没有合适的资源?快使用搜索试试~ 我知道了~
基于Stacked_TCN的空间混叠信号单通道盲源分离方法_赵孟晨1
需积分: 0 1 下载量 123 浏览量
2022-08-03
11:14:34
上传
评论
收藏 878KB PDF 举报
温馨提示
试读
14页
摘要:针对空间互联网星地通信场景中的混叠信号分离精度不足问题,提出了基于深度学习的堆叠时域卷积网络(stacked time domain convolutio
资源详情
资源评论
资源推荐
系统工程与电子技术
Systems Engineering and Electronics
ISSN 1001-506X,CN 11-2422/TN
《系统工程与电子技术》网络首发论文
题目: 基于 Stacked-TCN 的空间混叠信号单通道盲源分离方法
作者: 赵孟晨,姚秀娟,王静,董苏惠
收稿日期: 2020-10-12
网络首发日期: 2021-03-02
引用格式: 赵孟晨,姚秀娟,王静,董苏惠.基于 Stacked-TCN 的空间混叠信号单通道
盲源分离方法[J/OL].系统工程与电子技术.
https://kns.cnki.net/kcms/detail/11.2422.tn.20210227.2208.006.html
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国
学术期刊(网络版)》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN 2096-4188,CN 11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
系统工程与电子技术
Systems Engineering and Electronics
收稿日期:2020-10-12;修回日期:2021-02-06。
基金项目:中国科学院空间科学战略性先导科技专项(XDA15060100),中国科学院战略高技术创新基金(GQRC-19-14)资助课题
基于 Stacked-TCN 的空间混叠信号单通道盲源
分离方法
赵孟晨
1
,
2
,姚秀娟
2
,王 静
2
,董苏惠
1
,
2
(1. 中国科学院大学电子电气与通信工程学院,北京 100049;
2. 中国科学院国家空间科学中心,北京 100190;)
摘 要:针对空间互联网星地通信场景中的混叠信号分离精度不足问题,提出 了基于深
度学习的堆叠时域卷积网络(stacked time domain convolutional network,Stacked-TCN)分离方
法。首先,对混合信号提取编码特征表示。然后,通过时域卷积网络训练得到源信号的深层
特征掩模,将每个信号源的掩模与混合信号编码特征做 Hadamard 乘积,得到源信号的编码
特征表示。最后,使用 1-D 卷积,对源信号特征进行解码,得到原始波形。实验采用负的比
例不变信噪比(scale-invariant source to noise ratio, SISNR)作为网络训练的损失函数,即单通道
盲源分离性能的评价指标。结果表明,Stacked-TCN 方法与独立成分分析(independent
component analysis,ICA)、非负矩阵分解(non-negative matrix factorization,NMF)两种经典分
离算法和时域音频分离网络(time-domain audio separation network,TasNet)、Wave-U-Net 两种
深度学习分离方法相比,损失函数降低了 9.11~36.63dB。其中,8PSK_16QAM 分离损失为
-3.23dB@SNR=5dB,比其他 4 种方法降低了 12.77dB。Stacked-TCN 方法具有更好的分离精
度和噪声鲁棒性。
关键词:欠定盲源分离;同频干扰;单通道;时域卷积网络(TCN)
中图分类号:TN 911.7 文献标志码:A
Single-channel blind source separation of spatial aliasing signal
based on Stacked-TCN
ZHAO Mengchen
1
,
2
,YAO Xiujuan
2
,WANG Jing
2
,DONG Suhui
1
,
2
(1. School of Electronic and Communication Engineering, University of Chinese Academy of Sciences ,
Beijing 100049, China; 2. National Space Science Center; CAS, Beijing 100190, China)
Abstract: Aiming at the problem of insufficient separation accuracy of the aliased signals in
the satellite-to-ground communication scene, a Stacked-TCN method based on deep learning is
proposed. First, the coding feature of the mixture is extracted. Then, the mask of the source is
obtained through TCN. The Hadamard products is performed to the mask of source and the
mixture feature to obtain the source feature. Finally, 1-D convolution is used to decode the source
feature to obtain the waveform. SISNR is used as the loss function, that is, the evaluation index of
single-channel blind source separation performance. The results show that the Stacked-TCN
method reduce the loss by 9.11dB~ 36.63dB compared with algorithms of ICA, NMF, TasNet and
Wave-U-Net ,and reduce the loss by 12.77dB in 8PSK_16QAM mixture when SNR is 5dB in
which the loss is -3.23dB.This method has better separation accuracy and noise robustness.
Keywords: underdetermined blind source separation; co-frequency interference; single
channel; time-domain convolutional network (TCN)
网络首发时间:2021-03-02 11:45:33
网络首发地址:https://kns.cnki.net/kcms/detail/11.2422.tn.20210227.2208.006.html
系统工程与电子技术
Systems Engineering and Electronics
2
0 引 言
近年来,国内外的卫星星座组网计划发展迅
速,星地通信、星间通信使得频谱拥挤进一步加
剧,同频信号混叠干扰难以避免
[1]
,空间通信电
磁环境呈现时频混叠、空间交错,在现实空间通
信环境中,鲁棒的信号处理通常需要自动信号分
离
[2, 3]
。在密集的星座互联网通信场景下,达到
接收端的源信号可能是多个通道的混叠信号,而
地面站观测通道数目有限,因此欠定盲源分离的
应用场景极为常见。常 规的二步法、稀疏特征表
示法等欠定分离方法
[4-6]
在单通道条件下分离效
果欠佳,单通道通信信号盲源分离问题亟待解决。
研究者提出了许多解决分离问题的方法。独
立成分分析 ICA
[7]
在超定分离方面表现良好,但
在欠定盲源分离场景下效果欠佳。基于聚类法的
稀疏分量分析(sparse component analysis,SCA)
[8]
需要已知混合信号的数目。时-频掩模方法
[9-12]
提高了分离精确度,但存在幅度和相位解耦,短
时傅立叶变换需要较高分辨率的频率分解窗,限
制在低延迟系统中的适用性。NMF
[13-14]
可以在
时域进行分解,但 在泛化为大数据的能力方面较
弱。基于 Kalman 滤波
[15]
,LCL-FRESH 滤波
[16]
,
循环维纳滤波的单通道分离
[17]
计算复杂度高,
实用效果有待提高。
随着大数据的发展和算力的提高,深度学习
在时序信号处理如语音识别、语音分离
[18-38]
、通
信信号调制识别
[39]
上取得了巨大成功,展示出
了深度学习强大的特征提取和时序信号处理能
力。然而,深度学习在通信信号处理上的应用多
见于常规的调制识别与分类任务,在单通道通信
信号分离等复杂任务上尚未涉足。
本文提出的通信信号单通道盲源分离方法,
引入了数据驱动的深度学习方法,采用基于
stacked-TCN的全卷积时域分离网络(convolution
time-domain audio separation network ,
Conv-TasNet)分离框架。提出的方法首先使用
1-D 卷积对混合通信信号提取编码特征表示,将
其作为输入。然后,使用时域卷积网络,训练得
到纯净信号源的深层特征掩模,将每个信号源的
掩模与得到的混合信号编码特征做 Hadamard 乘
积,可以得到源信号的编码特征表示。最后,再
次使用 1-D 卷积,对得到的源信号特征进行解码,
得到原始波形。训练的损失函数采用比例不变信
噪比,以此度量掩模估计准确度和信号分离准确
度。实验结果表明,该方法有效提高了单通道通
信信号盲源分离精度,具有较好的噪声鲁棒性。
1 盲源分离数学模型
盲源分离(blind source separation,BSS)根据
观测信号
()tx
,利用信号源之间的独立性,使得
估计信号
*
()ts
逼近于信号源
()ts
。信号源为
T
12
() { (), (), , ()}
n
t tt t= s ss s
,接收到的观测混合信
号 为
T
12
() { (), (), , ()}
m
t tt t= x xx x
, 估计信号为
* * * *T
12
() { (), (), , ()}
n
t tt t= s ss s
,盲源分离数学模型
[12,
18-21, 23-31]
采用线性瞬时混合模型:
() () ()t tt= +x As n
(1)
式中,A 为混合矩阵;m 代表源信号的个数;n
代表接收天线阵元个数。当 n<m 时,定义为欠
定盲源分离。其中,当 n=1 时,定义为欠定条件
下的单通道盲源分离。
单通道欠定盲源分离瞬时混合模型为
1
() ()
N
ii
i
t at
=
=
∑
xs
(2)
2 全卷积时域信号分离网络
为了对通信信号的深层特征进行有效提取,
以提高分离精度,本文采用以 Stacked-TCN 为基
础的 Conv-TasNet全卷积时域信号分离网络框架
进行训练。序列信号的准确分离需要较长的时间
窗口信息,即长时依赖性,而 TCN 在序列信号
建模和处理上的优越性能,可以满足语音信号、
通信信号等序列信号的长时依赖性建模。每个
TCN 为一个 1-D 单元块,如
图 1 所示。全卷积
时域信号分离网络结构如图 2 所示。
输入
输出
残差连接
1×1
卷积
带泄露修正
线性单元
可分离
卷积
层
归一化
图 1 1-D 单元块结构图
Fig.1 Structure of 1-D block
2.1 混合信号编码特征表示
对一维混合通信源信号使用 1-D 卷积进行
线性编码特征表示,其中,使用 512 组卷积核,
生成混合信号的多维编码特征,将多维编码特征
表示作为分离网络的输入:
11
() *
encoder encoder
h= = +x x w xb
(3)
式中,
()
encoder
h ⋅
为卷积操作;
1
w
和
1
b
分别为卷积
核的权重和偏置。
剩余13页未读,继续阅读
艾苛尔
- 粉丝: 26
- 资源: 307
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0