一种基于解耦卷积神经网络的含噪水声信号盲源分离方法

1.盲源分离本发明属于信号处理领域，具体地说，涉及一种基于一维卷积神经网络的无噪盲源分离混合矩阵估计方法。


背景技术：

2.盲源分离(blind source separation, bss)的目的是在混合系统和源信号等先验知识均未知的情况下，从观测信号中估计出源信号。因为盲源分离更加符合人们生活的实际情况，所以盲源分离技术在许多领域具有重要应用，如图像处理领域，语音信号处理领域，医学领域。
3.近年来，随着深度神经网络(deep neural network, dnn)的发展，学者们也将dnn应用于语音混合信号的分离来提高信号的分离性能。dnn是深度学习的一个成功实例，而且dnn的学习能力和泛化能力都很强。现有技术中，将dnn应用到信号分离中，利用dnn来进行特征学习，将分离问题转化为二进制分类问题来估计理想二进制掩模。深度学习算法在信号分离问题中已经有了广泛的应用，例如深度聚类，深度吸引子网络等；或固定波束形成器对观测信号进行预处理，提取了观测信号的幅度调制谱、相对谱变换和感知线性预测和梅尔频率倒谱系数作为频谱特征；然后从时频单元中提取互相关函数和耳间水平差特征作为空间特征，耳间水平差是声源发出声音到达两耳时间的轻微不对称性，即信号在两耳之间的水平差异；频谱特征和空间特征被组合以形成最终的输入特征，最后利用输入特征来训练dnn以得到估计的理想比例掩模(ideal ratio mask, irm)，该irm能更好的分离出语音信号。目前也有先从输入信号中提取频谱特征和空间特征，用频谱特征训练dnn得到初始掩模；再采用期望最大化算法对空间特征进行聚类，初始掩模被用作每个聚类的时频相关混合权重，每个聚类的合成后验被确定为集成掩模；最后，基于估计的掩模形成最小方差无失真响应波束形成器并将其应用于带噪的语音。
4.综上所述，国内外学者们在利用深度学习解决信号分离问题时，大多数都是采取有监督的分离算法。


技术实现要素：

5.本发明的目的是提出一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，以解决现有技术中信号盲源分离准确度低的问题。
6.为实现上述发明目的，本发明采用下述技术方案予以实现：一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，包括以下步骤：s1：接收观测信号，利用卷积神经网络的一维卷积层自动提取观测信号的特征；s2：基于s1提取的特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离信号；s3：基于s1提取的特征生成缩放系数，对所述初步分离信号进行缩放得到最终的分离信号。
7.进一步的，所述s1具体如下：s1-1：建立信号接收模型：假设水声通信系统模型采用多发多收模式，发送目标信号为，，接收阵元个数为m，其中，则接收端收到的信号为：其中，h表示信道参数，也是混合矩阵，表示源信号, 表示接收信号, ，表示转置。
8.s1-2：对接收信号进行预处理。
9.s1-3：利用卷积神经网络的一维卷积层自动提取观测信号的特征。
10.进一步的，所述s2具体如下：s2-1：基于s1提取的特征生成分离矩阵，即利用已知的源信号与观测信号，基于深度学习得到观测信号与分离矩阵的函数关系：将分离矩阵w视为一种函数，接收观测信号的特征输出混合矩阵，如下式为了求解函数，利用神经网络的数学理论中的通用近似定理——即神经网络具有近似任意函数的能力，设计近似的神经网络，如下式的神经网络，如下式时，w为最理想的分离矩阵。
11.s2-2：利用生成的分离矩阵初步分离接收信号：其中，z’为初步分离信号。
12.进一步的，所述s3具体如下：s3-1：基于s1提取的特征生成缩放系数：利用信号特征生成缩放系数c：其中为利用神经网络估计的关于求解缩放系数c的函数；s3-2：利用缩放系数对初步分离信号进行缩放得到最终的分离信号：对初步分离信源信号z’进行缩放得到估计的源信号：
其中是对源信号s的估计，z为分离信号，c为缩放系数。
13.本发明的优点和技术效果如下：本发明根据神经网络的特性，首先利用该网络的一维卷积层自动提取观测信号的特征，基于该特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离接收信号；随后基于一维卷积层自动提取的观测信号特征生成缩放系数，对初步分离信号进行缩放得到最终的分离信号，设置代价函数为源信号与分离信号的均方误差，得到与源信号均方误差较小的精确的分离信号。本发明能准确估计源信号，提高信号接收质量。
14.本发明保证了目标源信号的可靠性，最终实现高准确率的信号盲源分离，得到与源信号均方误差较小的分离信号。
附图说明
15.图1是本发明的一种实施例的信号分离模型图；图2是本发明的一种实施例的信号预处理的实例图；图3是本发明的一种实施例的神经网络的特征提取具体过程示意图；图4是本发明的一种实施例的神经网络的实验过程图；图5是本发明的一种实施例的神经网络的实验过程图中的信号的截取及选取内部结构示意图；图6是本发明的一种实施例的信号波形图：其中（a）是四种源信号的波形图，（b）是接收端的波形图，（c）是接收端截取部分的波形图；图7是本发明的一种实施例的接收信号snr随接收距离的变化图；图8是本发明的一种实施例的信号mse随snr的变换图：其中(a)是不同算法分离独立信号mse随snr的变换图，(b)是不同算法分离相关信号mse随snr的变换图。
具体实施方式
16.为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
17.实施例1：在无噪盲源分离过程中，分离矩阵通常是假定源信号的一些特性（例如信号的独立性、稀疏性等）后，基于此特性设定目标函数从而求得的，这样得到的分离矩阵具有一定的局限性，为了突破这种局限性，提高分离矩阵求法的普适性，本发明基于接收信号利用卷积神经网络确定源信号与分离矩阵的函数关系，从而实现能够利用卷积神经网络自适应提取源信号特征，根据特征估计分离矩阵。
18.目前基于优化算法的信号盲源分离技术具有较好的信号分离性能，其主要步骤为：首先使用优化算法得到一个分离矩阵，用分离矩阵乘以接收信号得到分离信号。但优化算法需要通过假定源信号的特性来设置一个目标函数。如何利用更具有普适性的目标函数来确定源信号与分离矩阵之间存在的函数关系，是本实施例所要解决的技术问题。
19.本实施例提出了一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，包括以下步骤：
s1：接收观测信号，利用卷积神经网络的一维卷积层自动提取观测信号的特征,具体步骤如下：s1-1：建立信号接收模型：采用的通信信号分离模型如图1所示，该模型做如下假设：（1）源信号数目和接收器个数均为p。为源信号，为混合信号，表示分离信号，共有p个源信号， h表示混合矩阵，w表示分离矩阵。观测信号x为：其中，
ꢀꢀ
表示实数集。输出信号z为：其中，w是分离矩阵，。分离信号z与源信号s之间的关系为：因此，g为w和h的级联，均用表示无噪条件下源信号s在级联矩阵g下的映射。
20.s1-2：对接收信号x(t)进行预处理：采用归一化算法将信号数据按照一定比例放缩，使信号数据映射到[0,1]区间。归一化算法为：其中，x为原始信号，信号长度为10000，x’为归一化后的信号，max与min分别为原始信号的最大值与最小值。随后，将三路10000长度的信号数据作为神经网络模型的输入。基于此，本实施例将2维信号数据转换成尺寸为3*10000*1的三维数据，预处理过程如图2所示。
[0021]
s1-3：利用卷积神经网络的一维卷积层自动提取观测信号的特征f
x
， 特征提取过程包含两个卷积层，如图3所示。第一个卷积层的卷积过程为其中，是第1个卷积层第个信号的计算结果，是第1个卷积层的输入，在这里是第1个卷积层第个信号的权重矩阵，是第1个卷积层第个信号的阈值，*是卷积操作，卷积核尺寸为1*5000，为激活函数。随后，各输出特征图拼接起来作为第二个convolution layer的输入，第二个卷积层的具体过程为。
[0022]
其中，是第2个卷积层第个信号的计算结果，是第2个卷积层的输入，在这里是第2个卷积层第个信号的权重矩阵，是第2个卷积层第个信号的阈值，*是卷积操作，为激活函数，两个卷积层均选择函数作为激活函数。卷积核尺寸为1*4000，函数的定义如下。
[0023]
其中，为取值范围为（0,1）的小数。
[0024]
s2：基于s1提取的特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离接收信号,具体步骤如下：s2-1：基于提取的特征生成分离矩阵，成分离矩阵过程包含1个卷积层，卷积过程为：其中，是卷积层的计算结果，是卷积层的输入，在这里是卷积层的权重矩阵，是卷积层的阈值，是卷积操作，卷积核尺寸为1*1000，为激活函数，选择函数作为激活函数。当时，w为最理想的分离矩阵。
[0025]
s2-2：利用生成的分离矩阵初步分离接收信号：其中，z’为初步分离信号。
[0026]
s3：基于s1提取的特征生成缩放系数，对初步分离信号进行缩放得到最终的分离信号,具体步骤如下：s3-1：基于s1提取的特征生成缩放系数：利用特征f
x
训练神经网络，包含2个卷积层，第1个卷积层的卷积过程为：其中，是第1个卷积层第i个信号的计算结果，是第1个卷积层第i个信号的输入，在这里是第1个卷积层第i个信号的权重矩阵，是第1个卷积层第i个信号的阈值，*是卷积操作，卷积核尺寸为1*100。随后，将第一个卷积层的输出作为第二个卷积层的输入，第二个卷积层的具体过程为：
其中，是第2个卷积层的计算结果，是第2个卷积层的输入，在这里是第2个卷积层的权重矩阵，是第2个卷积层的阈值，*是卷积操作，卷积核尺寸为3*901，两个卷积层均选择函数作为激活函数。
[0027]
s3-2：利用缩放系数对初步分离信号进行缩放得到最终的分离信号：对初步分离信源信号进行缩放得到最终的源信号s：其中是对源信号s的估计，z为分离信号，c为缩放系数。
[0028]
基于上述方法，本实施例所实际应用的神经网络和环境参数如下：本实施例使用小批量梯度下降法训练神经网络，该方法将训练集平均划分为多组数据，神经网络每次迭代学习一组数据。同时，选择均方误差（mean square error, mse）作为神经网络的损失函数：其中，n为输出层神经元个数。为输出层第i个神经元输出的第j个信号的预测值，为输出层第i个神经元对应的第j个信号的真实值，损失函数的损失值越小则预测值与真实值越接近。
[0029]
训练过程中，神经网络由损失函数的损失值计算神经网络梯度，并根据网络梯度更新权值参数。使用adam(adaptive moment estimation)优化器调整神经网络梯度，利用调整后的神经网络梯度更新神经网络权值。adam优化器结合一阶动量与二阶动量算法修正偏差，调整神经网络梯度。
[0030]
一阶动量：：为t时刻计算出的梯度，是t时刻的一阶动量。一阶动量是各个时刻梯度方向的指数移动平均值，约等于最近个时刻的梯度向量和的平均值。
[0031]
二阶动量：：为t时刻计算出的梯度，为t时刻的二阶动量。二阶动量反应了一段时间内的梯度变化。
[0032]
其中，的经验值为0.9，的经验值为0.999。与的初始值均为0，因此，
在神经网络训练初期、的值会接近于0。基于此，adam优化器对、修正偏差来解决这个问题。修正偏差公式如下：解决这个问题。修正偏差公式如下：与是修正后的一阶动量与二阶动量，由此得出adam优化器更新神经网络权值的梯度公式，神经网络的权值更新公式为神经网络的权值更新公式为为t时刻的神经网络权值，为神经网络学习率，合适的学习率能使神经网络更快的收敛。随着每次训练，神经网络按照权值更新公式更新权值，实现学习数据并准确分离信号的效果。
[0033]
本实施例基于matlab，使用四组源信号作为发送端信号，每组源信号中含三个发射信号，利用bellhop模拟水声通信环境，仿真采用三个接收器来接收混合信号，使用小波软阈值方法在对接收信号进行简单地去噪之后，基于python和pycharm搭建d-cnn并对其训练并测试。具体的仿真过程如图4所示（以单个环境为例），使用matlab生成的信号数据集训练、测试模型的准确性及鲁棒性。其中，w表示分离矩阵，，w是特征f
x
的函数，在更新w时，其实是调整函数f中的参数，找到分离矩阵w与接收信号特征f
x
之间的关系，y表示分离信号，x表示接收信号，即mix1_train，mix2_train，mix3_train，mix4_train，信号的截取及选取的内部结构如图5所示。采用的代价函数为源信号s与分离信号y之间的均方误差mse，不断训练神经网络模型使得mse的值最小，当训练次数或者mse达到设定要求时，d-cnn模型训练结束，训练完成的模型能够利用接收信号的特征f
x
计算出分离矩阵w及缩放系数c，根据分离矩阵w及缩放系数c恢复源信号。然后使用测试集信号mix_test对神经网络模型进行测试。
[0034]
利用bellhop仿真三个通信环境，每种发射信号均通过一个通信环境生成一个神经网络模型，三个环境共有三个神经网络通信模型。三种环境的参数设置如下表所示。
[0035]
表1 环境参数设置
其中海水的横波吸收特性，采用thorp公式计算：其中为工作频率，单位为khz，为吸收因子，单位为，这里的横波吸收系数即为，表示单位波长的衰减分贝数，因此可以表示为这里为横波吸收系数，单位，c为声速，单位m/s，为工作频率，单位为hz，因此需要单位转换。
[0036]
海面粗糙度与风力等级有关，如表2所见。
[0037]
表2 常见的海面粗糙度参数
风级0123456789101112名称无风轻风轻风微风和风清劲风强风疾风大风烈风狂风暴风飓风浪高（m）00.10.20.612345.57911.514（或以上）
实验采用四种调制方式，分别为2ask、2fsk、2psk、lfm，每个信号10000采样点，采样率为20000。其中lfm信号中心频率为100hz，bpsk信号和2ask信号的频率均为100hz，2fsk信号的频率为100hz和500hz，bpsk信号、2ask信号和2fsk信号每个信号发射10个二进制码
元，码元传输速率为10bit/s。四种调制方式的信号如图6的（a）所示，使用140w的功率发射。四种调制方式的信号经过bellhop仿真的水声信道得到的信号波形如图6的（b）所示（以通信距离200m为例）。使用bellhop仿真时，由于在信号发射时刻起接收器开始，工作前段时间接收信号为噪声，不含发射信号，所以截取后面一段对其后续操作，截取信号的长度为10000点，其波形如图6的（c）所示。
[0038]
对信号截取之后选取三个信号进行混合操作，即乘以一个随机生成的维度为的混合矩阵得到接收端的混合信号。
[0039]
以下是具体实验设置和实验结果分析：a、数据集及实验过程1.数据集划分独立信号数据集划分：每个环境设置50个数据集，由于仿真假设使用三个接收器接收信号，所以每个数据集由三路源信号混合而成，每一路源信号的调制方式随机选取（假设一共有四种调制方式），发射符号随机产生，每个数据集的混合信号都是经过简单的小波软阈值去噪之后的信号。将数据集划分为训练集和测试集，划分比例为7：3.相关信号数据集划分：每个环境生成50个相关信号数据集，将其按照7：3的比例划分为训练集和测试集。
[0040]
2. 实验设计根据表1设置environment1的参数，其他参数不变，只设置声源与接收端距离从200m依次增加200m直到2000m，记录snr随距离变化绘制曲线。计算独立信号的训练集和测试集在d-cnn上运行时的损失函数（mse）随snr的变化曲线，将d-cnn算法的测试集输出损失函数mse与bca算法、brbca算法、abss算法、neural fca算法等几种独立信号分离算法对比；计算相关信号的训练集和测试集在d-cnn上运行时的损失函数（mse）随snr的变化曲线，将d-cnn算法的测试集输出损失函数mse与bca算法、brbca算法、neural fca算法等几种相关信号分离算法对比。然后根据表1设置三个环境的参数，每个环境通信距离均为1000m，测试d-cnn在不同环境下的有效性和鲁棒性，并与其他算法做对比。
[0041]
b、仿真结果及分析表3独立信号分离仿真结果随通信距离变化
从表3中可以看出，随着通信距离增大，接收信号的噪声增大，从而导致接收信号的snr减小，在通信距离为200m时，接收信号的信噪比为11.31db，当通信距离增大到2km时，接收信号的信噪比非常低，为-11.45db，将表4的仿真结果绘制为图像形式，呈现效果更直观，如图7所示，接收信号的snr随通信距离的增大呈下降趋势，且距离越大，下降趋势越慢。在所有算法中，当信噪比较高时，大约在22db以上，neural fca算法效果最好，得到的分离信号mse最低，当信噪比减小到低于22db时，d-cnn算法的效果最好，得到的分离信号mse最低。
[0042]
从表4中可以看出，随着信噪比的升高，所有算法的分离信号mse随着信噪比增大呈现下降趋势。图8中（a）可以更直观地看出，在相同的通信距离，d-cnn算法训练集（train loss）在独立信号上实验的损失函数始终小于测试集（test loss）的损失函数，在snr小于20db时，d-cnn算法的测试集损失函数最小，snr大于20db时， neural fca算法的分离信号mse最小，两个算法效果均比较理想，都是引入了神经网络的原因，但是neural fca算法更加适用于高信噪比的情况，在低信噪比时呈现效果较差，而d-cnn算法在低信噪比下依旧呈现较好效果；abss算法在snr小0db时，与bca算法和brbca算法效果差不多，但是当snr比较高，大于20db时，其分离效果较好，得到的分离信号mse低于bca算法和brbca算法，这是由于abss算法使用的接收器个数大于源信号个数。
[0043]
表4相关信号分离仿真结果随通信距离变化
随着信噪比的升高，所有算法的分离信号mse随着信噪比增大呈现下降趋势。图8中（b）可以更直观地看出，在相同的通信距离，d-cnn算法训练集在相关信号上实验的损失函数始终小于测试集的损失函数，但是测试集的损失函数相比于其他算法基本是最小的；在snr小于25db时，d-cnn算法的测试集损失函数最小，snr大于25db时， neural fca算法的分离信号mse与d-cnn算法的mse持平，两个算法效果均比较理想，都是引入了神经网络的原因，但是neural fca算法更加适用于高信噪比的情况，在低信噪比时呈现效果较差，而d-cnn算法在低信噪比下依旧呈现较好效果。
[0044]
表5独立信号在不同环境中的仿真结果
从表5中可以看出，在三个环境下，由于d-cnn算法和neural fca算法均用到了神经网络，d-cnn算法的分离性能最好，其次是neural fca算法， bca和brbca以及abss算法在低信噪比下呈现的效果较差。
[0045]
表6相关信号在不同环境中的仿真结果从表6中可以看出，在三个环境下，由于d-cnn算法和neural fca算法均用到了神经网络，d-cnn算法的分离性能最好，其次是neural fca算法，bca和brbca算法在低信噪比下呈现的效果较差。
[0046]
上述实施例证明了，本发明保证了低信噪比下目标源信号的可靠性，最终实现高准确率的信号盲源分离，得到与源信号均方误差较小的分离信号。
[0047]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。