基于快速EEMD单通道混合信号分离算法的研究-论文.pdf

《基于快速EEMD单通道混合信号分离算法的研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第23卷第l4期电子设计工程2015年7月V01．23No．14ElectronicDesianEngJu1．2015基于快速EEMD单通道混合信号分离算法的研究曾现巍，许凌云，江晓波(1．南京电讯技术研究所江苏南京210007；2．南京航空航天大学江苏南京210016)摘要：单通道盲源分离是一种特殊的欠定盲源分’离情况，常规的盲源分离算法不再适用。本文针对此问题提出通过快速经验模态分解(EEMD)将由多路信号混合成的单通道信号分解为多路本征模态函数，采用主成分分析估计源信号的个数．利用快速独立成分分析恢复出相互独立的多路源信号。并对单通道语音混合信

2、号进行了仿真，与经验模态分解和小波变换算法进行了比较，速度快且分离效果较好，仿真结果验证了算法的有效性。关键词：单通道；盲源分离；快速总体经验模态分解；主成分分析中圈分类号：911．7文献标识码：A文章编号：1674-6236(2015)14—0020—03ThestudyofsinglechannelblindseparationbasedonfastEEMDZENGXian-wei，XULingyun，JIANGXiao-bo(1．NanjingTelecommunicationTechnologyInstitute，Nanjing210007，

3、China；2．NanjingUnwe~ofAeronauticsandAstronautics，Nanjing210016，China)Abstract：Singlechannelblindseparationisaspecialkindofunderdeterminedblindsourceseparation．Conventionalblindsourceseparationalgorithmisnolongerapplicable．Weproposethatthefastensembleempiricalmodedecompositionis

4、usedtOdecomposethesinglechannelsignalwhichisthemixtureofmulti-channelsignalsintomulti-channelintrinsicmodefunctions(IMFs)．ThentheprincipalcomponentanalysisisappliedtOestimatethenumberofsourcesignals．Andthefastindependentcomponentanalysisisusedtorestorethemutualindependentmultip

5、lesourcesignals．Finallythesimulationisconductedonvoicemixedsignal，thesimulationresultsindicatetheproposedalgorithmhasquickspeedwithgoodseparationefectthanEEMD-ICAandwaveletdecomposition—ICAalgorithm．Keywords：singlechannel；blindsourceseparation；fastensembleempiricalmodedecomposi

6、tion；principalcomponentanalysis盲源信号分离是目前研究的热点．当只有一路观测信号态分解研究的不断深入，EMD方法的缺陷也逐渐地被发现。时。盲源分离问题就成了由一路接收信号恢复多路源信号的其中一个主要的缺陷就是模式混叠的频繁出现。为了解决模欠定盲分离问题中的一个极端情形．研究者们将这种问题称式混叠问题，黄鄂等人于2009年提出了经验模态分解的改为单通道盲源分离问题。单通道盲源分离在数学上是一个极进算法——总体经验模态分解(EEMD)t~。而总体经验模态分端病态的问题。但由于现实生活中单路传感器的情形是极其解也存在一个问题，

7、算法复杂度高，运行速度较慢，难以满足普遍的现象。相应地它具有极其诱人的应用前景。目前变换实时性要求。本文提出了一种快速EEMD的单通道信号分离域滤波与传统的ICMBSS方法相结合，如奇异谱分析法【l1、短算法，加入了主成分分析，改善了大部分过程需要凭经验选时傅里叶变换法闭、小波变换法[31以及经验模态分解法[41等技取有用信号进行重构过程。并通过对单通道混合语音信号的术为单通道情况下信号的分离提供了有效途径。例如文献【51仿真。验证了算法的有效性。提出了基于经验模态分解的时频分析方法，与传统的时频分1快速EEMD基本原理析方法相比，经验模态分解方法(

8、EMD)有一个巨大的优势，它适用于非线性、非平稳信号。而非线性、非平稳信号在现实基于经验模态分解的时频分析方