ω)+G₁₂(ω)X₂(ω)+K(ω)X₁(ω)X₂(ω);
Y₂(ω) = X₂(ω)+G₂₁(ω)X₁(ω)+K(ω)X₁(ω)X₂(ω)
Y₂(ω) = X₂(ω)+G₂₁(ω)X₁(ω)+K(ω)X₁(ω)X₂(ω)
die Ausgänge mit den geschätzten Werten für die Übertragungsfaktoren G*₁₂,
G*₂₁ und K* berechnet durch Auflösen des Gleichungssystems:
Y₁(ω) = U₁(ω)+G*₁₂(ω)U₂(ω)+K*(ω)U₁(ω)U₂(ω);
Y₂(ω) = U₂(ω)+G*₂₁(ω)U₁(ω)+K*(ω)U₁(ω)U₂(ω)
Y₂(ω) = U₂(ω)+G*₂₁(ω)U₁(ω)+K*(ω)U₁(ω)U₂(ω)
nach U₁(ω) und U₂(ω).
Die durch das adaptive Filter zu minimierende Kostenfunktion V kann
mit den Ausgängen u₁(t) und u₂(t) gebildet werden:
wobei B eine endliche Menge reeller Zahlen ist.
Die durchzuführenden Berechnungen benötigen eine hohe Rechenkapazität,
die aber schon heute mit Mikroprozessoren bereitsteht. Eine in parallelen
Schritten ausgeführte Verwendung des angegebene Verfahrens eröffnet auch
für höherfrequente Probleme ein Echtzeitrealisierung. Im offline Betrieb läßt
sich das Verfahren auf frei programmierbaren Mikroprozessoren implementieren.
Anwendungsmöglichkeiten liegen in einer Signaltrennung als Vorverarbeitungsschritt
für eine automatische Spracherkennung, bei der Konstruktion
technischer Hörhilfen, sowie in allen anderen akustischen Messungen, einschließlich
die der Unterwasserakustik.
Außerdem sind medizinische Anwendungsmöglichkeiten bei Mehrkanalmessungen
wie EEG oder MEG (Fig. Nr. 2) möglich, sowie bei Antennenfeldern
für die Aufnahme elektromagnetischer Strahlung. Wie in der Fig. Nr. 2
dargestellt, werden magnetische Dipole im Gehirn 2 durch SQUIDs 3 gemessen,
und die Signale werden einer Auswerteeinheit 1 zugeführt.
Diesen und allen weiteren denkbaren Anwendungsmöglichkeiten ist gemeinsam,
daß sie der bisher linearen Theorie verschlossen bleiben, weil eine lineare
Signaltrennung zu unbefriedigenden Ergebnissen führt, denn aufgrund der
Detektortechniken haben fast alle Empfänger eine nichtlineare Kennlinie.
Weiterhin sind bei einer Formulierung mit mehrdimensionalen Variablen Anwendungen
in der Optik bzw. Bildverarbeitung möglich, in der auch bei der
Aufnahme nichtlineare Effekte auftreten.
Darüber hinaus können die berechneten Werte auch zu einer Analyse des
mischenden Systems benutzt werden, z. B. zur Quellenlokalisierung oder Bewegungsdetektion.
Neben den schon in dem Abschnitt Gewerbliche Anwendbarkeit genannten
möglichen Erneuerungen gibt es noch eine weitere Verbesserung: Um mit der
bisher linearen Methode zu arbeiten, werden Empfindlichkeitsbereiche der
Detektoren auf ihren linearen Bereich verkleinert. Dies ist bei der nichtlinearen
Methode nicht nötig.
Stellvertretend für alle anderen Probleme wird der Fall der Trennung akustischer
Signale behandelt. Entsprechend Fig. Nr. 1 stellt der mit 1
bezeichnete Block dann einen unbekannten Prozeß bestehend aus zwei Schallquellen
dar, deren Signale durch den Raum zu zwei Mikrofonen gelangen,
deren aufgenommene Signale aufgezeichnet werden und die Grundlage der
der Erfindung entsprechenden Berechnungen bilden. Der Block, der mit 3
gekennzeichnet ist, enthält alle bekannten Größen. Das System G ist nichtlinear,
weil zum einen die Raumübertragung nichtlinear sein kann, zum anderen
die Mikrofone mit ihren Verstärkern eine nichtlineare Kennlinie besitzen.
Die berechneten Signale u₁ und u₂ sind den Quellsignalen ₁ und ₂ ähnlich,
so daß ein automatisches Spracherkennungssystem mit der aus der Mischung
herausgetrennten Sprache funktioniert. Dies ist in der Fig. Nr. 3 sichtbar.
Dort sind in den oberen beiden Kästen die Mischsignale von Sprache und
Musik aufgezeigt, wie sie sich bei einer Mikrofonaufnahme in einem kleinen
Raum ergeben. Im untersten Kasten ist das aus dem Gemisch herausgetrennte
Sprachsignal am Ausgang der Trennungseinrichtung, dessen Berechnung
auf einem der Erfindung entsprechenden Verfahren basiert, dargestellt; mit
dem untersten Signal ist eine fehlerlose automatische Erkennung mit einem
kommerziellen automatischen Spracherkenner möglich, während derselbe Erkenner
bei den oberen beiden Signalen jeweils drei Fehler liefert.
Fig. Nr. 1: 1 steht für den unbekannten Bereich, bestehend aus den Quellprozessen,
deren Signale durch ein nichtlineares System G 2 gemischt werden.
3 zeigt den bekannten Bereich an. In 4 werden aus einer Analyse der
Meßdaten die Quellsignale entmischt und stehen als Ausgänge u₁ und u₂ zur
Verfügung.
Fig. Nr. 2: Magnetische Dipole im Gehirn 2 werden durch SQUIDs 3
gemessene, und die Signale werden einer Auswerteeinheit 1 zugeführt.
Fig. Nr. 3: In den oberen beiden Kästen sind die Mischsignale von Sprache
und Musik aufgezeigt, wie sie sich bei einer Mikrofonaufnahme in einem
kleinen Raum ergeben. Im untersten Kasten ist das aus dem Gemisch
herausgetrennte Sprachsignal am Ausgang der Trennungseinrichtung, dessen
Berechnung auf einem der Erfindung entsprechenden Verfahren basiert, dargestellt;
mit dem untersten Signal ist eine fehlerlose automatische Erkennung
mit einem kommerziellen automatischen Spracherkenner möglich, während
derselbe Erkenner bei den oberen beiden Signalen jeweils drei Fehler liefert.
Claims (5)
1. Verfahren zur Separierung eines Signalgemisches der Form
das aus M unbekannten Quellsignalen ₁(t) . . . M(t) besteht, die mit unbekannten
Gewichtsfaktoren gs in der angegebenen Weise gemischt sind,
für die Variable t soll gelten: t∈R, dadurch gekennzeichnet, daß ersten die
durch den Grad der Nichtlinearität bei der Mischung eindeutig bestimmten
nichtlinearen Gleichungen, die durch das Bilden von einer genügend großen
Anzahl von unterschiedlichen Erwartungswerten von Produkten der zeitvariablen Fouriertransformierten der empfangenen Signale Ys(ω₁, . . ., ωn, T)
und der um τj zeitverzögerten zeitvariablen Fouriertransformierten der empfangenen Signale Ys(w₁, . . ., ωn, T-τj) entstehen, für ein gleitendes
Zeitfenster
gelöst werden und die Lösungen über die Zeit gemittelt werden und daß
zweitens ein aus einer genügend großen Anzahl von unterschiedlichen Kumulanten
aus den geschätzten Ausgangssignalen ui(t) und aus den um τj
zeitverzögerten geschätzten Ausgangssignalen ui(t-τj) gebildetes Potential
minimiert wird, wobei die zur Berechnung des Potentials nötigen Werte aus
einem gleitenden Zeitfenster einer wählbaren Größe stammen.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß über die Werte
der Nichtlinearität g irgendwelche a-priori-Informationen bestehen, so daß
die Berechnungen vereinfacht werden können.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß M=2 ist.
4. Verfahren nach Anspruch 1 bis 3, dadurch gekennzeichnet, daß über die
Werte der Quellsignale irgendwelche a-priori-Informationen bestehen, so
daß die Berechnungen vereinfacht werden können.
5. Einrichtungen, dadurch gekennzeichnet, daß sie die Verfahren der Ansprüche
1 bis 4 in digitaler oder analoger Weise für eine Signaltrennung benutzen.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19531388A DE19531388C1 (de) | 1995-08-26 | 1995-08-26 | Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter Signale |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19531388A DE19531388C1 (de) | 1995-08-26 | 1995-08-26 | Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter Signale |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19531388C1 true DE19531388C1 (de) | 1996-07-25 |
Family
ID=7770435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19531388A Expired - Fee Related DE19531388C1 (de) | 1995-08-26 | 1995-08-26 | Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter Signale |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19531388C1 (de) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19549333A1 (de) * | 1995-09-23 | 1997-03-27 | Joerg Dr Arnold | Differentielles Entstörverfahren von digitalen Signalen |
WO1998041928A1 (de) * | 1997-03-19 | 1998-09-24 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten extraktion statistisch unabhängiger digitaler signale aus digitalen eingangssignalen |
WO2000025489A1 (de) * | 1998-10-27 | 2000-05-04 | Siemens Aktiengesellschaft | Signaltrennungsverfahren und -anordnung für nichtlineare mischungen unbekannter signale |
EP1018854A1 (de) * | 1999-01-05 | 2000-07-12 | Oticon A/S | Verfahren und Vorrichtung zur Verbesserung der Sprachverständlichkeit |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0565479A1 (de) * | 1992-04-10 | 1993-10-13 | Ramot University Authority For Applied Research & Industrial Development Ltd. | Vielkanalige Signaltrennung mit Kreuz-Polyspektren |
-
1995
- 1995-08-26 DE DE19531388A patent/DE19531388C1/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0565479A1 (de) * | 1992-04-10 | 1993-10-13 | Ramot University Authority For Applied Research & Industrial Development Ltd. | Vielkanalige Signaltrennung mit Kreuz-Polyspektren |
Non-Patent Citations (2)
Title |
---|
HAYKIN, Simon: Adaptive Filter Theory, 2nd ed., Englewood Cliffs, New Jersey, Prentice-Hall, Inc., 1991, S.722-756 ISBN 0-13-013236-5 * |
OPPENHEIM, Alan V., SCHAFER, Ronald W.: Discrete-Time Signal Processing, Englewood Cliffs, New Jersey, Prentice-Hall, Inc., 1989, S.768-825 ISBN 0-13-216771-9 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19549333A1 (de) * | 1995-09-23 | 1997-03-27 | Joerg Dr Arnold | Differentielles Entstörverfahren von digitalen Signalen |
WO1998041928A1 (de) * | 1997-03-19 | 1998-09-24 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten extraktion statistisch unabhängiger digitaler signale aus digitalen eingangssignalen |
WO2000025489A1 (de) * | 1998-10-27 | 2000-05-04 | Siemens Aktiengesellschaft | Signaltrennungsverfahren und -anordnung für nichtlineare mischungen unbekannter signale |
EP1018854A1 (de) * | 1999-01-05 | 2000-07-12 | Oticon A/S | Verfahren und Vorrichtung zur Verbesserung der Sprachverständlichkeit |
WO2000041441A1 (en) * | 1999-01-05 | 2000-07-13 | Oticon A/S | A method and a device for providing improved speech intelligibility |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69925905T2 (de) | Blinde trennung von quellen durch faltung mit hilfe eines vielfachdekorrelationsverfahrens | |
DE3339288C2 (de) | ||
DE3687677T2 (de) | Geraeuschkompensation in einer spracherkennungseinrichtung. | |
DE3306730C2 (de) | ||
DE69824230T2 (de) | Verarbeitungssystem einer verrauschten Bildsequenz und medizinisches Untersuchungsgerät mit einem solchen System | |
DE10234130B3 (de) | Vorrichtung und Verfahren zum Erzeugen einer komplexen Spektraldarstellung eines zeitdiskreten Signals | |
DE10236898A1 (de) | Videofiltern mit verbesserter Spur unter Verwendung von Wavelet-Entrauschungstechniken | |
EP0643289B1 (de) | Untersuchungsverfahren zur Auswertung ortsabhängiger Spektren | |
DE19531388C1 (de) | Signaltrennungsverfahren und -einrichtung für nichtlineare Mischungen unbekannter Signale | |
EP0700544B1 (de) | Verfahren und einrichtung zur raumfilterung | |
DE3504890A1 (de) | Verfahren und vorrichtung zur frequenzmessung durch zaehlung der anzahl von nulldurchgaengen | |
DE4123983C2 (de) | Iteratives Verfahren zur hochauflösenden Spektralanalyse und Extrapolation von Signalen | |
DE4105517C2 (de) | Verfahren und Vorrichtung zur verbesserten Wiedergabe von Konturen | |
DE2456245C2 (de) | Schaltungsanordnung für ein digitales Filter | |
WO2000025489A1 (de) | Signaltrennungsverfahren und -anordnung für nichtlineare mischungen unbekannter signale | |
DE2129421B2 (de) | Schaltungsanordnung zur Verbesserung des Signal/Rausch-Abstandes von Signalen, die von mehreren Antennen empfangen werden | |
DE3740066C1 (de) | Einrichtung zur Auffindung und Lokalisierung eines Bildausschnittes | |
DE19846453A1 (de) | Verfahren zur Unterdrückung des Rauschens in Signalen | |
EP0943130B1 (de) | Verfahren zur nichtstationären trennung von signalen unterschiedlicher quellen | |
DE4225401C1 (de) | Verfahren zum Bestimmen spektraler Anteile eines Signals und Vorrichtung zur Durchführung des Verfahrens | |
EP0387507B1 (de) | Einrichtung zur Umwandlung der Abtastraten von Digitalsignalen | |
DE3827696A1 (de) | Vorrichtung zum aufzeichnen der welligkeitskurve einer messdatenkurve | |
DE2159180B2 (de) | Verfahren und Vorrichtung zur Analyse einer Partikelprobe | |
DE3834871C1 (en) | Method for encoding speech | |
DE69027619T2 (de) | Fourier-Transformationsmethode mit Benutzung zahlentheoretischer Transformationen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of patent without earlier publication of application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8322 | Nonbinding interest in granting licences declared | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |