techspirit.ru

Главное

Слепое разделение источника

Слепое разделение источника (BSS) является задачей оценки ненаблюдаемых сигналов (источника) по известным лишь линейным комбинациям с этими сигналами. В процессе обработке сигнала эта проблема является важной, поскольку она может быть решена с использованием минимального количества априорной информации, а именно, что система смешивания обратима и что источники сигнала не являются Гауссовскими и независимы друг от друга. Алгоритм получил широкое применение в различных областях, таких как обработка сигналов, многопользовательские системы, восстановление речи и биомедицинской инженерии. Кроме того, слепое разделение источника играет важную роль в теории нейронных сетей, поскольку разделение осуществляется линейной системой, которая может быть интерпретирована как синоптические веса первого уровня нейронных сетей.[33]

Проблема разделения в BSS в ситуациях с малыми шумами, как правило, формулируется следующим образом. Предположим, что имеется вектор наблюдаемых сигналов , который является результатом линейного смешения процесса с неизвестной случайной последовательностью.[38]

Функция плотности вероятности источника сигнала не известна. Будем считать, что значения вещественные, с нулевым средним, распределены не по-гауссовски и независимы друг от друга. Кроме того, считается, что они независимы по времени и имеют одинаковое распределение. В связи с ваше сказанным можно записать:

(4.10)

где - это вектор источника сигнала, а H[k] - это последовательность символов матрицы импульсной характеристики системы смешивания.

Для восстановления источника сигнала производиться обработка линейной MIMO-системой с выходом:

(4.11)

где W[k] - последовательность символов матрицы конечной импульсной характеристики разделяющей системы. Обозначим через G[k]=W[k]*H[k] матрицу общей импульсной характеристики системы смешивания и разделения. Модели смешивания и разделения значительно упрощаются, если рассматривать мгновенный случай. В этом случае H[k]=H[0]δ[k] и W[k]=W[0] δ[k], тогда уравнения 4.10 и 4.11 сводятся к:

(4.12)

(4.13)

Цель алгоритма слепого разделения источника заключается в оценке разделяющей матрицы W[k] таким образом, чтобы каждый отчет на выходе разделяющей системы был равен отчетам исходного источника сигнала.[]

Начнем рассмотрение алгоритма слепого разделения источника с мгновенных оценок. Со времен первых работ ученых Jutten и Herault, было разработано большое количество эффективных и точных адаптивных алгоритмов и исследованы их свойства. В основном задача интерпретировалась как оценка разделяющей матрицы по известным значениям x. В целях выполнения этой оценки, были предложены различные подходы: минимизация взаимной информации на выходе, максимизация функции правдоподобия, либо максимизация передаваемой информации нейронной сети. Оценочная функция , связанная с предыдущими критериями, определяется дивергенцией Кульбака-Лейблера между функцией плотности вероятности выходного процесса и другим распределением с разложенными компонентами , то есть:

Перейти на страницу: 1 2

Другие статьи по теме

Выбор и расчёт трассы прокладки волоконно-оптического кабеля
В современном информационном мире каждые пять лет объём передаваемой информации увеличивается вдвое, соответственно, встаёт задача передачи большого количества информации с максимальной ...

Исследование цилиндрического резонатора с коаксиальной апертурой
Современная наука и производство немыслимы без точных, экспресс-методов измерения физических параметров материалов и сред. Прецизионные измерения и исследование их характеристик актуаль ...

Слепая компенсация эффекта разбаланса квадратур с использованием алгоритма множественных инверсий
В современных средствах связи на смену аналоговым системам пришли цифровые. Это обусловлено тем, что при своем использовании цифровые системы значительно превосходят аналоговые по качес ...