基于多层非负矩阵分解的工频干扰消除

《基于多层非负矩阵分解的工频干扰消除》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第25卷第4期电力科学与工程Vo1．25，No．42009年4月ElectricPowerScienceandEngineeringhpr．，2009基于多层非负矩阵分解的工频干扰消除贾鉴，武俊义(1．华北电网北京超高压公司，北京102401；2．华北电力大学电气与电子工程学院，北京102206)摘要：为保证信号测量可靠性和精确度，有效抑制工频干扰信号，提出了一种消除工频干扰的新方法。此方法避免了工频干扰的参数估计问题，也不需要单独输入参考源信号。以非负矩阵分解(NMF)为理论依据，以相似系数和重构信噪比为评估标准，进行工频干扰的消除。

2、利用盲源分离思想，采用改进的多层NMF算法，对模拟数据和实测数据进行处理，有效完成了工频干扰信号的消除。关键词：工频干扰；非负矩阵分解；盲源分离中图分类号：TM930．1】文献标识码：A地满足实际问题的要求，具有更强的物理特性。另0引言一方面，该方法计算简单、速度快，为大规模的数据分析提供了方便。目前，NMF在人脸识别、图在低频且微弱信号(如生物电信号)检测和传像融合、图像检索、文本聚类等领域取得了很好的输过程中，工频干扰是一种常见的干扰信号。为保应用效果。证数据处理可靠性和精确度，有效抑制工频干扰信虽然NMF在许多方面得到了广泛的应用

3、，但号是一个非常重要的技术问题。目前，压制工频干把NMF运用在盲源分离问题(BSS)的研究还很扰的方法¨主要有：陷波滤波法、自适应滤波少。本文尝试着运用改进的NMF方法进行盲源问法、算术平均值滤波法、独立分量分析(ICA)方题的分离，同时将工频干扰消除问题转化为BSS问法等。陷波滤波法是一种经典滤波方法，它只适用题，提出了一种有效消除信号工频干扰的方法，即于信号的频谱和工频干扰的频谱无混叠或混叠不是改进的多层NMF算法。该方法避免了工频干扰参很大的情况，而且不能适应工频干扰频率的波动。数的估计问题，也不需要单独输入参考源信号，有自适应滤

4、波法算法复杂，耗用机时太多，难以实效解决滤波法不能解决工频干扰频率波动的问题，时实现，需要附加的参考信号通道，对计算机字长同时也没有独立分量分析对观测信号的苛刻要有限所引起的误差有一定的敏感性。算术平均值滤求。在实验测试中，对模拟数据和实测含工频干扰波法滤波后仍存在与采样次数成倍数的谐波干扰信数据进行了处理和分析，结果表明所提方法在消除号。独立分量分析对信号的约束条件太强，当信源信号工频干扰方面具有一定的有效性和鲁棒性。信号满足高斯分布或统计相关时，此方法失效。非负矩阵分解(NMF)是Lee和Seung在1盲源分离思想《Nature》杂

5、志上发表的一种新的矩阵分解方法。它在非负性限制的条件下，对多元数据进行分解。盲源分离伽是指在完全不知任何先验知识或这种限制导致了基于部分的数据表示方法。这与基者知其少量先验知识(如非高斯分布、统计独立、于整体的表示方法如主分量分析(PCA)、矢量量循环平衡等)情况下，只利用传感器输出的观测信化(VQ)有很大的不同：一方面由于分解矩阵的号提取或分离出各个信源信号的方法。对于线性混非负性，使得它仅允许元素的加性组合，能够更好合模型⋯其中为由r个维信源信号收稿日期：2009-02-01．作者简介：贾盏(1984一)，男，华北电网北京超高压公司

6、助理工程师第4期贾盗，等基于多层非负矩阵分解的工频干扰消除2l所构成的信源矩阵，为由个m维观测信号构成代法则分别为：的观测矩阵，为未知混合矩阵。盲源分离问题，J1、风一风IL∑(()实质上就是矩阵分解问题：即在只知观测信号y的i“J前提下，寻找一个分离矩阵，使得是信源信号的一个最佳估计。在不考虑噪声的前提下，盲源分离一IL∑(()／风Jl(2)就是找一个解混矩阵，使得．=y成立，从而从观关于此方法的收敛性证明可参见文献[12】。测信号tee恢复出信源信号。若信源信号是非负NMF分解结果受初始值影响较大[13,141不同的，线性混合的混合

7、系数也是非负的，这样的线性的初始值直接影响到NMF算法的收敛性。为此，混合模型就是非负线性混合模型，即-．4,St⋯本文采用Cichocki等人提出的多层非负矩阵分解A≥00，(净1．··，j=l⋯)。这样的线性混方法即MNMF，以找到更接近全局最优的解。它合模型更符合多数实际盲源分离问题。在许多情况的主要思想是对观测信号进行多次非负矩阵分解，下，信源信号取负值没有物理意义(如信号能量、每次采用不同的初始值，从而减少了算法得不到最图像像素等)，而信号的混合也只有加性混合，减小值的机率。具体来说，先对矩阵n进行NMF分运算没有实际意义(如

8、信号能量的叠加，多幅图像解，使得V=A。S-，然后对再进行NMF分解，使的混叠，雷达回波等)。从这个意义上讲，非负线SI=：。根据实际问题可以重复进行多次的NMF性混合模型比线性混合模型更有意义，而针对此模