Математическое моделирование слепого разделения двух вещественных сигналов с использованием кумулянтов четвертого порядка
Автор: Либеровский Никита Юрьевич, Чиров Денис Сергеевич, Припутин Владимир Сергеевич
Рубрика: Математическое моделирование
Статья в выпуске: 2 т.13, 2020 года.
Бесплатный доступ
В настоящее время методы слепого разделения сигналов используются в различных областях деятельности человека, в том числе в системах беспроводной связи, радиолокации и пеленгации. В статье представлены оригинальный метод и математическая модель слепого разделения двух вещественных радиосигналов. Слепое разделение сигналов подразумевает, что никакой информации о радиосигнале, кроме принимаемых отсчетов, нет. Решение поставленной задачи основано на двух фундаментальных предположениях, выполняемых в реальных условиях. Первое предположение состоит в том, что наблюдаемый сигнал линейно зависит от сигнала источников. Второе предположение заключается в том, что источники радиосигналов являются статистически независимыми. Общую структуру методов слепого разделения сигналов можно представить в виде комбинации контрастной функции и метода ее оптимизации. В ранее известных способах решение этой задачи слепого разделения сигналов осуществляется итерационными методами. В качестве критерия разделения радиосигналов выбрано приведение кумулянтов второго и четвертого порядков выходных сигналов к нулю. Предложенное аналитическое решение позволяет находить размешивающую матрицу W для любых независимых сигналов s1 и s2, кроме тех, у которых кумулянты четвертого порядка равны нулю. Для таких величин разработанный метод позволяет только привести их смесь к двум некоррелированным сигналам. В отличие от существующих итерационных методов, предложенный метод слепого разделения сигналов обеспечивает гарантированную сходимость задачи в заданных ограничениях. Для проверки работоспособности метода создана модель смешивания и разделения сигналов, эффективность которой оценена при различных мощностях собственных шумов в каналах приема. В результате моделирования построена зависимость уровня разделения сигналов от мощности собственных шумов. Продемонстрирована работоспособность метода при отношении шумов входных сигналов к мощности полезных сигналов менее 0,2 дБ.
Слепое разделение сигналов, цифровая обработка сигналов, кумулянт, математическое моделирование, уровень разделения сигналов
Короткий адрес: https://sciup.org/147235013
IDR: 147235013 | УДК: 004.021 | DOI: 10.14529/mmp200204
Текст научной статьи Математическое моделирование слепого разделения двух вещественных сигналов с использованием кумулянтов четвертого порядка
В последнее время методы слепого разделения (СРС) все чаще используются в области цифровой обработки сигналов [1, 2]. Методы СРС основаны на двух фундаментальных предположениях, выполняемых в реальных условиях. Первое предположение состоит в том, что наблюдаемый сигнал линейно зависит от сигнала источников. Второе предположение заключается в том, что источники радиосигналов являются статистически независимыми. Возможность разделения источников исходя только из наблюдаемых радиосигналов позволяет существенно снизить систематическую ошибку, связанную с неверно учтенными свойствами антенной системы.
Классическими трудами по теории методов СРС являются [1,2], в которых приведена постановка задачи СРС и показано, что общую структуру методов СРС можно
Н.Ю. Либеровский, Д.С. Чиров, В.С. Припутин представить в виде комбинации контрастной функции и метода ее оптимизации. Решение такой задачи осуществляется итерационными методами.
Методы СРС применяются в различных областях деятельности человека. В [3] методы СРС применяются для слепого разделения результатов функциональной магнитно-резонансной томографии (ФМРТ) мозга. Работы [4–6] посвящены применению методов СРС в MIMO-системах. Для разделения сигналов предлагается использовать статистики второго и более высокого порядков. В [7] представлено исследование применения СРС в задачах телемедицины, особенно во время записи медицинских данных. Показано, что применение методов СРС позволяет повысить качество медицинской помощи. В [8] рассматриваются проблемы применения СРС в задачах анализа электромагнитных помех.
Применительно к решению задачи слепого разделения радиосигналов методы СРС можно разделить на две большие группы: методы, использующие на каждом этапе оценивания вектора весовых коэффициентов отсчеты смеси сигналов (сигналы с антенной решетки) и методы, базирующиеся на работе только со статистиками сигналов. Основной идеей методов СРС на основе анализа статистик сигнала является одновременная обработка нескольких (двух или более) кросстатистик, полученных по значениям принимаемых сигналов [9]. Эти статистики конгруэнтным преобразованием связаны с соответствующими статистиками для источников радиосигналов, которые, согласно предположению о независимости источников, диагональны.
Работа [10] посвящена обзору и сравнительному анализу методов СРС в задаче распознавания модуляции радиосигналов. Проанализированы алгоритмы слепого разделения на основе метода анализа независимых компонент (АНК): AMUSE [11], JADE [12], SOBI [13], EFICA [14]. Показано, что наиболее эффективными из этих алгоритмов слепого разделения являются алгоритмы SOBI и EFICA, тогда как алгоритмы, основанные на статистике высоких порядков (JADE) являются неэффективными.
В [15] предложен метод слепого разделения сигналов на базе статистик второго порядка в задаче пространственно-поляризационной селекции. Показано, что предложенный метод позволяет эффективно подавлять помехи, имеющих поляризационное разнесение с информационным сигналом, направление прихода которых близко к направлению прихода информационного сигнала. При отсутствии поляризационного разнесения сигналов такой метод не позволяет решать задачу СРС, так как в этом случае отношение принимаемых сигналов будет одинаковым для любого антенного элемента вне зависимости от его местонахождения.
В [16] рассматривался метод СРС с использованием кумулянтов [17] третьего порядка. Однако этот метод не работает для случайных величин с нулевыми кумулянтами третьего порядка. Например, он не может провести слепое разделение сигналов с симметричной плотностью распределения вероятности.
В статье рассматривается аналитическое решение, позволяющее осуществлять слепое разделение двух вещественных статистически независимых сигналов. В отличие от существующих итерационных методов СРС, предложенный метод и его математическая модель позволяет получать гарантированное решение задачи.
1. Основные теоретические положения
Пусть s 1 и s 2 – статистически независимые неизвестные вещественные стационарные сигналы. Пусть A – канальная матрица смешивания сигналов s 1 и s 2 . Пусть x 1 и x 2 – смешанные известные вещественные сигналы, которые представляют собой линейную комбинацию сигналов s 1 и s 2 :
= (aii a^A .
a 21 a 22
A
(x^ = (au ai2^ ( s^ x 2 a 21 a 22 s 2 .
Задача состоит в том, чтобы используя только информацию о сигналах x 1 и x 2 , найти размешивающую матрицу W , такую, чтобы матричное произведение WA представляло собой матрицу, которую можно привести к диагональной перестановкой ее строк. Тем самым сигналы y 1 и y 2 , полученные в результате воздействия размешивающей матрицы W на входные сигналы x 1 и x 2 , будут представлять собой сигналы s 1
и s 2 с точностью до перестановки.
Так как в рамках поставленной задачи известны только принимаемые сигналы x 1 и x 2 , найти размешивающую матрицу W можно только исследовав статистические свойства этих сигналов. Поэтому в дальнейшем под x 1 и x 2 будем понимать два случайных процесса, зависящих от времени. Также в дальнейшем будем предполагать, что случайные процессы x 1 и x 2 являются стационарными, то есть их вероятностные характеристики неизменны во времени.
Поскольку сигналы x 1 и x 2 стационарны и известны их значения на всем протяжении наблюдения, то можно оценить их основные статистические характеристики [18]. В работе в качестве используемых статистик сигналов используются кумулянты второго и четвертого порядков. Кумулянты второго порядка необходимы для приведения сигналов к некоррелированному виду. Смешанные кумулянты четвертого порядка используются как дополнительный критерий независимости сигналов. В работе не используются кумулянты третьего порядка, поскольку они равны нулю для сигналов с симметричной плотностью распределения вероятности. Для анализа вероятностных характеристик смешанных сигналов используется разложение кумулянтной функции в степенной ряд:
+ ∞ + ∞ i k 1 + k 2
*( v 1 ,v 2 ) = У E kTkJ^ k i k 2 v k 1 v k 2 ’
где i – мнимая единица; µ k 1 k 2 – кумулянт порядка k 1 и k 2 .
При этом, если случайные величины являются независимыми, то их совместную кумулянтную функцию можно представить в виде суммы кумулянтных функций каждой случайной величины. Отсюда следует, что у независимых случайных величин смешанные кумулянты равны нулю. Таким образом, задачу слепого разделения двух вещественных сигналов можно свести к нахождению такой матрицы W , чтобы все смешанные кумулянты выходных сигналов y 1 и y 2 были равны нулю. Для того, чтобы найти размешивающую матрицу W , удовлетворяющую вышеприведенным условиям, необходимо определить, как зависят кумулянты y 1 и y 2 от кумулянтов исходных сигналов x 1 и x 2 и матрицы W . Для этого воспользуемся следующим выражением для кумулянтной функции смешанных случайных величин:
^Y ( V 1 ,V 2 ) — Ф аХ ( V 1 ,V 2 ) — Ф х ( a 11 V 1 + a 21 V 2 ,a 12 V 1 + a 22 V 2 ) —
+ ∞ + ∞ k 1 + k 2 + ∞ + ∞ k 1 + k 2
—£5 k ! k ! MX 1 k 2 ( anV 1 + a 21 V 2 ) k 1 ( a^V 1 + a 22 V 2 )k 2 — k EE^ * Y . . . Ф vk, (3)
где Y — ^y1^; X — ^X1^; Mk 1 k 2 - кумулянт порядка k 1 и k 2 для сигналов x 1 и x 2 ; µ k Y 1 k 2 – кумулянт порядка k 1 и k 2 для сигналов y 1 и y 2 .
Раскладывая соотношение (3) в степенной ряд, получим следующие соотношения для кумулянтов второго порядка:
M 20 — a 11 M 20 + 2 a 11 a 12 M 11 + a 12 M 02 ;
Y XXXX
M 11 — a 11 a 21 M 20 + a 11 a 22 M 11 + a 12 a 21 M 11 + a 12 a 22 M 02 ;
M 02 — a 21 M 20 + 2 a 21 a 22 M 11 + a 22 M 02 .
В рамках решения задачи слепого разделения сигналов необходимо, чтобы смешанный кумулянт второго порядка был равен нулю:
Y XXXX
Мц — ацаиМю + a ii a 22 M 11 + a i2 a 2i M 11 + a 12 a 22 M 02 — 0 .
Однако если бы были оставлены только эти ограничения, то тогда было бы возможно получение тривиального решения (все элементы матрицы W равны нулю). Действительно, в этом случае независимо от входных сигналов x 1 и x 2 , выходные сигналы y 1 и y 2 в любой момент времени равны нулю, и соответственно равны нулю их смешанные кумулянты. Для того, чтобы избежать подобного решения, также требуется, чтобы дисперсия выборки сигналов y 1 и y 2 была равна единице. Тем самым, тривиальное решение было исключено из множества допустимых решений. Таким об-
разом, решение задачи слепого разделения сигналов должно подчиняться следующим ограничениям:
M 20 — a 11 M 20 + 2 a 11 a 12 M 11 + a 12 M 02 — 1;
M 02 — a 21 M 20 + 2 a 21 a 22 M 11 + a 22 M 02 — 1;
MY — a 11 a 21 MX 0 + a 11 a 22 MX + a 12 a 21 MX + a 12 a 22 MX 2 — 0 .
Рассмотрим уравнение a 21 MX 0 + 2a 11 a 12 MX 1 + a 12 M X — 1 . Относительно переменной a 11 оно является квадратным:
a 21 ( M X ) + 2 a 11 ( a 12 M X1) + ( a 22 M 02 — 1 ) — 0 . (7)
Тогда дискриминант этого уравнения будет равен: D X 2 XX X 2
4 — M 20 a 12 ^M20 M 02 VM11J J .
Для того, чтобы существовали решения уравнения (7), дискриминант D должен быть неотрицательным:
M X — an ( MX 0 MX 2 - (. MX ) 2 ) > 0 . (9)
Так как M X 0 и MX 0 MX 2 — ( М п ) 2 являются положительными числами, то введя вспо-
могательную переменную t 1 , выразим переменную a 12 следующим образом:
a 12 —
µ 2 X 0
Л -----------------------о sinlti) .
XX X 2 1
V М 20 М 02 ( Ми )
Зная вид a 12 , можно записать вид переменной a 11 :
a ll —
XX
-a 12 µ 11 ± µ 20
-
a ?2 (x20X02 - OXD2)
µ 2 X 0
^ X0 M X 2 - (^ X1 )
µ 2 X 0
2 sm^MX ± J^X o
-
а ?2 ^M X o M X - OXD 2)
-
µ 2 X 0
µ 1 X 1
Список литературы Математическое моделирование слепого разделения двух вещественных сигналов с использованием кумулянтов четвертого порядка
- Cardoso, J.-F. Blind Signal Separation: Statistical Principles / J.-F. Cardoso // Proceedings of the IEEE. - 1998. - V. 86, № 10. - P. 2009-2025.
- Hyvarinen, A. Syrvey on Independent Component Analysis / A. Hyvarinen // Neural Computing Syrveys. - 1999. - № 2. - P. 94-128.
- Wu Xing-Jie. An Improved Group BSS-CCA Method for Blind Source Separation of Functional MRI Scans of the Human Brain / Wu Xing-Jie, Hu Yun-an, Li Ming, Zeng Ling-Li, Shen Hui, Hu Dewen // Proceedings ICBDA. - 2017. - P. 758-761.
- Bhandari, R. A Literature Survey on BSS Approaches for MIMO-OFDM Detection / R. Bhandari, S. Jadhav // Proceedings ICCUBEA. - 2015. - P. 238-241.
- Chao-Cheng Tu. Subspace. Blind MIMO-OFDM Channel Estimation with Short Averaging Periods: Performance Analysis / C. Tu, B. Champagne // IEEE Wireless Communications and Networking Conference. - 2008. - P. 24-29.
- Sarperi, L. Blind OFDM Receiver Based on Independent Component Analysis for Multiple-Input Multiple-Output Systems / L. Sarperi, X. Zhu, A.K. Nandi // IEEE Transactions on Wireless Communications. - 2007. - V. 6. - P. 4079-4089.
- Sahroni, A. Performance of Blind Source Separation (BSS) Techniques for Mixed Source Signals of EEG, ECG, and Voice Signal / A. Sahroni, H. Setiawan, E. Marfianti // Proceedings IWCIA. - 2014. - P. 213-217.
- Lin Hongyi. A Single-Channel BSS Method Based on ICEEMDAN and FastICA and Its Application in EMI Analysis / Hongyi Li, Wei Lin, Di Zhao // Proceedings ICCSE. - 2019. -P. 780-784.
- Аджемов, С.С. Слепое разделение сигналов на основе сдвиговых статистик / С.С. Ад-жемов, А.А. Кучумов, Д.В. Савостьянов // T-Comm: Телекоммуникации и транспорт. -2009. - Спецвыпуск. - С. 16-19.
- Кучумов, А.А. Эффективность использования алгоритмов слепой обработки для разделения сигналов с различными типами модуляции / А.А. Кучумов, Н.Е. Мирошникова // T-Comm: Телекоммуникации и транспорт. - 2016. - Т. 10, № 5. - С. 17-20.
- Belouchrani, A. Second-Order Blind Separation of Temporally Correlated Sources / A. Belouchrani, K. Abed-Meraim, J.-F. Cardoso, E. Moulines // Proccedings International Conference on Digital Signal Process. - 1993. - P. 346-351.
- Cardoso, J.-F. Blind Beamforming from Non-Gaussian Signals / J.-F. Cardoso, A. Souloumiac // Proceedings of the Institution of Electrical Engineers. - 1993. - V. 140, № 6. - P. 362-370.
- Tong Lang. Indeterminacy and Identifiability of Blind Identification / Lang Tong, Vic Soon, Yih-Fang Huang, Raymond Liu // IEEE Transactions on Circuits and Systems. - 1991. -№ 38. - P. 499-509.
- Koldovsky, Z. Efficient Variant of Algorithm FastICA for Independent Component Analysis Attaining the Cramer-Rao Lower Bound / Z. Koldovsky, P. Tichavsky, E. Oja // IEEE Transactions on Neural Networks. - 2006. - V. 17, № 5. - P. 1265-1277.
- Припутин, В.В. Метод слепого разделения сигналов на базе статистик второго порядка в задаче пространственно-поляризационной селекции / В.В. Припутин // T-Comm: Телекоммуникации и транспорт. - 2014. - № 6. - С. 36-39.
- Kuchumov, A.A. Blind Two Real Signals Separation Method Based on Third Order Cumulants / A.A. Kuchumov, N.Y. Liberovskiy, V.S. Priputin // Proceedings Systems of Signals Generating and Processing in the Field of on Board Communications. - 2019. -P. 1-4.
- Малахов, А.Н. Кумулянтный анализ случайных негауссовых процессов и их преобразований / А.Н. Малахов. - М.: Советское радио, 1978.
- Левин, Б.Р. Теоретические основы статистической радиотехники / Б.Р. Левин. - М.: Радио и связь, 1989.
- Стратонович, Р.Л. Принципы адаптивного приема / Р.Л. Стратонович. - М.: Советское радио, 1973.
- Mesloub, A. A New Algorithm for Complex Non-Orthogonal Joint Diagonalization Based on Shear and Givens Rotations / A. Mesloub, K. Abed-Meraim, A. Belouchrani // IEEE Transactions on Signal Processing. - 2014. - V. 62, № 8. - P. 1913-1925.