فصل مصدر للمكفوفين (للمكفوفين المصدر الفاصل، BSS) من أهداف M تقنية لاسترداد إشارات متضاربة من N إشارات مصدر مستقل إحصائيا، حيث يشير "الأعمى" لمعرفة مسبقة من إشارة مصدر غير معروف وقناة خلط. نظرا لطبيعة هذا "الأعمى" ل، يتم استخدام BSS على نطاق واسع في مجال الاتصالات الرقمية، معالجة الإشارات والكلام ومعالجة الصور الفن. الخطية المختلطة نموذج لحظية مشكلة BSS هي واحدة من أكثر النماذج شيوعا، ونموذج قاعدة للبيئة الاتصال عن بعد، ونموذج أيضا نماذج خلط الأخرى (على سبيل المثال خلط الإلتواء)، الذي وصف رياضي التالي:
لحل هذه المشاكل، وقد تم اقتراح العديد من الطرق اعتبارا تحليل المكونات المستقلة ، غير الخطية تحليل المكون الرئيسي ومثل ، ولكن معظم هذه الطرق تحتاج إلى عدد معروف من إشارات المصدر، وعموما على افتراض أن عدد الإشارات مصدر يساوي عدد إشارات متضاربة، أي، M = N. في الواقع، هذه المجموعة غالبا ما يكون غير صحيح لأن عدد إشارة مصدر كمصدر للمعلومات في كثير من الأحيان لا تكتسب مباشرة حتى من الممكن أن تختلف بشكل ديناميكي، على سبيل المثال في نظام الاتصالات اللاسلكية، وعدد من المستخدمين قد الوصول إلى النظام في أي وقت نحن المتغيرة. أن يرى، والتطبيق العملي، M = N من الصعب الوفاء، عندما قام عدد من أجهزة الاستشعار لاستقبال إشارة مختلطة وكبيرة بما فيه الكفاية، وغالبا ما تكون M > حالة Overdetermined من N. لعدد من المصادر من مشكلة غير معروفة وBSS في فرضية overdetermined، وثيقة ويقدر لأول مرة في مرحلة التبييض عدد من المصادر، ومن ثم البعد إشارة مختلطة M خفض استخدام خوارزمية التدرج الطبيعي ليحل فوق مشكلة BSS، ولكن عندما مصفوفة الاختلاط عندما تكون نسبة السعة بين المصدر إشارة أو اضطراب مرضي عند خطيرة، قد تفشل الخوارزمية. وثيقة مناسبة لعدد غير معروف من المصادر وتحسين خوارزمية التدرج الطبيعي أثبتت يمكن استخدام الحد الأدنى من الناحية النظرية المعلومات المتبادلة في حالة overdetermined، واقترح. وثيقة باستخدام الشبكة العصبية هيكل التنظيم الذاتي لعدد من إشارة مصدر تقدير لحظية، وضبط حجم الشبكة العصبية فصل إشارات متضاربة. وثيقة إن التكيف العصبي خوارزمية شبكة (التكيفية العصبية خوارزمية، ANA) لزيادة تحسين استقرار التقارب، ولكن التقارب البطيء. يضاف ثيقة على أساس الزخم ANA الخوارزمية، واقترح بناء على الشبكات العصبية ومصدر الديناميكي خوارزمية الانتعاش الزخم (شبكة Neual مع الزخم لدينامية عدد المصدر، NNM-DSN)، فإن معدل التقارب أكثر الخطأ سريعة وثابتة للدولة أصغر. ومع ذلك، هذه الخوارزميات في كثير من الأحيان لا تعتبر الضوضاء، ودرجة خوارزمية العملية ليست عالية.
في هذه الورقة، مشكلة الحيوي المصدر BSS لظروف صاخبة، ويعرض خوارزمية فصل خط مصدر أعمى جديدة تضم قسمين: الأول يقوم على طول الحد الأدنى وصف (ريسانن في الدنيا الوصف المدة، MDL) غير عدد ديناميكية خوارزمية تقدير مصدر في الوقت الحقيقي لبدقة ويقدر عدد مصادر قناة لحظية، تتم إزالة الجزء الثاني العصبي خوارزمية شبكة حجم الخطوة الانحراف متغير على أساس خوارزمية feedforward الشبكة العصبية، وأضيف معيار التعلم إزالة عنصر من الانحراف بسبب الضوضاء، ويعطي حجم الخطوة متغير على أساس هذه السياسة. نتائج المحاكاة تبين أن الخوارزمية تحت ساكنة صاخبة ومصدر ديناميكي حيث كان المصدر هو لتحقيق الانتعاش دقيق للإشارة مصدر، الخوارزمية، وبالمقارنة مع خوارزميات ANA NNM-DSN، هذه الخوارزمية في حالة الضوضاء الواردة في ثابت ومصدر ديناميكي حيث المصدر وأداء أكثر ممتازة وأسرع التقارب وأداء ثابت للدولة فصل قريبة أداء الخوارزمية NNM-DSN في القضية دون ضجيج.
1 خوارزمية مقدمة
لمشكلة BSS المصدر الحيوي الظروف صاخبة، يجب علينا أولا تحديد عدد من مصدر إشارة عابرة، ثم خفض مختلط البعد ناقلات إشارة إلى البعد، حيث M- العناصر ذات الصلة للغاية لإزالتها، وذلك لضبط الشبكة العصبية حجمها، بحيث تصبح المشكلة مشكلة عدد من مصدر BSS إشارة صاخبة وإشارة مختلطة يساوي عدد خوارزمية الشبكة العصبية باستخدام متغير خطوة إزالة التحيز يمكن الحصول عليها بناء على إشارات مصدر يقدر فيه. يبين الشكل 1 خوارزمية الإطار، حيث يمكن تنفيذ العصبية خوارزمية التعلم شبكة والتفاعل فصل إشارة مختلطة. فيما يلي وصفا للإشارة المختلطة ويقدر عدد طريقة فصل المصدر.
عدد من المصادر ويقدر 1.1
لالمصدر الحيوي مصدر لحظية يقدر عدد، وثيقة باستخدام تعديل تصديق متقاطع (عبر التحقق من صحة) الخوارزمية، الأدب إشارة مختلطة ميزة التباين التحلل، وعدد من الإشارات مصدر يتم تقدير تستخدم قيمة مميزة الهيكلية، ومع ذلك، يتم استخدام هذه الخوارزميات لظروف خالية من الضوضاء. ويمكن استخدام بعض الكلاسيكي رقم الدفعة مصدر تقدير الخوارزمية (مثل MDL) في وجود ضوضاء، لذلك يقترح هذا الرقم يستند إلى مصدر ديناميكية خوارزمية تقدير MDL ودقيقة تقدير الوقت الحقيقي من عدد من القنوات المصدر.
اختيار مختلط إشارة القيمة الزمنية الحالية وB-1 قبل وقت يقدر عدد الإشارات مصدر في الوقت الراهن، والزمن t تعريف لحظية مصفوفة التغاير:
حيث أن H مرتفع يدل على عملية مرافق منقولة مصفوفة، tB. عندما ر B، يتم الحصول على مصفوفة تغاير لحظية بشكل متكرر في الوثيقة معين. لحظية مصفوفة تغاير القيمة الذاتية التحلل M القيم ميزة هي (بالترتيب التنازلي):
حيث، والضجيج قوة سيغما] (2)، وذلك باستخدام معيار كشف MDL لتقدير عدد من إشارة مصدر الوقت الحالي لحظية.
عدد فوري للإشارات المصدر باستخدام طريقة المبين أعلاه لتقدير مشكلة، أي الاختلاف في عدد من إشارة المصدر، حيث يحدث قصيرة من خلال تقدير. 2 هو رسم تخطيطي للتغيير في عدد من الإشارات مصدر، وعدد نيكولا لانغ هو عدد الإشارات المصدر قبل التغييرات إشارة، N2 هو عدد من التغييرات إشارة، هو T1 النقطة الحرجة في الوقت المناسب، وهذا يمكن أن ينظر إلى عدد من تغيير إشارة مصدر B-1 قبل الوقت في ذلك الوقت، وعدد من إشارة مصدر تبقى ثابتة، وبالتالي الطريقة المذكورة أعلاه يمكن أن يقدر بدقة عدد من إشارة المصدر N1. الوقت T2 تلبية T2-B + 1 = T1، والوقت قبل B-1، وعدد من إشارة مصدر يبقى مستقرا، وبالتالي التعاطف يمكن تقدير دقيق لعدد من الإشارات المصدر N2. بين T1 و T2 الوقت كما ر '، يمكن المبالغة في تقدير عدد من إشارة مصدر، ولكن الفارق الزمني بين T1 و T2 أقل من B، تشير التقديرات إلى أن أكثر مدة لا تتجاوز B.
من أجل حل المشاكل المذكورة أعلاه، تبدأ خوارزمية تسجيل عدد من القيم في تقدير حالي في ذلك الوقت مصدر تغيير رقم المصدر تم الكشف، في B المقبل (1 و) وقت 1.5، إذا تم تغيير إشارة مصدر المقدرة، ثم يتم تغيير عدد من مصدر بين الأول وقيمة التغيير الثاني لتغيير عدد من المصدر قبل تغيير قيمة الأولى، ثم العدد الثاني من المصدر تغيير تسجيل وقت البدء، والكشف المذكورة أعلاه ويتكرر حتى فترة B من الزمن بعد لا يغير وقت بدء التسجيل قيمة تقدير عدد المصدر، تم إيقاف التسجيل، في انتظار التغيير القادم في العدد المقدر من المصادر. وهذا النهج يمكن القضاء على الإفراط في تقدير عدد من الإشارات مصدر في تحويل.
فصل إشارة مختلطة 1.2
عموما، فإن العناصر مصفوفة unmixing wij تعتبر أوزان الشبكة العصبية، من خلال النسب الانحدار يمكن تعديلها. وتعتبر هذه الورقة معايير تستند على الأعلاف إلى الأمام التعلم الصوت الشبكة العصبية، أعرب على النحو التالي:
تتم إزالة الصيغة (6) في المعادلة (4) للحصول على خوارزمية الشبكة العصبية على أساس الانحراف، ولكن حجم خطوة خوارزمية (ر) يجب اختيار مناسب، (ر) هو صغير جدا، تلاقي بطيء، ومن ناحية أخرى، في حالة من الثبات تتقلب كثيرا. للتغلب على المشاكل المذكورة أعلاه، وإدخال استراتيجية متغيرة حجم الخطوة، وفقا لأدبيات ، (ر) يمكن تعديلها وفقا للصيغة العودية التالية:
2 تجربة محاكاة
للتحقق من أداء الخوارزمية المقترحة في هذه الورقة، ووصف المصدر الحيوي الظروف صاخبة، مقارنة مع الأدب هنا سوف ANA خوارزمية والخوارزمية وثيقة NNM-DSN هو. حدد مصدر الأدب إشارة ثابت، تعيين معدل أخذ العينات 1 كيلو هرتز، ومخطط إشارة الموجي هو مبين في مصدر FIG، وخلط مصفوفة مولد عشوائي 3، طالما يمكن أن يكون رتبة كاملة. في هذه الورقة، ومؤشر PI (مؤشر الأداء) لتقييم أداء الفصل من الخوارزمية، أصغر ممثل PI أفضل من أداء الانفصال.
وتشمل محاكاة حالتين، حالة واحدة من مصدر ثابت، والآخر هو مصدر حيوي. تم تنفيذ جميع التجارب من 100 مرة من اختبار مونت كارلو، والتجارب التالية، ن = ك (k6) يعني أن ك أول 3 في إشارة FIG تؤخذ على أنها مصدر إشارة، شريطة B = 200، = 1.2.
2.1 مصدر ثابت
هذا القسم يعتبر حالة وجود مصدر ثابت، شريطة ن = 5 لم يتغير، وعدد من تلقي أجهزة الاستشعار 8، وتأخذ عينات 10 نقاط 000، SNR (نسبة الإشارة إلى الضوضاء، SNR) تم تعيين إلى 10 ديسيبل. 4 يبين الشكل عدد مصدر يعمل في هذه الوثيقة تقدير الخوارزمية من حالة FIG مصدر ثابت، الخوارزمية قد ترى بسرعة العدد الدقيق للمصادر. 5 هو الرسم البياني الموجي من إشارة خرج من الخوارزمية التي تم الحصول عليها تحت مصادر ثابتة، ويبين الشكل 500 الناتج آخر نقطة العينة، يتضح من الرسم، إشارة خرج من الانتهاء من إشارات مصدر ترميم، وهناك السعة فقط والأولويات عدم اليقين. 6 هو خوارزمية عندما يكون هناك ANA، خوارزميات NNM-DSN، هذه الخوارزمية ودون ضجيج NNM-DSN متوسط PI خوارزمية الرسم البياني مقارنة الأداء في هذه القضية مصدر ثابت حيث هي موجودة الضوضاء، حيث NNM-DSN عند استخدام خوارزمية لأداء خالية من الضوضاء مشيرا إلى، عندما يكون الحاضر الضوضاء، ANA خوارزمية NNM-DSN خوارزمية وتدهور الأداء يمكن أن ينظر إليه من FIG خفض الاستقرار، في حين أن هذه الخوارزمية متفوقة على متوسط الخوارزمية PI وANA تحتوي على خوارزمية NNM-DSN في حالة صاخبة، مجانا الضوضاء وعلى مقربة من أداء الخوارزمية NNM-DSN بالمقارنة مع الخوارزمية وANA NNM-DSN الخوارزمية في حالة احتواء الضجيج، لديه خوارزمية أيضا معدل أسرع التقارب.
2.2 المصدر الحيوي
هذا الفرع مصدر دينامية تعتبر بشرط ن = 3،6،2، بأخذ عينات من 15000 نقطة، وإعدادات محددة على النحو التالي:
مجموعة SNR 10 ديسيبل، وعدد من تلقي استشعار 8، كما هو مبين في الشكل. 7 هو الرسم التخطيطي لهذه الخوارزمية لتقدير عدد من مصدر ديناميكي حيث المصدر، والمصدر ويمكن رؤية هذا العدد كان التنبؤ سريع ودقيق. 8 هو الرسم البياني الموجي من الناتج إشارة باستخدام خوارزمية الموصوفة هنا في المصدر الحيوي اتخذت فيها ثلاثة انواع من 300 عينة الأخيرة من إشارة في نقاط منفصلة من عدد من حالة مصادر مختلفة حيث يمثل أي مربع فارغ يبلغ حجم انتاجها، ويبين أن الإشارة المختلطة بنجاح فصل، ليس هناك سوى الشك والنظام الترتيب من حيث الحجم. 9 هو المتوسط عندما PI ANA FIG أداء الخوارزمية المقارنة، خوارزميات NNM-DSN، هذه الخوارزمية ودون ضجيج خوارزمية NNM-DSN في حالة مصدر ديناميكية من الضوضاء الحالية، وبالمثل، NNM-DSN خوارزمية للضوضاء مشيرا تعمل الأداء، عندما يكون عدد من التغيير الديناميكي للمصدر، كل من خوارزميات يمكن تعديلها لتتلاقى، ANA NNM-DSN خوارزمية خوارزمية في الحالة التي يكون فيها متوسط PI الضوضاء تدهور نوعية، وهناك خوارزمية ANA خوارزمية NNM-DSN في ظل ظروف صاخبة المقارنة يعني هنا ينفذ PI خوارزمية أفضل وأسرع التقارب، ومتوسط أداء PI تقترب ثابتة أداء الدولة الخوارزمية NNM-DSN عندما لا يكون هناك ضجيج.
3 الخاتمة
وهنا لحالة صاخبة يقترح المصدر الحيوي خط فصل مصدر أعمى الرواية، ويتكون من جزأين، هما: خوارزمية تقدير والعصبي خوارزمية شبكة حجم إزالة متغير التحيز خطوة على أساس عدد من مصدر الديناميكي للMDL. خوارزمية جديدة يمكن أن تقدر بدقة عدد من الوقت الحقيقي المصدر إشارة لحظية، ويتم فصل إشارة مختلطة بنجاح في ظل ظروف صاخبة. نتائج المحاكاة تبين أن الخوارزمية يمكن استعادة بدقة الإشارات مصدر في ديناميكية ثابتة ومصدر صاخبة مصدر، الخوارزمية وANA تحتوي على NNM-DSN الضجيج مقارنة مع الحال في الخوارزمية، الخوارزمية لديه أداء أفضل فصل، و سرعة التقارب بشكل أسرع، وعلى مقربة أداء الفصل لأداء الخوارزمية NNM-DSN في حالة حيث لا ضجيج.
