Rozdzielanie sygnału ślepy - Blind signal separation

Ślepy rozdzielania sygnału ( BSS ), znany również jako separacji źródło ślepego jest oddzielanie zbioru źródła sygnałów na podstawie zbioru sygnałów mieszanej, bez pomocy informacji (lub bardzo niewiele informacji) o sygnałów źródłowych lub procesu mieszania , Problem ten jest na ogół bardzo underdetermined , ale użyteczne rozwiązania mogą być uzyskane na podstawie, liczne warunkach. Wiele z początku literatury w tej dziedzinie, koncentruje się na rozdzielenie sygnałów czasowych, takich jak audio. Jednak rozdzielenie sygnału ślepy jest obecnie rutynowo wykonywane na danych wielowymiarowych , takich jak obrazy i tensorów , które mogą obejmować żadnego wymiaru czasu w ogóle.

matematyczna reprezentacja

Podstawowy schemat blokowy BSS

Zestawowi poszczególnych sygnałów źródłowych jest „zmieszane” z wykorzystaniem matrycy, w celu uzyskania zestawu sygnałów „mieszanego”, jak następuje. Zazwyczaj jest równa . Jeśli , po czym układ równań jest nadokreślony, a zatem mogą być zmieszane z zastosowaniem konwencjonalnego sposobu liniowej. Jeżeli system jest underdetermined i sposób nieliniowy muszą być wykorzystane do odzysku sygnałów niezmieszane. Sygnały mogą być same wielowymiarowy. ${\ Displaystyle s (t) = (s_ {1} (t) \ punktów, s_ {A} (t)) ^ {T}}$${\ Displaystyle A = [a_ {ij}] \ in \ mathbb {R} ^ {m razy \ n}}$${\ Displaystyle x (t) = (x_ {1} (t) \ punktów, x_ {f} (t)) ^ {T}}$${\ N} displaystyle$${\ Displaystyle m}$${\ Displaystyle M> n}$${\ Displaystyle n> m}$

${\ Displaystyle x (t) = A \ cdot s (t)}$

Powyższe równanie jest skutecznie „odwrócony” w sposób następujący. Oddzielenie źródła ślepy oddziela zestaw miksowanych sygnałów, poprzez określenia „na” rozmiksowywania matrycy i „odzyskuje” przybliżenia oryginalnych sygnałów .${\ Displaystyle x (t)}$${\ Displaystyle B = [B_ {ij}] \ in \ mathbb {R} ^ {n \ m razy}}$${\ Displaystyle y (t) = (Y_ {1} (t) \ kropek Y_ {A} (t)) ^ {T}}$

${\ Displaystyle y (t) = B \ cdot x (t)}$

Aplikacje

Na przyjęciu koktajlowym, istnieje grupa ludzi mówiących w tym samym czasie. Masz wiele mikrofonów zbierając mieszane sygnały, ale chcesz, aby odizolować mowę jednej osobie. BSS, może być wykorzystane do oddzielania poszczególnych źródeł przy użyciu sygnałów mieszanych.

Figura 2. Przykład wizualne BSS

Rysunek 2 przedstawia podstawowe pojęcia BSS. Poszczególne sygnały źródłowe są pokazane, jak również mieszanych sygnałów, które są odbierane sygnały. BSS służy do rozdzielenia mieszane sygnały z tylko znając mieszane sygnały i nic o oryginalnego sygnału lub w jaki sposób zostały one mieszane. Wydzielone sygnały są tylko przybliżone sygnałów źródłowych. Oddzielone obrazy rozdzielano stosując Pyton i zestaw narzędzi Shogun pomocą wspólnego Zbliżanie diagonalizacji eigen-macierzy ( JADE ) algorytm, który opiera się analiza składowych niezależnych ICA. Ten sposób może być stosowany zestaw narzędzi o wielu wymiarach, lecz jego łatwą wizualną obrazu obrazu (2-D) zostały wykorzystane.

Obrazowanie mózgu jest kolejnym idealnym rozwiązaniem dla BSS. W elektroencefalogramu (EEG) i magnetoencefalografii (MEG), zakłócenia od maski aktywność mięśni pożądany sygnał aktywności mózgu. BSS, może być jednak wykorzystywane do rozdzielenia dwóch tak wiernie odwzorowuje aktywności mózgu może być osiągnięty.

Inne aplikacje:

• Komunikacja
• Zdjęcie Info
• Monitoring sejsmiczny
• Analiza dokumentu tekstowego

Awanse

Ponieważ szef trudność problemu jest jego underdetermination, sposoby rozdzielania źródłowego ślepym na ogół starają się zawęzić zbiór możliwych rozwiązań w taki sposób, że jest mało prawdopodobne, aby wykluczyć pożądanego rozwiązania. W jednym podejściu, na przykładzie głównego i niezależnej analizy składowych, jedna stara sygnałów źródłowych, które są minimalnie skorelowane lub maksymalnie niezależne w probabilistyczny lub informacyjnego teoretyczna znaczeniu. Drugie podejście, przykładowo przez nieujemnej faktoryzacji macierzy , jest narzucenie ograniczenia strukturalne sygnałów źródłowych. Te ograniczenia konstrukcyjne mogą być pochodzenia generatywnego modelu sygnału, ale są bardziej powszechnie heurystyki uzasadnione dobrych wyników empirycznych. Częstym tematem drugiego podejścia jest narzucić jakieś ograniczenia niskiej złożoności od sygnału, takich jak sparsity w pewnym oparciu o przestrzeni sygnału. Takie podejście może być szczególnie skuteczne, jeśli jeden wymaga nie cały sygnał, a jedynie jego najistotniejsze cechy.

metody

Istnieją różne sposoby rozdzielania sygnału osłony:

• Analiza głównych składowych
• Rozkład według wartości osobliwych
• Niezależna analiza komponent
• Analiza składnika zależne
• Nieujemna faktoryzacja macierzy
• Kodowanie niskiej złożoności i dekodowanie
• Stacjonarny analiza podprzestrzeń
• Wspólny wzór przestrzenny

Zobacz też

• kody silni
• rozdzielanie sygnału
• Dekonwolucja
• zasada Infomax
• filtracja adaptacyjna

Referencje

• Ranjan Acharyya (red) (2008): Nowe podejście do Blind Źródło Rozdzielenie splotowych Źródeł , ISBN  3-639-07797-0 ISBN  978-3639077971

Linki zewnętrzne

• Blind źródło prezentacja Flash separacja
• Usuwanie elektroencefalograficznego artefakty przez oddzielenie źródła niewidomych