一种基于动态进化粒子群屏蔽EMD的混合信号分离方法与流程

本发明属于信号处理技术领域，具体涉及一种基于动态进化粒子群屏蔽emd的混合信号分离方法。

背景技术：

随着社会科学技术的发展，各种设备逐渐趋向构造集成化、功能多样化等等，这种趋势有利于设备在工业生产过程中降低能源损耗、提高生产效率和保障产品质量。设备是工业生产的核心，而且当前生产过程一般是流水线作业，如果设备发生故障，会对整个生产过程造成巨大影响。为了有效降低生产过程中不必要的损失，可以定期对设备进行检查及时发现问题对设备进行维修。利用设备声纹可以判断设备是否出现故障，此技术为检测设备故障提供了极大便利。但是，往往多台设备同时工作，难以直接利用设备声纹技术判断某台设备是否存在故障，为此，需要完成多台设备的混合声音信号分离。信号分离是指从观测到的多信源混合信号中分析出各原始信号过程，单通道盲源分离是盲源分离中的一种特殊情况，即用一个传感器对采集到的多路信号进行分离。现实生活中单通道盲源分离问题有很多，例如利用声音信息对设备进行异常检测时，使用一个信号接收器对生产环境中存在数台设备进行声音采集，对采集到的声音进行分离得到其中一台设备的声音；再如生物医学中的怀孕母亲的心电图信号，这个信号是由母亲和胎儿的心电图信号混合而成，若要检测胎儿的身体状况，要对心电图信号进行分离。

单通道盲源分离算法相对于传统盲源分离算法更具实际性，而且在数学领域上这个问题属于病态问题是一项极具挑战性的研究内容。当前，单通道盲源分离算法已经有初步的研究成果，如利用设计最优滤波器的方法，但是在实际场景中，单一滤波器可能无法解决问题；利用短时傅里叶变换得到的频谱进行独立成分分析(ica，independentcomponentanalysis)，得到不同的信号幅值包络，通过对幅值包络对源信号进行预测；利用空时法，将单路混合信号延时处理得到虚拟多路信号，再利用一般的ica处理，但此法对母婴心电这种频谱有重叠的单路混合信号，并不能有效分离开；通过对信号进行小波分解，对得到的小波基分量进行ica处理，将此方法应用到机械故障诊断中；利用经验模态分解(emd，empiricalmodedecomposition)将单路混合信号分解为多个本征模态函数imfs，将imfs分量进行ica分离恢复，此法相对于空时法、小波分解法等分离效果明显提高，对于频谱有重叠信号也能够较好分离恢复，但在实际实验中发现，当直接用ica处理imfs分量时，经常遇见算法迭代次数过高、收敛速度慢等问题。经验模态分解相比于许多其他许多盲源分离算法，有着能准确分离源信号的优点，但是由于其存在着模态混叠和端点效应等问题，使得经验模态分解在解决信号分离问题上有一定的局限性。因此研究一种新的经验模态分解方法具有一定的必要性。

当前学术界解决经验模态分解的模态混叠问题已有一定的进展，主要方法有：一、改变emd分解的筛选过程，但此方法需要先验知识和人为参与控制，在实际应用中受限；二、在混合信号emd分解之前，加入屏蔽信号，利用信号间的相互作用完成信号分离，例如，一种提高emd中的频域分辨率的方法，首先提高屏蔽信号频率，然后通过emd分解过程对低频信号的抽取属性，尽可能地限制当前imf信号的带宽，从而提高emd的频域分辨率，解决模态混叠问题。但是该方法适用于低频信号，当混合信号频率增加时，该方法性能会下降。一种协同混沌粒子群优化方法与经验模态算法结合的方法，通过协同混沌粒子群优化对屏蔽信号构建参数寻优，提高模态分解的准确度，有效提高了电力谐波辨识中对多模态信号提取的准确性和鲁棒性，并且谐波幅值误差有了明显的改善。但是由于混沌粒子群算法需要生成混沌向量，然后对混沌向量进一步操作，其算法计算量和复杂度都有一定程度的增加。

技术实现要素：

为解决现有技术的上述问题，本发明提供一种基于动态进化粒子群屏蔽emd的混合信号分离方法，通过将粒子群引入屏蔽经验模态分解，利用粒子群算法寻找最优屏蔽信号的幅值和频率，以最小化分离信号的四阶累积量为目标，能够实现快速和准确的寻找最优屏蔽信号参数，有效解决了emd中的模态混叠问题，对混合信号实现准确的分离。

本发明采用的技术方案是：一种基于动态进化粒子群屏蔽emd的混合信号分离方法，所述方法步骤如下：

s1，利用无线测量仪器对数台设备的声音进行采集，设s(t)为时刻t的单通道混合信号，混合信号s(t)中混合了数台设备的声音以及噪声，利用小波降噪方法处理混合信号s(t)，从而减少混合信号s(t)中的噪声成分，得到t时刻的单通道混合信号s(t)。

s2，利用emd方法对混合信号s(t)进行分解，得到imf信号，利用imf信号初始化屏蔽信号的幅值a和频率。首先对混合信号s(t)进行emd分解，通过筛选过程对信号与包络线处理得到各本征模态imfi(t)、瞬时幅值和瞬时频率其中i＝1,2,3ld，i表示本征模态序号，d表示本征模态总数，然后利用公式和估计初始屏蔽信号e(t)的幅值ar和频率fr，其中表示信号第一个本征模态的瞬时幅值，表示信号的第一个本征模态的瞬时频率，最后利用幅值ar和频率fr构造初始屏蔽信号e(t)，其表达式为e(t)＝arsin(2πfrt)。

s3，通过基于动态进化粒子群屏蔽emd的混合信号分离方法，对初始屏蔽信号的幅值a和频率f进行优化，利用优化后的幅值a和频率f构造屏蔽信号，并对混合信号s(t)进行分离。

s4，计算信号的四阶累积量，分析信号分离效果。

进一步的，所述步骤s3对粒子群算法进行了改进，利用动态进化机制对每代粒子进行选择，选出优势粒子和劣势粒子，删掉劣势粒子并根据优势粒子的参数范围确定新的可行解空间范围，在此可行解空间范围内生成对应数量的新粒子，将新粒子和优势粒子混合构成下一代粒子群。

进一步的，所述步骤s3对利用动态进化机制对每代粒子进行选择的方法为：

s3.1，根据初始屏蔽信号的幅值ar和频率fr生成粒子群的初始化可行解空间，其中幅值的可行解空间范围为ra，频率的可行解空间范围为rf，在范围ra和范围rf中按均匀分布生成n个随机数组lj(aj,fj)，这些随机数组即粒子，其中j＝1,2,3ln，j表示粒子序号，n表示粒子总数，aj表示第j个粒子的幅值，fj表示第j个粒子的频率。

s3.2，根据粒子lj(aj,fj)的幅值aj和频率fj构造屏蔽信号ej(t)，ej(t)＝ajsin(2πfjt)，并将屏蔽信号ej(t)加到混合信号s(t)中，构造新的混合信号yj(t)，yj(t)＝s(t) ej(t)，由于屏蔽信号有n个，故含屏蔽信号的混合信号yj(t)也有n个。

s3.3，利用emd方法对n个含屏蔽信号的混合信号yj(t)进行分解，得到n组本征模态imfi(t)，利用pca和fastica方法依次对n组本征模态imfi(t)进行处理，得到n组分离信号xp(t)，其中p＝1,2,3lm，p表示分离信号序号，m表示分离信号总数，然后计算xp(t)的四阶统计量，四阶累积量表达式是其中m4表示信号的四阶矩，m2表示信号的二阶矩，将作为粒子适应度的计算公式，计算粒子适应度。设定算法终止条件为fit(x)≤ε或迭代次数达到100次，如果满足该终止条件，则输出分离信号；如果不满足，则依次进行步骤s3.4、s3.5、s3.2、s3.3，直到满足终止条件。

s3.4，按粒子适应值的大小对n个粒子进行排序，定义排名前70％的粒子为优势粒子，排名后30％的粒子为劣势粒子。通过找到优势粒子中适应值最小的粒子l(amin,fmin)和最大的粒子l(amax,fmax)，重新确定可行解空间r'a＝[amin,amax]，r'f＝[fmin,fmax]。删掉这代粒子中的劣势粒子，并且按照新的幅值可行解空间r'a和频率可行解空间r'f中按均匀分布生成0.3×n个随机数组l(a,f)，并将新生成的粒子和这代优势粒子混合构成下一代粒子。

s3.5，利用粒子群速度更新公式计算下一代粒子速度，其中，w为惯性权重，c1为每个粒子的个体学习因子，c2为每个粒子的社会学习因子，c1、c2为[0,4]区间内的常数，r1、r2为[0,1]区间内的随机数，表示第k次迭代时全局最优粒子的位置，表示第k次迭代时个体最优粒子的位置，利用粒子群位置更新公式计算下一代粒子位置。

本发明的有益效果是：与现有技术相比，本发明提出了一种基于动态进化的粒子群算法，并将这种粒子群算法和屏蔽经验模态分解进行有效的结合，通过将需要寻找的屏蔽信号幅值参数和频率参数设为粒子，利用粒子群算法在可行解空间中搜寻最优幅值和频率；动态进化机制能够有效缩小粒子搜索范围、加快粒子搜索速度，并且相较于普通粒子群能寻找到更优的结果；利用寻找到的幅值和频率参数构建屏蔽信号，将屏蔽信号引入屏蔽经验模态分解中，能有效地解决经验模态分解中的模态混叠问题，能够实现快速和准确的寻找最优屏蔽信号参数，实现更好地信号分离效果。本发明的方法可应用于盲源分离，如混合声音信号分离、混合震动信号分离、谐波分解等。

附图说明

图1为本发明的算法流程图；

图2为本发明实施例电厂声音数据波形图；

图3为本发明实施例电厂声音数据分离效果图；

图4为本发明附加3路单音信号及混合信号波形图；

图5为本发明附加基于动态进化粒子群屏蔽emd处理单音混合信号效果图；

图6为本发明附加屏蔽emd算法处理单音混合信号效果图；

图7为本发明附加基于动态进化粒子群算法和粒子群算法性能对比图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的实施例：

一种基于动态进化粒子群屏蔽emd的混合信号分离方法，如图1所示，包括以下步骤：

s1，利用无线测量仪器对三台设备的声音进行混合信号采集，设s(t)为时刻t的单通道混合信号，混合信号s(t)中混合了三台设备的声音以及噪声，利用小波降噪处理混合信号s(t)，从而减少混合信号s(t)中的噪声成分，得到t时刻的单通道混合信号s(t)。

s2，利用emd方法对混合信号s(t)进行分解，得到imf信号，利用imf信号初始化屏蔽信号的幅值a和频率f。首先对混合信号s(t)进行emd分解，通过筛选过程对信号与包络线处理得到各本征模态imfi(t)、瞬时幅值和瞬时频率其中i＝1,2,3ld，i表示本征模态序号，d表示本征模态总数，然后利用公式和估计初始屏蔽信号e(t)的幅值ar和频率fr，其中表示信号第一个本征模态的瞬时幅值，表示信号的第一个本征模态的瞬时频率，最后利用幅值ar和频率fr构造初始屏蔽信号e(t)，其表达式为e(t)＝arsin(2πfrt)。

s3，通过基于动态进化粒子群屏蔽经验模态分解的混合信号分离方法，对初始屏蔽信号的幅值a和频率f进行优化，利用优化后的幅值a和频率f构造屏蔽信号，并对混合信号s(t)进行分离。

所述步骤s3对粒子群算法进行了改进，利用动态进化机制对每代粒子进行选择，选出优势粒子和劣势粒子，删掉劣势粒子并根据优势粒子的参数范围确定新的可行解空间范围，在此可行解空间范围内生成对应数量的新粒子，将新粒子和优势粒子混合构成下一代粒子群。

所述步骤s3对利用动态进化机制对每代粒子进行选择的方法为：

s3.1，进行粒子初始化。根据初始屏蔽信号的幅值ar和频率fr生成粒子群的初始化可行解空间，其中幅值可行解空间范围为ra＝[ar-10,ar 10]，频率可行解空间范围为rf＝[fr-100,fr 100]，在范围ra和范围rf中按均匀分布生成n个随机数组lj(aj,fj)，这些随机数组即粒子，其中j＝1,2,3ln，j表示粒子序号，n表示粒子总数，aj表示第j个粒子的幅值，fj表示第j个粒子的频率。

s3.2，构建屏蔽信号，将混合信号与屏蔽信号叠加。根据粒子lj(aj,fj)的幅值aj和频率fj构造屏蔽信号ej(t)，ej(t)＝ajsin(2πfjt)，并将屏蔽信号ej(t)加到混合信号s(t)中，构造新的混合信号yj(t)，yj(t)＝s(t) ej(t)，由于屏蔽信号有n个，故含屏蔽信号的混合信号yj(t)也有n个。

s3.3，屏蔽经验模态分解，对本征模态主成分和混合信号独立成分进行分析，设定满足算法终止条件。通过利用屏蔽经验模态分解方法对n个含屏蔽信号的混合信号yj(t)进行分解，得到n组本征模态imfi(t)，利用pca和fastica方法依次对n组本征模态imfi(t)进行处理，得到n组分离信号xp(t)，其中p＝1,2,3lm，p表示分离信号序号，m表示分离信号总数，然后计算xp(t)的四阶统计量，四阶累积量表达式是其中m4表示信号的四阶矩，m2表示信号的二阶矩，将作为粒子适应度的计算公式，计算粒子适应度。设定满足算法终止条件为或迭代次数达到100次，如果满足该终止条件，则输出分离信号；如果不满足，则依次进行步骤s3.4、s3.5、s3.2、s3.3，直到满足终止条件。

s3.4，粒子适应能力排序，劣势粒子淘汰，优势粒子保留，确定可行解空间。通过粒子适应值的大小对n个粒子从小到大排序，定义排名前70％的粒子为优势粒子，排名后30％的粒子为劣势粒子。利用优势粒子中适应值最小的粒子l(amin,fmin)和最大的粒子l(amax,fmax)，重新确定可行解空间r'a＝[amin,amax]，r'f＝[fmin,fmax]。删掉这代粒子中的劣势粒子，并且按照新的幅值可行解空间ra和频率可行解空间r'f中按均匀分布生成0.3×n个随机数组l(a,f)，并将新生成的粒子和这代优势粒子混合构成下一代粒子。

s3.5，对粒子位置和速度的更新。通过利用粒子群速度更新公式计算下一代粒子速度，其中，w为惯性权重，c1为每个粒子的个体学习因子，c2为每个粒子的社会学习因子，c1、c2为[0,4]区间内的常数，r1、r2为[0,1]区间内的随机数，表示第k次迭代时全局最优粒子的位置，表示第k次迭代时个体最优粒子的位置，利用粒子群位置更新公式计算下一代粒子位置；

s4，计算信号的四阶累积量，分析信号分离效果。

为了验证本发明的效果，对实测电厂声音数据进行了仿真实验：

仿真条件：仿真平台使用matlab。

实验一：

仿真实验一数据来源于某电厂实测到的声音数据，该数据是使用一台手持录音设备对电厂内三台机械设备同时工作时产生的声音进行采集得到的，录音总时长约15min，考虑到机器的工作周期，从数据中截取约2s声音数据作为实验处理数据，利用基于动态进化粒子群优化屏蔽emd方法对该数据进行分离。在仿真实验中，本发明实施例和对比算法采用相同pca和fastica程序，实施例的经验模态分解函数使用本专利提出的基于动态进化粒子群优化屏蔽emd算法，算法参数包括n＝50，iterations＝50，c1,c2＝1.5，w＝0.9，其中n表示粒子群粒子个数，iteration表示最大迭代次数，c1,c2均表示加速度常数，w表示惯性权重，对比算法采用一般的屏蔽经验模态分解算法。

实验二：

为了更有效的表达算法效果，仿真实验二采用3路单音信号构成混合信号验证算法效果，图4为三路单音信号及混合信号波形图，混合信号不仅含单音信号，也包含高斯白噪声，3路单音信号频率分别为50hz，100hz，150hz，它们的功率相同，算法参数设置与仿真实验一相同。

仿真结果：

仿真实验一的仿真效果如图3所示。图2是利用基于动态进化粒子群屏蔽emd的混合信号分离方法对混合声音进行分解得到的分离声音波形图，可见三路源信号各有不同的特征。仿真实验二的处理效果能更有效地体现算法效果，图5为基于动态进化粒子群优化经验模态分解处理单音混合信号效果图，图6为屏蔽经验模态分解算法处理单音混合信号效果图，从图5和图6的对比中可以看出，基于动态进化粒子群优化经验模态分解处理单音混合信号相比于屏蔽经验模态分解算法处理单音混合信号能更有效地解决经验模态分解中的模态混叠问题。图7为基于动态进化的粒子群算法和粒子群算法对比图，从图中可以看出，基于动态进化的粒子群算法在收敛速度和寻找最优解的能力上都要优于粒子群算法。

以上虽然结合实施例对本发明作了详细的说明，但是所述技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，在权利要求保护范围内，还可以对上述实施例进行变更或改变等。