Sinir ağına dayalı gürültü içeren dinamik kaynak ayırma algoritması
Su Qiao, Wei Yimin, Shen Yuehong
(İletişim Mühendisliği Okulu, PLA Bilim ve Teknoloji Üniversitesi, Nanjing 210007, Jiangsu)
Gürültü ve dinamik olarak değişen kaynak sinyallerinin sayısı koşullarında karışık sinyal ayrımı sorunu incelenmiş ve yeni bir çevrimiçi kör kaynak ayırma algoritması önerilmiştir.Algoritma iki bölümden oluşmaktadır: biri, minimum açıklama uzunluğuna (MDL) dayalı dinamik kaynakların sayısıdır. Tahmin algoritması, bu algoritma anlık kaynakların sayısını gerçek zamanlı olarak doğru bir şekilde tahmin edebilir; diğeri, önyargı kaldırmaya dayalı değişken adım boyutlu sinir ağı algoritmasıdır, ileri beslemeli bir sinir ağı yapısı kullanır ve öğrenme kriterindeki gürültüye karşılık gelen sapma gidermeyi ekler. Bu temelde, değişken bir adım boyutu stratejisi verilmiştir. Simülasyon deneyleri, yeni algoritmanın hem gürültülü statik kaynaklarda hem de dinamik kaynaklarda mükemmel ayırma performansına sahip olduğunu ve dinamik kaynaklar için mevcut kör kaynak ayırma algoritmalarından daha iyi olduğunu göstermektedir.
Çin Kütüphanesi Sınıflandırma Numarası: TN911
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.172267
Çince alıntı biçimi: Su Qiao, Wei Yimin, Shen Yuehong. Sinir ağına dayalı gürültü içeren dinamik kaynak ayırma algoritması. Application of Electronic Technology, 2018, 44 (2): 88-91, 96.
İngilizce alıntı biçimi: Su Qiao, Wei Yimin, Shen Yuehong. Sinir ağına dayalı gürültülü durumda dinamik kaynaklar için ayırma algoritması. Application of Electronic Technique, 2018, 44 (2): 88-91, 96.
0 Önsöz
Kör kaynak ayırma (Kör Kaynak Ayırma, BSS) teknolojisi, M karışık sinyallerden istatistiksel olarak bağımsız N kaynak sinyalini kurtarmayı amaçlamaktadır, burada "kör", kaynak sinyali ve karışık kanalın önceki bilgisinin bilinmediği anlamına gelir. Bu "kör" karakteristiği nedeniyle BSS, dijital iletişimde, dizi sinyal işlemede, ses ve görüntü işlemede ve diğer alanlarda yaygın olarak kullanılmaktadır. Doğrusal anlık hibrit model, BSS problemlerinde en yaygın modellerden biridir, uzaktan iletişim ve diğer ortamlar için uygundur. Bu model aynı zamanda diğer hibrit modellerin (evrişimli hibrit gibi) temel modelidir. Matematiksel açıklaması aşağıdaki gibidir:
A bilinmeyen karıştırma matrisi olduğunda, t örnekleme zamanıdır, s (t) = T, N bilinmeyen istatistiksel olarak bağımsız kaynak sinyalinden oluşan bir vektördür, x (t) = T, M mevcut karışık sinyalden oluşur, n ( t) = T, M-kanalı toplamsal beyaz Gauss gürültüsü içerir. Bu zamanda, BSS problemi karıştırılmayan bir matris W bulmaya dönüştürülür, böylece çıktı y (t) = Wx (t), s (t) girişinin bir tahminidir ve genlik ve düzenleme sırasının belirsizliğine izin verilir.
Yukarıdaki problemleri çözmek için, bağımsız bileşen analizine ve doğrusal olmayan temel bileşen analizine dayanan yöntemler gibi birçok etkili yöntem önerilmiştir.Ancak, bu yöntemlerin çoğu, kaynak sinyallerinin sayısının bilinmesini gerektirir ve genellikle, kaynak sinyallerinin sayısının Karışık sinyallerin sayısı eşittir, yani M = N. Pratik uygulamalarda, bu tür bir ayar genellikle geçersizdir, çünkü kaynak bilgisi olarak kaynak sinyallerinin sayısı çoğu kez doğrudan mevcut değildir ve hatta dinamik olarak bile değişebilir Örneğin, bir kablosuz iletişim sisteminde, sisteme erişen kullanıcıların sayısı herhangi bir zamanda olabilir. Her şey değişiyor. Pratik uygulamalarda M = N'nin karşılanmasının zor olduğu görülebilir.Karışık sinyaller alan sensörlerin sayısı yeterince büyük olacak şekilde ayarlandığında, M = N > N'nin aşırı belirlenmiş durumu. Kaynak sayısının bilinmediği ve üst belirlenmiş varsayımın altında olduğu BSS problemi için, literatür önce beyazlatma aşamasındaki kaynakların sayısını tahmin eder, ardından karışık sinyal boyutunu M'ye düşürür ve yukarıdaki BSS problemini çözmek için doğal gradyan algoritmasını kullanır, ancak karıştırma matrisi kötü koşullu olduğunda veya Kaynak sinyaller arasındaki genlik oranı ciddi şekilde yanlış hizalandığında bu algoritma başarısız olabilir. Literatür teorik olarak minimum karşılıklı bilgi kriterinin üst belirlenmiş durumlarda kullanılabileceğini kanıtlamakta ve bilinmeyen kaynakların sayısına uygun gelişmiş bir doğal gradyan algoritması önermektedir. Literatür, anlık kaynak sinyallerinin sayısını tahmin etmek için kendi kendini düzenleyen bir sinir ağı kullanır ve karışık sinyalleri ayırmak için sinir ağının boyutunu ayarlar. Literatür, yakınsamanın kararlılığını daha da iyileştirmek için bir Uyarlanabilir Sinir Algoritması (ANA) önermektedir, ancak yakınsama hızı daha yavaştır. Literatür, ANA algoritması temelinde bir momentum terimi ekler ve sinir ağı ve momentum terimine dayanan dinamik bir kaynak kurtarma algoritması (Dinamik Kaynak Numarası için Momentum ile Neual Network, NNM-DSN) önerir.Algoritma daha hızlı yakınsar ve kararlıdır. Durum hatası daha küçüktür. Bununla birlikte, yukarıdaki algoritmalar genellikle gürültüyü dikkate almaz ve algoritmanın pratiklik derecesi yüksek değildir.
Gürültülü dinamik kaynaklar koşullarında BSS problemini hedefleyen bu makale, yeni bir çevrimiçi kör kaynak ayırma algoritması önermektedir.Algoritma iki kısımdan oluşmaktadır: Birinci kısım, Rissanen'in Minimum Açıklama Uzunluğuna (MDL) dayalı dinamik bir kaynak numarasıdır. Tahmin algoritması, algoritma, kanaldaki anlık kaynakların sayısını gerçek zamanlı olarak doğru bir şekilde tahmin edebilir; ikinci kısım, önyargı kaldırmaya dayalı değişken adım boyutlu bir sinir ağı algoritmasıdır, algoritma ileri beslemeli bir sinir ağı yapısı kullanır ve öğrenme kriterine gürültü eklenir. Kaldırma öğesinin neden olduğu sapma ve bu temelde değişken bir adım stratejisi verilmiştir. Simülasyon deneyleri, bu makaledeki algoritmanın, gürültülü statik kaynaklar ve dinamik kaynaklar durumunda doğru kaynak sinyal geri kazanımı sağlayabileceğini göstermektedir.Gürültülü koşullar altında ANA algoritması ve NNM-DSN algoritması ile karşılaştırıldığında, bu makaledeki algoritma statik ve dinamik kaynaklarda kullanılabilir. Performans daha iyidir, yakınsama hızı daha hızlıdır ve kararlı durum ayırma performansı gürültü yokluğunda NNM-DSN algoritmasının performansına yakındır.
1 Algoritma tanıtımı
Gürültülü dinamik kaynak koşulu altındaki BSS problemi için, önce anlık kaynak sinyallerinin sayısını belirlemek ve ardından karışık sinyal vektörünün boyutluluğunu boyutsallığa düşürmek gerekir; burada M- yüksek korelasyonlu bileşenler sinir ağını ayarlamak için kaldırılacaktır. Problemin boyutu, kaynak sinyallerin sayısının ve karışık sinyallerin sayısının eşit olduğu gürültülü bir BSS problemine dönüşür.Kaynak sinyal tahmini, bu yazıda önerilen önyargı gidermeye dayalı değişken adım boyutlu sinir ağı algoritması kullanılarak elde edilebilir. Şekil 1, sinir ağı ve öğrenme algoritmasının karışık sinyallerin ayrılmasını sağlamak için birlikte çalıştığı algoritmanın çerçevesini göstermektedir. Aşağıda sırasıyla kaynak numarası tahmini ve karışık sinyal ayırma yöntemleri tanıtılacaktır.
1.1 Kaynak numarası tahmini
Dinamik kaynakların anlık kaynaklarının sayısının tahmini için literatür, geliştirilmiş bir çapraz doğrulama algoritması kullanır; literatür, karışık sinyal kovaryansı üzerinde öz-ayrıştırma gerçekleştirir ve kaynak sinyallerinin sayısını tahmin etmek için özdeğerlerin yapısını kullanır, ancak yukarıdaki algoritmaların tümü kullanılır. Gürültüsüz koşullar altında. Gürültünün varlığında bazı klasik toplu kaynak numarası tahmin algoritmaları (MDL gibi) kullanılabilir.Bu nedenle, bu makale, kanaldaki kaynakların sayısını gerçek zamanlı olarak doğru bir şekilde tahmin edebilen MDL'ye dayalı dinamik bir kaynak numarası tahmin algoritması önermektedir.
Geçerli zamanda ve önceki B-1 zamanındaki karışık sinyal değerleri, mevcut zamandaki kaynak sinyallerinin sayısını tahmin etmek için seçilir ve t zamanındaki anlık kovaryans matrisi şu şekilde tanımlanır:
Bunlar arasında, üst simge H eşlenik transpoze işlemi tB'yi temsil eder. Ne zaman t < B'de anlık kovaryans matrisi, literatürde verilen özyinelemeli yöntemle elde edilir. Aşağıdaki gibi M özdeğerlerini elde etmek için anlık kovaryans matrisinde özdeğer ayrıştırması gerçekleştirin (azalan sırada):
Bunlar arasında, 2 gürültünün gücüdür ve mevcut andaki anlık kaynak sinyallerinin sayısı, MDL algılama kriteri kullanılarak tahmin edilebilir.
Anlık kaynak sinyallerinin sayısını tahmin etmek için yukarıdaki yöntemin kullanılmasıyla ilgili bir sorun vardır, yani, kaynak sinyallerinin sayısının değiştiği yerde kısa bir fazla tahmin süresi meydana gelecektir. Şekil 2, kaynak sinyallerinin sayısındaki değişikliğin şematik bir diyagramını göstermektedir N1, kaynak sinyallerinin sayısı değişmeden önceki sinyallerin sayısıdır, N2, değişimden sonraki sinyallerin sayısıdır ve tl, kaynak sinyallerinin sayısının kritik noktasıdır. Zamandan önceki B-1 zamanında, kaynak sinyallerinin sayısı sabit kalır, bu nedenle yukarıdaki yöntem, kaynak sinyallerinin sayısını N1 olarak doğru bir şekilde tahmin edebilir. T2 süresi, t2-B + 1 = t1'i karşılar ve kaynak sinyallerinin sayısı önceki B-1 zamanında sabit kalır, bu nedenle kaynak sinyallerinin sayısı aynı şekilde N2 olarak doğru bir şekilde tahmin edilebilir. T 'gibi t1 ve t2 arasındaki zamanda, kaynak sinyallerinin sayısı fazla tahmin edilebilir, ancak t1 ve t2 arasındaki zaman farkı B'den az olduğundan, bu fazla tahminin süresi B'yi aşmayacaktır.
Yukarıdaki problemleri çözmek için algoritma, kaynak sayısındaki değişikliği tespit ettiği anda mevcut tahmini kaynak numarası değerini kaydetmeye başlar ve B (1 < 1.5) zaman içinde, tahmin edilen kaynak sinyalinin değişmesi durumunda, ilk değişim ile ikinci değişim arasındaki kaynakların sayısı, ilk değişimden önce kaynak sayısı ile değiştirilir ve ardından kaynak sayısı ikinciden değiştirilir. Değişiklik anında kayda başlayın ve tahmini kaynak numarası değeri kayıt başlangıç zamanından sonra B zaman periyodunda değişmeyene kadar yukarıda belirtilen tespiti tekrarlayın, ardından kaydı durdurun ve bir sonraki tahmini kaynak numarası değişikliğini bekleyin. Bu yöntemin kullanılması, kaynak sinyallerinin sayısının dönüştürülmesindeki aşırı tahmin sorununu ortadan kaldırabilir.
1.2 Karışık sinyallerin ayrılması
Genel olarak, karıştırılmayan matrisin element wij'i, gradyan iniş yöntemi ile ayarlanabilen sinir ağının ağırlığı olarak kabul edilir. Bu makale, ileri beslemeli sinir ağına dayalı sağlam bir öğrenme kriterini ele almaktadır, ifade aşağıdaki gibidir:
Denklem (6) 'yı denklem (4) ile ikame etmek, önyargı gidermeye dayalı bir sinir ağı algoritması elde edebilir, ancak algoritmadaki adım boyutu (t) uygun şekilde seçilmelidir. (t) çok küçükse, yakınsama hızı çok yavaş olacaktır; tersine, O zaman kararlı durum dalgalanması çok büyüktür. Yukarıdaki problemlerin üstesinden gelmek için, literatüre atıfta bulunarak değişken bir adım boyutu stratejisi tanıtıldı, (t) aşağıdaki özyinelemeli formüle göre ayarlanabilir:
2 Simülasyon deneyi
Gürültülü dinamik kaynak koşullarında önerilen algoritmanın performansını doğrulamak için, bu makale literatürdeki ANA algoritması ve literatürdeki NNM-DSN algoritması ile karşılaştırılacaktır. Kaynak sinyalinin seçimi literatürdekiyle tutarlıdır ve örnekleme hızı 1 kHz'e ayarlanmıştır Kaynak sinyal dalga biçimi diyagramı Şekil 3'te gösterilmiştir. Karıştırma matrisi A, sütun tam sıralaması karşılandığı sürece rastgele oluşturulur. Bu yazıda, performans indeksi, algoritmanın ayırma performansını değerlendirmek için kullanılır.PI ne kadar küçükse, ayırma performansı o kadar iyi olur.
Simülasyon deneyi iki durumu içerir, biri statik kaynaklar durumu, diğeri ise dinamik kaynaklar durumudur. Tüm deneyler 100 Monte Carlo deneyi gerçekleştirecektir.Aşağıdaki deneylerde n = k (k Figure6), Şekil 3'teki ilk k sinyalini kaynak sinyal olarak almak anlamına gelir, B = 200, = 1.2 ayarlayın.
2.1 Statik kaynaklar durumu
Bu bölüm statik bir kaynağın durumunu ele alır, n = 5 değişmeden kalsın, alıcı sensör sayısı 8 olsun, 10000 örnek noktası alın ve Sinyal-Gürültü Oranı (SNR) 10 dB olarak ayarlansın. Şekil 4, bu yazıda yer alan algoritma kullanılarak elde edilen tahmini kaynak sayısını statik kaynaklar durumunda göstermektedir Algoritmanın hızlı bir şekilde doğru sayıda kaynak elde ettiği görülmektedir. Şekil 5, statik bir kaynak durumunda bu kağıdın algoritması kullanılarak elde edilen çıkış sinyalinin bir dalga şekli diyagramıdır.Şekil son 500 çıkış örnek noktasını göstermektedir.Şekilden çıkış sinyalinin kaynak sinyalinin geri kazanımını tamamladığı ve sadece genlik ve düzenleme sırasının mevcut olduğu görülmektedir. Belirsizlik. Şekil 6, ANA algoritmasının ortalama PI performansının, NNM-DSN algoritmasının, bu makaledeki algoritmanın ve gürültü olduğunda statik bir kaynak olması durumunda gürültü varlığında NNM-DSN algoritmasının karşılaştırmasını göstermektedir.Gürültü olmadığında NNM-DSN algoritması performans için kullanılır Referans için, şekilden, gürültü olduğunda ANA algoritmasının ve NNM-DSN algoritmasının performansının bozulduğu ve kararlılığın azaldığı ve bu yazıda yer alan algoritmanın ortalama PI performansının ANA algoritması ve gürültü durumunda NNM-DSN algoritmasından daha iyi olduğu ve gürültü olmamasına yakın olduğu görülmektedir. Gürültülü koşullar altında ANA algoritması ve NNM-DSN algoritması ile karşılaştırıldığında, bu makaledeki algoritma daha hızlı bir yakınsama hızına sahiptir.
2.2 Dinamik kaynaklar durumu
Bu bölüm dinamik kaynak durumunu ele alır, n = 3,6,2 olarak ayarlayın, 15000 örnek noktası alın, özel ayar yöntemi aşağıdaki gibidir:
Sinyal-gürültü oranının 10 dB olduğunu ve alıcı sensör sayısının 8 olduğunu varsayalım. Şekil 7, dinamik bir kaynak durumunda bu yazıda algoritmanın kaynak numarası tahmininin şematik bir diyagramını göstermektedir Kaynak sayısının hızlı ve doğru bir şekilde tahmin edildiği görülebilmektedir. Şekil 8, dinamik bir kaynak olması durumunda bu yazıda yer alan algoritma kullanılarak elde edilen çıkış sinyali dalga şekli diyagramıdır. 3 farklı kaynak numarası olması durumunda ayrılan sinyalin son 300 örnek noktasını alın Boş kutu, çıkış olmadığını gösterir.Karışık sinyalin başarılı olduğu görülmektedir. Zemin ayrımı, yalnızca düzenlemenin büyüklüğünde ve düzeninde belirsizlik vardır. Şekil 9, ANA algoritmasının ortalama PI performansının, NNM-DSN algoritmasının, bu makaledeki algoritmanın ve gürültü olduğunda dinamik bir kaynak olması durumunda gürültü varlığında NNM-DSN algoritmasının karşılaştırmasını göstermektedir.Aynı şekilde, gürültü yokluğunda NNM-DSN algoritması kullanılmaktadır. Performans referansı için, kaynakların sayısı dinamik olarak değiştiğinde, tüm algoritmalar yakınsamak için ayarlanabilir.AnA algoritması ve NNM-DSN algoritması, gürültü varlığında kalitatif olarak daha kötü PI'ya ve gürültü varlığında ANA algoritması ve NNM-DSN algoritmasına sahiptir. Karşılaştırıldığında, bu makaledeki algoritmanın ortalama PI performansı daha iyidir, yakınsama hızı daha hızlıdır ve kararlı durumda ortalama PI performansı, gürültü olmadığında NNM-DSN algoritmasının performansına yakındır.
3 Sonuç
Bu makale, gürültülü dinamik kaynaklar için yeni bir çevrimiçi kör kaynak ayırma algoritması önermektedir.İki kısımdan oluşmaktadır: MDL tabanlı dinamik kaynak numarası tahmin algoritması ve önyargı gidermeye dayalı değişken adımlı sinir ağı algoritması. Yeni algoritma, anlık kaynak sinyallerinin sayısını gerçek zamanlı olarak doğru bir şekilde tahmin edebilir ve karışık sinyalleri gürültülü koşullar altında başarıyla ayırabilir. Simülasyon deneyleri, bu makaledeki algoritmanın, gürültülü statik kaynaklar ve dinamik kaynaklar durumunda kaynak sinyali doğru bir şekilde kurtarabileceğini göstermektedir.Gürültü durumunda ANA algoritması ve NNM-DSN algoritması ile karşılaştırıldığında, bu makaledeki algoritma daha iyi ayırma performansına sahiptir ve Daha hızlı yakınsama hızı ve ayırma performansı, gürültü yokluğunda NNM-DSN algoritmasının performansına yakındır.
Referanslar
COMON P, CHRISTIAN J. Kör kaynak ayırma el kitabı: bağımsız bileşen analizi ve uygulamaları New York: Academic Press, 2010.
HYVARINEN A, KARHUNEN J, OJA E. Bağımsız bileşen analizi: John Wiley and Sons, 2001.
KARHUNEN J, JOUTSENSALO J. Doğrusal olmayan PCA tipi öğrenmeyi kullanarak sinyallerin gösterimi ve ayrılması Sinir Ağı, 1994, 7 (1): 113-127.
CICHOCKI A, KARHUNEN J, KASPRZAK W, ve diğerleri Bilinmeyen sayıda kaynakla kör ayırma için sinir ağları Neruocomputing, 1999, 24 (1-3): 55-93.
YE J M, ZHU X L, ZHANG X D. Bilinmeyen sayıda kaynakla uyarlamalı kör kaynak ayırma Sinirsel hesaplama, 2004, 16 (8): 1641-1460.
SUN T Y, LIU C C, HSIEH ST, ve diğerleri Otomatik kırpılmış sinir ağına dayalı bilinmeyen sayıda kaynakla kör ayırma. Neurocomputing, 2008, 17 (10-12): 2271-2280.
SUN T Y, LIU C C, TSAI S J, ve diğerleri Uyarlanabilir sinir algoritması kullanarak dinamik kaynak numarası ile kör kaynak ayırma.Uygulamalı Uzman Sistem, 2009, 36 (5): 8855-8861.
LI H, SHEN Y, XUN K. Dinamik kaynak ayırma için momentumlu sinir ağı ve yakınsama analizi Journal of Networks, 2011, 6 (5): 791-798.
SCHWARZ G. Bir modelin boyutunun tahmin edilmesi Annu. Stat., 1987, 6 (2): 461-464.
DOUGLAS S C, CICHOCKI A, AMARI S. Gürültülü ölçümlerle kör kaynak ayırma için bir önyargı giderme tekniği Electronics Letters, 1998, 34 (14): 1379-1380.
YUAN L, WANG W, CHAMBERS J A. Sıralı kör kaynak ayırma için değişken adım-boyut işareti doğal gradyan algoritması IEEE Signal Processing Letters, 2005, 12 (8): 589-592.
Zhao Wei, Shen Yuehong, Wang Jiangong ve diğerleri.Uzun vadeli karışık iletişim sinyallerinin ayrılması ve yeniden yapılandırılması için bir yöntem. Askeri İletişim Teknolojisi, 2013, 34 (1): 62-68.
