基于稀疏分量分析的雷达信号欠定盲源分离方法研究

【摘要】：盲源分离是信号处理领域解决信号分离的一种有效方法,已经被广泛应用在医疗图像、通信信号处理、生物医学、神经网络等多个研究领域。盲源分离仅利用接收到的观测信号来提取分离出各路源信号,在实际中更常遇到观测信号数目少于源信号数目的欠定盲源分离(UBSS)情况,因此研究雷达信号的欠定盲源分离具有重要的意义。UBSS技术可以将复杂的混合信号分离成多个单信号分量,在电子侦察和雷达应用等领域有着广泛的应用,目前常采用基于稀疏分量分析理论的“两步法”来处理UBSS问题。现有的检测算法恢复源信号性能不高,针对上述问题,本文提出了一种基于稀疏分量分析的新型两阶段雷达信号欠定盲源分离算法。主要内容如下:(1)介绍盲源分离的模型与基础理论知识,并详细解说混合矩阵估计中常用的聚类算法:K-means聚类、模糊c-均值聚类以及密度聚类,阐述了盲源分离的两种主要方法:独立分量分析法与稀疏分量分析法;(2)在混合矩阵估计阶段,阐述信号时频域特征及相关特性,详细介绍传统特征值分解、模糊c-均值聚类、谱聚类以及张量分解等方法估计混合矩阵时的精度误差与适用范围。为降低混合矩阵估计误差,提出了一种改进的谱聚类算法,在该改进方法中,引进张量分解算法处理谱聚类算法过程中得到的特征向量来估计出混合矩阵,估计对应于最大特征值的特征向量,并将其作为估计出的混合矩阵,此方法大大降低了混合矩阵的估计误差;(3)在源信号的恢复过程中,提出了一种基于K-means奇异值分解(K-SVD)的分层耦合字典训练方法,字典训练方法通过预分离获得先验训练信号,采用分层耦合思想进行有效训练。在未知先验信息条件下,采用两阶段方法实现信号的分离:第一阶段,采用改进的谱聚类算法估计出混合矩阵。第二阶段,首先建立UBSS和压缩感知(CS)的统一模型,从而将CS领域中的重构算法应用于UBSS。在此基础上,基于K-SVD的分层耦合字典训练方法恢复源信号。仿真结果表明,该方法源信号恢复性能优于传统方法,在未知先验信息的实际情况下恢复效果更佳。