Electromagnetic Analysis and Applications 电磁分析与应用, 2015, 4, 7-17
Published Online April 2015 in Hans. https://www.doczj.com/doc/a113473131.html,/journal/eaa
https://www.doczj.com/doc/a113473131.html,/10.12677/eaa.2015.42002
Blind Separation of Remote Field Eddy
Current Defect Signal from Magnetic
Perturbation Based on Independent
Component Analysis
Xiaojie Xu, Wenlin Pei, Haojie Zhang
Institute of Information and Navigation, Air Force Engineering University, Xi’an Shaanxi
Email: dr_xxj@https://www.doczj.com/doc/a113473131.html,
Received: May 25th, 2015; accepted: Jun. 20th, 2015; published: Jun. 24th, 2015
Copyright ? 2015 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
https://www.doczj.com/doc/a113473131.html,/licenses/by/4.0/
Abstract
According to influence of magnetic perturbation in remote field eddy current defect detection, a novel blind separation technique based on independent component analysis was proposed. Firstly, finite element method was adopted to declare the applicability of independent component analy-sis in remote field eddy current. Secondly, a new method based on real part and imaginary part rather than amplitude and phase signal was proposed, and simulation and experiment was im-plemented to verify it. At last, a conclusion could be deduced from simulation and experiment re-sults as followed: the influence of magnetic perturbation could be eliminated significantly by using independent component analysis.
Keywords
Nondestructive Testing, Remote Field Eddy Current, Independent Component Analysis, Defect,
Magnetic Perturbation
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
徐小杰, 裴文林, 张浩杰
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
空军工程大学信息与导航学院, 陕西西安
Email: dr_xxj@https://www.doczj.com/doc/a113473131.html,
收稿日期：2015年5月25日；录用日期：2015年6月20日；发布日期：2015年6月24日
摘要
针对远场涡流检测中管道磁导率不均匀严重影响缺陷信号检测的问题，本文提出一种新的基于独立分量分析的远场涡流缺陷信号盲分离技术。首先利用有限元仿真对独立分量分析在缺陷分离中的适用性进行了详细分析，证实了磁导率不均匀和缺陷信号满足独立分量分析的应用前提。提出了基于实部和虚部信号的独立分量分析缺陷分离方法，并进行了仿真和实验验证。结果表明，基于独立分量分析技术能够有效的从磁导率不均匀区域分离和识别出缺陷。
关键词
无损检测，远场涡流，独立分量分析，缺陷，磁导率不均匀
1. 引言
远场涡流作为涡流无损检测技术的重要分支，在管道尤其是铁磁性管道的检测和评估中发挥着重要作用[1] [2]。然而，工业管道由于长期外界环境不同或制造过程条件差异等原因，往往造成各段管道磁导率不均匀，进而覆盖远场涡流缺陷检测信号，如不能对其进行有效分离和识别，极易造成漏检和误检发生。为解决这一问题，Atherton[3]等人提出带磁饱和窗的远场涡流技术，但在激励线圈和检测线圈附近实现局部磁饱和，难度很大，且磁轭装置既增加了系统复杂度，又降低了通过弯管时的灵活性。随着数字信号处理技术发展，人们开始探索从信号处理角度出发消除磁导率不均匀影响，如Mandayam等人提出一种基于特征不变量的方法，构造一种只对缺陷变化敏感对磁导率变化不敏感的特征向量以消除其影响，但此方法需要事先设定特定模型，适用性不强。
独立分量分析(Independent Component Analysis, ICA)理论是在统计独立性假设下，对观测到的多路混合信号进行盲分离，获取隐含在混合信号中的独立信源[4]-[6]。在电磁检测领域，近年来开始逐渐有人应用独立分量分析技术解决实际工程中遇到的难题，如功能核磁共振成像(FMRI)中利用ICA技术对生物电信号进行分离；海底管道缺陷漏磁法检测中应用ICA技术消除电磁干扰；利用涡流阵列传感器和ICA消除提离对检测信号带来的影响。独立分量分析方法无需增加系统复杂度，且对混合信号仅要求很少的先验知识，具有良好的对象适应性。有鉴于此，我们提出一种新的基于独立分量分析技术实现远场涡流缺陷和磁导率不均匀的盲分离。
2. 原理分析与有限元仿真
2.1. 原理分析
独立分量分析要求两个前提条件：信源统计独立且符合线性叠加。依据电磁场散射定理，磁导率不均匀和缺陷从其电磁本质上可以近似看作激励电磁场在传播和扩散过程中遇到的两个不同散射体，再根据电磁场等效定理，在不考虑二者之间进一步相互作用前提下，缺陷和磁导率不均匀可以看作两个独立的二次散射源。电磁场中的叠加定理描述如下：在一个线性、各向同性的系统中，两个独立散射源所产
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
生的电磁场等价于每个单独源存在时的矢量叠加。在有限元仿真中，线性和各向同性的前提显然满足，对于实际检测系统，也近似工作于线性区域，因此均可近似认为二者符合线性叠加关系。
2.2. 有限元仿真
为验证上述结论有效性，我们采用Atherton等人提出的缺陷等效源方法进行有限元仿真：首先仿真得到完好管道的矢量磁位A n，以及存在缺陷或者磁导率不均匀情况时的矢量磁位A d，然后将空间对应各点的两者进行矢量相减，即可得到缺陷源的矢量磁位空间分布：A s = A d? A n。仿真对象是一段内径140mm，外径148 mm，壁厚4 mm，长800 mm的铁磁性钢管，电导率σ = 5.96 × 106 S?m?1，相对磁导率μr = 329.5；激励线圈外径134 mm，内径124 mm，长30 mm，施加电流密度为5.5 × 106 A/m2，激励频率60 Hz，初始相位角为0。缺陷位于距离激励线圈0.57 m处，磁导率不均匀位于0.63 m处，两者均位于远场区位置[7]-[9]。分磁导率不均匀和缺陷同时存在、仅存在磁导率不均匀、仅存在缺陷三种情况进行仿真。
图1为同时存在磁导率不均匀和缺陷时的等效源磁力线分布图，可以看出，图中对应于磁导率不均匀和缺陷的区域，等效于分别存在两个不同的二次散射源。图2为仅存在磁导率不均匀的情况，此时等效为一个存在于磁导率不均匀区域的单独二次散射源；图3为仅存在缺陷情况，此时等效为另一个存在于缺陷区域的单独二次散射源。为证实两者之间满足叠加定理，我们将图2和图3对应点进行矢量叠加，得到图4。对比图1和图4可知，二者分布基本吻合。因此，可以证实缺陷和磁导率不均匀可以看作两个不同的二次散射源，且两者之间满足叠加定理。
3. 基于负熵判据的固定点算法
p x，则该信源熵定义为信号中所含有的平均信息量。对于连续的信源x，如果其概率密度函数为()
的熵为：
()()
=?∫(1)
H p x p x x
log d
熵的一个重要特性就是在具有相同协方差阵的信号中高斯信号的熵最大，因此任意概率密度函数为()
p y的信号的熵与具有相同协方阵的高斯分布信号的熵二者之差即该信号负熵：
Figure 1. Contour map of r?A s of defect and magnetic perturbation
图1.二者同时存在情况下时的r?A s等值图
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
Figure 2. Contour map of r ?A s1 of magnetic perturbation only
图2. 仅存在磁导率不均匀时的r ?As 1等值图
Figure 3. Contour map of r ?A s2 of defect only
图3. 仅存在缺陷时的等效源r ?A s2等值图
()()()Gauss Ng x H x H x =? (2)
信号的负熵越大，则其非高斯性越强，因此可用其来度量分离信号非高斯性，且信号负熵在线性变换前后保持不变。由中心极限定理可知，独立信源经过线性迭加后，混合信号的高斯性信源信号强，通过观测分离信号非高斯性，当其达到最大时，表明分离效果达到最佳。基于负熵判据的固定点算法因其收敛速度很快，也称之为FastICA 算法。
在远场涡流缺陷识别中，与常规独立分量分析应用有所区别的是：我们并不需要确切知道混合信号
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
Figure 4. Vector superposition of r?A s1 and r?A s2
图4. r?As1和r?A s2矢量叠加
中所包含的全部独立信源，仅仅需要利用先验信息，找出我们所关心的缺陷信号，同时去除其余干扰信号(磁导率不均匀和其他干扰)的影响。本文采用“去伪迹”算法进行处理，其基本思路如下：首先利用独立分量分析算法计算出分离矩阵，并利用这一分离矩阵估计出各个独立的源信号；然后利用先验知识，判断出缺陷信号，将其余的独立信源全部设置为0，最后反推计算即可得到缺陷单独存在情况下的传感器响应。
4. 基于信号实部和虚部的分离算法
采用图5所示的仿真模型对独立分量分析算法的分离效果进行验证。
由于远场涡流的检测信号通常以幅值和相位的形式表示，我们首先以信号幅值作为输入信号进行分离，如图6所示，可以看出，经过去伪迹算法处理后恢复出的信号波形与原信号波形相比产生了很大畸变。
分析其原因，按照叠加定理，在空间位置处的场是两个独立二次散射源的矢量线性叠加，而信号幅值和相位是经过运算得到的，是对场信号的非线性叠加，从而带来分离结果的误差。实质上，信号的实部和虚部分量才是真正意义上的矢量线性叠加。因此，在采用独立分量分析时，应首先对所得到的实部和虚部分别进行分离以后，然后再综合利用两者求出幅值和相位信号。基于实部的分离结果如图7所示，此时的分离效果与缺陷单独存在时的信号波形基本一致，证实了所提出的基于实部和虚部信号进行缺陷信号分离的有效性。
为进一步了解存在噪声情况下，独立分量分析方法有效性，我们针对两种不同污染程度的噪声情况进行进一步仿真验证。对应仿真得到的2路传感器阵列实部信号，每一路分别叠加同一信噪比的随机加性高斯噪声，经独立分量分析算法和去伪迹算法处理以后的缺陷信号如图8和图9所示。在加入20 dB 随机加性高斯噪声时，算法分离效果有所下降，分离出的缺陷信号明显存在叠加的干扰噪声，但仍能有效识别出缺陷的存在；当叠加10 dB随机加性高斯噪声时，此时分离出的缺陷信号受噪声干扰十分严重，难以有效判别出不同位置的独立源。因此，要想获得较好的分离结果，在进行独立分量分析处理以前，应对实际信号进行必要的如低通滤波等预处理算法。
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
Figure 5. Simulation model
图5.仿真模型
Figure 6. Separation effect based on amplitude
图6.基于信号幅值的分离效果
Figure 7. Separation effect based on real part
图7.基于信号实部的分离效果
5. 实验验证
采用如图10所示的远场涡流检测装置进行实验验证。被测试件和检测线圈以及阵列传感器配置如图11所示。
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
Figure 8. Separation effect under 20 dB noise.
图8. 20 dB 噪声情况下的分离效果
Figure 9. Separation effect under 10 dB noise
图9. 10
dB 噪声情况下的分离效果
Figure 10. Experimental setup and schematic diagram 图10. 实验装置实物图与原理图
我们采用对管道局部区域进行热处理的方式模拟磁导率不均匀，并在此局部区域与被测管道未经过热处理的区域交界处加工一个宽3 mm 、深50%壁厚、长25 mm 的轴向裂纹。检测线圈采用均匀分布于管道周向的六个沿周向分布的棒形磁芯线圈(即传感器之间周向间隔60?)，其中检测线圈1位于轴向裂纹缺陷正下方。
正交锁相放大输出的两路信号恰好为同相信号和正交信号，即对应仿真中的实部和虚部信号，因此
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
将这两路信号进行独立分量分析处理以后，再通过计算即可得到检测信号幅值和相位，或直接以同相和正交信号为纵坐标和横坐标绘出极坐标图。分离前传感器阵列的同相信号如图12所示，裂纹信号几乎完全淹没于磁导率不均匀所产生的干扰信号中，难以有效判别其存在。由于局部热处理区域覆盖整个圆周，传感器阵列中六路传感器所检测到的磁导率不均匀信号基本相同，而对于缺陷信号，则只有位于缺陷正下方的传感器1检测到了较强的信号。其余5路传感器所检测到的缺陷信号则随着远离缺陷位置而迅速衰减。因此以下部分仅给出两路传感器的检测结果。
采用FastICA算法得到六个独立信源如图13所示。结合先验知识，第1个信源应为缺陷信号，第6个信源因周向覆盖范围大且变化趋势较为缓慢，应为磁导率不均匀所对应的信号，而其余几个信源，应该是热处理不均匀以及检测系统所带来的干扰信号。
(a) 传感器阵列(b) 检测线圈(c) 被测试件
Figure 11.Specimen and sensor array
图11.被测试件与传感器阵列
Figure 12. In-phase part before separation
图12.分离前的传感器阵列同相信号
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
利用去伪迹算法，保留信源1并消去其它几个信源影响，得到消除磁导率不均匀以后的传感器阵列同相信号如图14所示。可以看出，采用独立分量分析技术，可以有效去除原有检测信号中磁导率不均匀部分的干扰，获得只有缺陷存在时所对应的信号。
图15为利用同相信号和正交信号计算出的传感器阵列信号幅值，图16为远场涡流检测系统中常用的极坐标图，由于去除了磁导率不均匀的影响，仅传感器1所对应的位置有明显信号变化，其余传感器由于周向距离缺陷较远而检测不到信号，因而可以更为清晰的判断和识别出缺陷存在，且可以大致确定出缺陷信号的周向和轴向位置，进而为缺陷的定量评估提供基础。
6. 结论
1) 尽管磁导率不均匀与缺陷在远场涡流响应信号的各个特征上难以区分开来，但从其电磁场本质而言，可以将两者等效为两个相互独立的二次散射源，且两者之间的关系近似满足叠加定理。
2) 在选择实部和虚部而非幅值和相位作为输入混合信号的前提下，基于传感器阵列和独立分量分
Figure 13. Separated independent source
图13.分离出的独立信源
Figure 14. In-phase part after separation
图14.分离后的传感器阵列同相信号
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
Figure 15.Amplitude of sensor array
图15.传感器阵列信号幅值
Figure 16. Polar diagram of sensor array
图16.传感器阵列信号极坐标图
基于传感器阵列和独立分量分析的远场涡流缺陷信号盲分离技术研究
析技术的能够有效消除磁导率不均匀影响。此种方法相比加磁饱和窗的方法而言，无需增加任何系统的复杂度；相比特征不变量的方法而言，需要先验知识较少，能够适应各种不同的被测对象和应用场合。基金项目
国家自然科学基金(51107148)，陕西省自然科学基金(2011JQ7006)资助。
参考文献(References)
[1]李家伟, 陈积懋(2012) 无损检测手册(第二版). 机械工业出版社, 北京, 415-416.
[2]徐小杰(2007) 铁磁性管道中轴向裂纹的远场涡流检测关键技术研究. 博士学位论文, 国防科学技术大学, 长
沙.
[3]Kobayashi, N., Ueno, S., Nagai, S., et al. (2011) Remote field eddy current testing for steam generator inspection of
fast reactor. Nuclear Engineering and Design, 241, 4643-4648.
[4]Atherton, D.L. (1995) Remote field eddy current inspection. IEEE Transactions on Magnetics, 31, 4142-4147.
[5]Zhang, S.P., Yao, H.X., Sun, X., et al. (2014) Action recognition based on overcomplete independent components
analysis. Information Sciences, 28, 635-647.
[6]Khalil, M. and Sarkar, A. (2014) Independent component analysis to enhance performances of karhunen-loeve expan-
sions for non-gaussian stochastic processes: Application to uncertain systems. Journal of Sound and Vibration, 21, 5600- 5613.
[7]Xie, S.J., Chen, Z.M., Takagi, T., et al. (2012) Development of a very fast simulator for pulsed eddy current testing
signals of local wall thinning. NDT & E International, 51, 45-50.
[8]Chen, Z.M., Rebican, M. and Miya, K. (2005) Three dimensional simulation of remote field ECT using the Ar method
and a new formula for signal calculation. Research in NDE, 16, 35-53.
[9]吴德会, 黄松岭, 赵伟, 等(2009) 油气管道裂纹远场涡流检测的仿真分析. 中国机械工程, 12, 1450-1454.
专业课程设计学习材料 源信号分离Source Signal Separation
第一部分 简单介绍 一、 目标 我们的目标就是学习源信号分离理论的基础知识和源信号分离时涉及的相关学科知识，最终从观测信号中将源信号分离开来。注意：此时信号源和混合形式可能是未知的。 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.500.050.10.150.20.250.30.350.40.45 -1.5-1.0-0.50.00.51.01.500.050.10.150.20.250.30.350.40.45 图1 源信号波形 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.000.050.10.150.20.250.30.350.40.45 -2.0-1.00.01.02.000.050.10.150.20.250.30.350.40.45 图2 混合信号波形 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 -2.0-1.5-1.0-0.50.00.51.01.5 2.0 图3 分离信号波形 二、分离方法 1、FFT 法；条件：不同源信号占有不同的频带 2、自适应滤波方法；条件：已经信号的某些特征 3、盲信号分离方法；条件：遵从某些统计假设条件 三、盲分离的基本模型 盲信号分离的基本模型如图（1）所示。 )(1t )(2t y ) (t y m 图1 盲信号分离的基本模型 其中：)(1t s ，)(2t s ，……，)(t s n 为n 个源信号；)(1t x ，)(2t x ，……，)(t x m 为m 个观测信号；)(1t y ，)(2t y ，……，)(t y n 为待求解的n 个分离信号；)(1t n ，
ICA (Independent Components Analysis)，即独立分量分析。它是传统的盲源分离方法，旨在恢复独立成分观测的混合物。FastICA是一个典型的独立分量分析(ICA)方法。 它是信号盲处理的基础，对信号独立分量分析的检测是信号盲处理的起点。现有的信号盲处理的算法，大都是基于独立分量分析的，通过对独立分量分析的研究就可以把这些算法统一起来。 一、信号分类： 1.无噪声时： 假设混叠系统由m个传感器和n个源信号组成，并且源信号与观测信号遵从如下所示的混叠模型： x(t)=As(t)，其中，x(t)=[x1(t),x2(t),...,x m(t)]T表示m维观测信号矢量； A为m*n维混叠权系数为未知的混叠矩阵； n个源信号的组合为：s(t)=[s 1(t),s 2 (t),...,s n (t)]T 2.有噪声时： 若考虑噪声的影响，则有： x(t)=As(t)+n(t)， 其中，从m个传感器采集来的噪声集合为：n(t)=[n1(t),n2(t),...,n m(t)]T 针对式子：x(t)=As(t)+n(t) 独立分量分析(ICA)就是要求解分离矩阵W，使得通过它可以从观测信号x(t)中恢复出未知的源信号s(t)，分离系统输出可通过下式表示：y(t)=Wx(t)其中，y(t)=[y1(t),y2(t),…,y n(t)]T为源信号的估计矢量，即：y(t)=S(t) 二、用ICA方法的信号分析——基于小波变换和ICA的分离方案（分离步骤） 首先介绍下语音分离的大体思路。先采用小波变换对各个带噪混叠语音进行预消噪处理，然后进行预处理，最后用ICA的方法对消噪后的混叠语音进行分离；最后根据分离信号的特点进一步提出对其进行矢量归一和再消噪处理，最终得到各个语音源信号的估计。 1.预消噪处理——小波变换 这里采用的是小波阈值法去噪，它类似于图像的阈值分割。（阈值就是临界值或叫判断设定的最小值） 设带噪语音信号为: f(t)=As(t)+n(t)，式中: s(t)是纯语音信号, n(t)为噪声。 对式子作离散小波变换。首先对被噪声污染的语音信号进行离散序列小波变换, 得到带有噪声的小波系数；然后用设定的阈值作为门限对小波系数进行处理,对低于阈值的小波系数作为由噪声引起的,仅让超过阈值的那些显著的小波系数用来重构语音信号。 2.约束条件
盲源分离算法初步研究 一、盲源分离基本问题 1.概念 BSS 信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。 根据不同的分类标准，信号盲分离问题可以分成以下几类： （1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。多通道信号分离是M 个源信号混合后得到N 路混合信号（通常N ≥M ）。从N 路混合信号中恢复出M 个源信号的问题即为多通道信号分离。一般情况下，单通道信号分离的难度要超过多通道信号分离。 （2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。 （3）根据源信号的种类，也可将信号盲分离分为多类。在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。 2.盲分离问题的描述 BSS 是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子。在某个场所，多个人正在高声交谈。我们用多个麦克风来接受这些人说话的声音信号。每个人说话的声音是源信号，麦克风阵列的输出是观测信号。由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。 3.混合模型 信号的混合模型包含两个方面的内容：（1）源信号的统计特征；（2）源信号的混合方式。 3.1源信号的统计特征 已有的研究表明如果加上源信号间相互独立的限制条件，就可以有效地补偿对以上先验知识的缺乏。如果用q i 表示第i 个分量的概率密度函数，则这种统计独立性可以表示为： 11221()()...()()n n n i i i q s q s q s q s ==???=∏q(s) 其中q(s)是s 的联合概率密度函数。 3.2源信号的混合方式 最简单的混合模型假定各个分量是线性叠加混合在一起而形成观测信号的。基于这样的假设，我们可以把观测信号和源信号用矩阵的方式表示为： ()()t t =x Hs 式中H 是n ×n 阶的混合矩阵。基于该模型，盲信号分离()()t t =x Hs 的目标可以表
目录 一、涡流阵列检测应用研究 二、涡流阵列检测应用案例 三、涡流阵列检测应用注意事项 一、涡流阵列检测应用研究 1.非铁磁性材料、均匀表面 --对比试样 ET∝f（σ，μ≈μ0, LF, 均匀性…） 均匀表面：结构或材质方面的均匀。管件、锻件、铸件等 ECA显示特点： 表面开口缺陷：幅值、相位、C扫显示∝缺陷深度 近表面缺陷：幅值、C扫显示∝埋藏深度 1.非铁磁性材料、均匀表面--工件 对于非铁磁性金属材料的均匀表面，与PT相比，ECA表面条件要求低、检测速度快、缺陷检出率高、绿色环保， 优势较为明显。 1.非铁磁性材料、均匀表面--ECA-C扫成像
绝对桥式阵列、小的线圈尺寸、多的阵列排数更有利于涡流阵列C扫成像。 均匀表面表面开口缺陷ECA-C扫成像可在一定程度上定性 2.非铁磁性材料、非均匀表面--对比试块 ET∝f（σ, LF, μ≈μ0, 均匀性…） 对接接头：局部表面出现结构或材质不均匀。 2.非铁磁性材料、非均匀表面--模拟试块 表面的不均匀性，在一定程度上影响ECA-C成像效果，直观性受到影响。焊纹也会降低检测灵敏度。 2.非铁磁性材料、非均匀平面--工件 3.铁磁性材料、均匀表面--对比试样 ET∝f（σ, LF, μ, 均匀性…） 管件、锻件、铸件等
4.铁磁性材料、非均匀表面--动态提离补偿技术 ECA C-scan Image 对接接头：局部表面出现结构或材质不均匀。 4.铁磁性材料、非均匀表面--对比试样 5.高温 奥氏体不锈钢刻槽试板高温检测实验（300℃） 6.低温
低温情况下，PT无法实施，可考虑ECA。 二、涡流阵列检测典型案例——奥氏体不锈钢对接接头 1.表面开口缺陷 ECA可以比PT更容易发现缺陷。 2.近表面缺陷 ECA可以在一定程度上检出近表面缺陷。 在线不打磨检测--动态提离补偿 动态提离补偿技术，实现了碳钢对接接头的在线不打磨表面缺陷检测。
多信号分离技术 本文提出了4种信号分离的方法：基于Gabor 变换的盲分离法，基于ICA 的混合图像盲分离算法，基于二阶统计量的盲分离方法，基于线性正则变换的信号分离方法，分别对信号分离做出详实的分析与总结。 盲信号分离( Blind Source Separation, 简称BSS)是指在源信号和传输信道未知的情况下,只利用观测信号所携带的信息以及源信号之间相互统计独立的假设,实现对传输信道的辨识和源信号的分离,是当前信号处理学界的热点课题之一。目前,比较典型的方法包括Cardoso 提出的基于四阶累积量矩阵联合对角化的方法(JADE 法)、Hyvarinen 提出的逐次提取独立分量的"固定点算法"(Fast ICA)、Cichocki 和Amari 提出的自然梯度法、Lee 提出的信息极大化及其扩展算法(Infomax)等。同时,盲信号分离技术已经在很多领域尤其是机械故障诊断领域得到了应用,如对提取的声音信号进行BSS 从而进行特征识别;将一种非线性自适应BSS 算法应用到齿轮的故障诊断中,发现该方法能够确定齿轮局部故障的位置;证明了分数Fourier 变换的一个新性质,通过对混合信号的不同阶次分数Fourier 变换的结果进行联合对角化处理从而得到一种盲信号分离新方法, 并用于货车轴承的故障诊断;对常见的几类BSS 方法的特点和性能进行了比较,提出了一套评价准则;分别研究了盲信号分离算法在特定机械系统中的应用。 1 基于Gabor 变换的盲分离新方法 1.1 Gabor 变换 Gabor 变换是Gabor 在1946年提出的。它是通过信号的时间平移和频率调制形式建立非平稳信号的联合时间-频率函数, 然后对时间-频率平面进行采样划分,将时频平面(t,f)转换成另外两个离散采样网格参数k 和l 的平面,在二维平面(k,l)上表征非平稳信号。信号s(t)的连续Gabor 变换定义为:()()∑∑∞-∞=∞ -∞ == k l l k l k t g d t s ,,。式中: l k d ,称为Gabor 展开系数, 而:()()t jl l k e kT t g t g Ω-=,, 2,1,0,±±=l k 称为Gabor 基函数, 需满足条件 () T dt t g l k π2,12 ,=Ω=?，T 为时宽。Gabor 展开系数可以表示为:()()?∞ ∞ -* =dt t t s d l k l k ,,γ。 其中()t l k * ,γ是()t l k ,γ的共轭, 而()t l k ,γ是Gabor 基函数()t g l k ,的对偶函数, 满足双正交条件:()()()()? =-Ω*l k dt e kT t t g t jl l k l k δδγ,,。长度为N 的离散时间信号()k t s 的Gabor 展开 为:()()∑∑-=-=Ω-= 101 ,K k L l t jl k l k k k e kT t g d t s 。其中Gabor 展开系数由下式确 定:()()∑-=Ω-= 1 *,N t t jl k k l k k k e kT t t s d γ。式中,T 和Ω分别表示时间和频率采样间隔, 而K 和 L 分别是时间和频率采样的样本个数。离散Gabor 变换同样满足双正交条 件: ()[] ()()()l k t e kL t g N t k t jl k k k δδγ=+∑-=Ω-1 *。显然,Gabor 变换属于一种线性变换。 1.2 盲信号分离方法
涡流检测技术概述 涡流技术由于具有的很多优点而被广泛应用。首先，它是非接触检测，而且能穿透非导体的覆盖层，这就使得在检测时不需要做特殊的表面处理，因此缩短了检测周期，降低了成本。同时，涡流检测的灵敏度非常高。涡流检测按激励方式和检测原理的不同可以分为单频涡流、多频涡流、脉冲涡流、远场涡流等，下面对这些技术的发展简要的加以介绍。 传统的涡流采用单频激励的方式，主要来对表面及近表面的缺陷进行检测，根据被测材料及缺陷深度的不同，激励频率的范围从几赫兹到几兆赫兹不等，为 了得到良好的检测信号，激励线圈必须在缺陷的附近感应出最大的涡流，感应电 流的大小和激励频率、电导率、磁导率、激励线圈的尺寸和形状以及激励电流的 大小有关,通过测量阻抗或电压的变化来实现对缺陷的检测。然而，由于其它参数也很敏感，这就影响了对缺陷的检测。 为了克服单频涡流的缺点，1970 年美国人 Libby 提出了多频涡流的技术（Multi-frequency Eddy Current, MFEC），多频涡流是同时用几个频率信号激励探头，较单频激励法可获取更多的信号，这样就可以抑制实际检测中的许多干扰因素，如热交换管管道中的支撑板、管板、凹痕、沉积物、表面锈斑和管子冷加工产生的干扰噪声，汽轮机大轴中心孔、叶片表面腐蚀坑、氧化层等引起的电磁噪声，以及探头晃动提离噪声等。理论与实践表明，被测工件的缺陷和上述干扰因素对不同频率的激励信号各有不同的反应，可反应出不同的涡流阻抗平面。利用这一原理，用两个（或多个）不同频率的正弦波同时激励探头，然后由两个（或多个）通道分别进行检波、放大和旋转等处理，此后，通过多个混合单元的综合运算，就可以有效的去除信号干扰，准确的获取缺陷信号。但是，多频涡流只能提供有限的检测数据，很难以可视化的方式实现对缺陷的成像检测。 70 年代中后期，脉冲涡流技术（Pulsed Eddy Current, PEC）在世界范围内得到广泛的研究，PEC最早由密苏里大学的Waidelich在20世纪50年代初进行研究，脉冲涡流的激励电流为一个脉冲，通常为具有一定占空比的方波，施加在探头上的激励方波会感应出脉冲涡流在被测试件中传播，根据电磁感应原理，此脉冲涡流又会感应出一个快速衰减的磁场，随着感生磁场的衰减，检测线圈上
第37卷第5期 2015年10月探测与控制学报Journal of Detection &Control Vol .37No .5Oct .2015 一?收稿日期:2015-02-11作者简介:尹洪伟(1987 ),男,江苏徐州人,博士研究生,研究方向:目标中近程探测二识别与信息对抗技术三E -mail :y inhon g wei168@https://www.doczj.com/doc/a113473131.html, 三改进的复值快速独立分量分析算法 尹洪伟,李国林,路翠华 (海军航空工程学院,山东烟台264001) 摘一要:针对复值快速独立分量分析算法(CFastICA ) 对初始权值敏感且收敛速度较慢的问题,提出了改进的CFastICA 算法三该算法首先利用牛顿下降因子优化牛顿迭代的收敛方向, 使分离矩阵在一定程度上接近最优值,然后去除牛顿收敛因子,利用普通牛顿迭代实现分离矩阵快速收敛三仿真实验表明:提出的算法拥有和牛顿下降CFastICA 同样的收敛精度,收敛时间比牛顿下降CFastICA 减少了近53%,且在低SNR 下,提出算法的综合收敛性能明显优于CFastICA 和牛顿下降CFastICA 算法三关键词:盲源分离;复值快速独立分量分析算法;牛顿迭代 中图分类号:TN974一一一一文献标志码:A 一一一一文章编号:1008-1194(2015)05-0022-04 An Im p roved Com p lex Value Fast ICA Al g orithm YIN Hon g wei ,LI Guolin ,LU Cuihua (Naval Aeronautical and Astronautical Universit y ,Yantai 264001,China )Abstract :An im p roved CFastICA al g orithm was p ro p osed to solve the p roblem of initial value sensibilit y and to im p rove conver g ence s p eed .First ,Newton decline factor was used to o p timize Newton iteration conver g ence direction to make the se p arated matrix be close to the o p timal value to a certain extent ,then remove the conver -g ence factor and use the ori g inal Newton iteration realize fast conver g ence .Simulation results showed that the p ro p osed al g orithm had the same conver g ence p recision with Newton decline CFastICA ,and its conver g ence time was 52.85%less than Newton decline CFastICA .The combination p ro p ert y of p ro p osed al g orithm was si g -nificantl y better than both of CFastICA and Newton decline CFastICA under the low SNR . Ke y words :blind source se p aration ;com p lex value FastICA ;Newton iteration 0一引言 由于盲分离算法对信号先验知识无依赖性, 近年来其在雷达二声呐二语音二通信二图像和医学 等领域都得到了快速发展[12]三而一些领域,如阵列信号处理,其信号往往是复数形式,针对该特点,实数盲分离算法被扩展到了复数领域[3]三其中最典型的算法为复值快速独立分量分析(FastICA )算法,该算法因采用牛顿迭代而具有较快的收敛速度三但该算法存在一个大的缺陷,即当初始分离矩阵偏离最优值较远时,特别是含噪声条件下,不容易收敛到到最优点,甚至无法 收敛[45]三为解决这个问题,国内外不少学者进 行了研究三但总体来看,对该问题的解决方法主要有三种:一是对算法中非线性函数的优化,如文献[6-8],该方法虽可以在一定程度上缓解上述问题,但是也只是起到改善的效果,并不能从根源上解决;二是引入牛顿下降因子以保证牛顿 迭代朝着最优值方向,如文献[9-11],虽然效果很好,但这使得本来具有快速收敛优势的牛顿算 法速度被削减;三是先利用最速梯度法改善初始 分离矩阵,然后再利用牛顿迭代获取最优分离矩 阵,如文献[5,12],但是该算法中的所谓最速梯度,实际上就是牛顿算法[12],并不能起到良好的稳定效果三本文针对此问题,提出了改进的 CFastICA 算法三
盲源分离技术及其发展 王春华，公茂法, 衡泽超时间:2009年11月06日 字体: 大中小 关键词:信号处理语音识别图像处理移动通信医学信号处理 摘要：盲源信号分离是一种功能强大的信号处理方法，在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用。简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法，综述了盲源分离的发展及研究现状，提出了其未来的发展方向。 关键词：盲源分离；独立分量分析；发展 盲源分离BSS(Blind Source Separation)是信号处理中一个传统而又极具挑战性的问题。BSS指仅从若干观测到的混合信号中恢复出无法直接观测的各个原始源信号的过程。这里的“盲”指源信号不可观测、混合系统特性事先未知这两个方面。在科学研究和工程应用中，很多观测信号都可以看成多个源信号的混合，所谓“鸡尾酒会”[1]问题就是一个典型的例子。其中独立分量分析ICA(Independent Component Analysis)[2]是一种盲源信号分离方法，它已成为阵列信号处理和数据分析的有力工具，而BSS比ICA适用范围更宽。目前国内对盲信号分离问题的研究，在理论和应用方面也取得了很大的进步，但是还有很多问题有待进一步研究和解决。 1 盲源分离基本理论 1.1 盲源分离的数学模型 盲信号分离研究的信号模型主要有线性混合模型和卷积混合模型，盲源分离源信号线性混合是比较简单的一种混合形式，典型的BSS/ICA问题就是源于对独立源信号的线性混合过程的研究。 1.1.1 盲源分离的线性混合模型 所谓的“鸡尾酒会”问题，具体描述是：在一个鸡尾酒会现场，如果用安放在不同位置的多个麦克风现场录音，则所记录的信号实际上是不同声源的混合信号。人们希望从这些混合录音信号中把不同的声源分离出来，这显然不是一件很容易的事，至少用传统的频域滤波方法行不通。因为不同声源信号的频谱相互混叠在一起，无法有效地设计滤波器，但从频谱的角度可以把不同声源分离出来。根据以上描述，可以把盲源分离问题表示为如图1所示的线性模型。为简单起见，暂时忽略时延、非线性等因素的影响，即最简单混合系统——线性瞬时混合系统。
毕业论文（设计） 论文题目：基于MATLAB的线性盲信号分离算法的研究 学生姓名：孙烽原 学号：0908030229 所在院系：电气信息工程学院 专业名称：电子信息工程 届次：2013届 指导教师：张大雷
淮南师范学院本科毕业论文（设计） 诚信承诺书 1.本人郑重承诺：所呈交的毕业论文（设计），题目《 》是本人在指导教师指导下独立完成的，没有弄虚作假，没有抄袭、剽窃别人的内容； 2.毕业论文（设计）所使用的相关资料、数据、观点等均真实可靠，文中所有引用的他人观点、材料、数据、图表均已注释说明来源； 3. 毕业论文（设计）中无抄袭、剽窃或不正当引用他人学术观点、思想和学术成果，伪造、篡改数据的情况； 4.本人已被告知并清楚：学院对毕业论文（设计）中的抄袭、剽窃、弄虚作假等违反学术规范的行为将严肃处理，并可能导致毕业论文（设计）成绩不合格，无法正常毕业、取消学士学位资格或注销并追回已发放的毕业证书、学士学位证书等严重后果； 5.若在省教育厅、学院组织的毕业论文（设计）检查、评比中，被发现有抄袭、剽窃、弄虚作假等违反学术规范的行为，本人愿意接受学院按有关规定给予的处理，并承担相应责任。 学生（签名）： 日期：年月日
目录 前言 (2) 1 概述 (2) 1.1盲信号处理的概念与分类 (3) 1.2盲处理概念 (4) 1.3盲信号处理的分类 (4) 1.4盲信号处理的应用 (4) 2 盲信号分离的基础 (4) 2.1盲信号的预处理 (5) 2.2信号的去均值处理 (5) 2.3盲信号分离原理 (5) 2.4盲信号分离的方法 (6) 3 盲分离的算法和仿真结果 (6) 3.1最大信噪比的盲信号分离算法 (6) 3.2基于最大信噪比盲信号分离的算法流程 (7) 3.3基于峭度的盲信号分离的算法 (7) 3.4基于峭度的盲信号分离的算法流程 (8) 3.5基于两种算法的仿真 (8) 3.6仿真结果分析 (12) 4 结论 (13) 4.1总结 (13) 4.2未来工作 (13) 参考文献 (14)
目录 摘要.................................................................... I ABSTRACT ............................................................... II 第一章前言.. (2) 1.1语音特性分析 (2) 1.2语音信号的基本特征 (2) 1.3语音信号处理的理论基础 (2) 第二章盲分离的基本概念 (2) 2.1盲分离的数学模型 (2) 2.2盲源分离的基本方法 (2) 2.3盲分离的目标准则 (2) 2.4盲分离的研究领域 (2) 2.5盲分离的研究内容 (2) 第三章独立分量分析的基本算法 (2) 3.1ICA的线性模型 (2) 3.2ICA研究中的主要问题及限制条件 (2) 3.3ICA的基本算法 (2) 3.4F AST ICA算法原理 (2) 第四章语音信号盲分离仿真及分析 (2) 4.1ICA算法实现 (2) 4.2频谱分析 (2) 第五章总结 (2) 参考文献 (2)
摘要 盲源分离（BSS）是一种多维信号处理方法，它指在未知源信号以及混合模型也未知的情况下，仅从观测信号中恢复出源信号各个独立分量的过程。盲源分离已近成为现代信号处理领域研究的热点问题，在通信、语音处理、图像处理等领域具有非常重要的理论意义和广泛的应用价值。本文主要内容如下： 首先，介绍了语音信号的产生机理，特性，基本特征及语音信号处理的理论基础，为后文语音信号盲分离奠定了基础。 其次，从盲源分离的理论出发，研究了盲分离的数学模型以及基本方法，并对盲分离的目标准则、研究领域以及研究内容进行了探讨。 然后，引出了独立分量分析（ICA），并对其的概念以及相关的知识进行了研究，探讨了ICA研究中的主要问题，列出了ICA的3种基本算法：信息极大化、负熵最大化和最大似然估计法。 最后，用FastICA对三路语音信号进行了盲分离的仿真并求出了混合矩阵和分解矩阵，再接着进行了频谱，幅度，相位的分析，找出了FastICA的特点。 关键词：盲源分离；独立分量分析；频谱分析 III
中图分类号:T N97111 文献标志码:A 文章编号:C N51-1694(2008)02-0001-05收稿日期:2007-11-29;修回日期:2007-12-30 作者简介:陈锡明(1970-),男,高级工程师,博士;黄硕翼(1983-),男,硕士研究生。 盲源分离综述———问题、原理和方法 陈锡明,黄硕翼 (信息综合控制国家重点实验室,成都610036) 摘要:盲源分离,是从观测到的混合信号中恢复不可观测的源信号的问题。作为阵列信号处理 的一种新技术,近几年来受到广泛关注。文章按源信号不同的混合方式,将盲源分离问题分为三种类型:线性瞬时混合、线性卷积混合和非线性混合,综述了它们各自分离的原理和方法,并结合国内外的研究现状,对未来的发展作出了展望。关键词:盲源分离;独立分量分析 B lind Source Separation :Problem ,Principle and Method CHE N X i 2ming ,HUANG Shuo 2yi (National In formation C ontrol Lab oratory ,Chengdu 610036,China ) Abstract :Blind source separation is to recover unobserved source signals from observed mixtures.As a new technology of array signal processing ,it has attracted wide attention.Blind source separation is classified into three types :linear instantaneous mixtures ,linear conv olutional mixtures ,and nonlinear mixtures ,as per different mixture methods.And a survey is presented on separation principles and methods of each type.The prospect of future development is given too.K ey w ords :blind source separation ;independent com ponent analysis (ICA ) 1 引言 盲源分离(BSS )是信号处理领域的一个基本问题,是根据观测到的信号来分离或恢复出未知源信号的过程。它在医学信号处理、数据挖掘、语音增强、图像识别以及雷达与通信信号处理等方面正受到越来越广泛的重视。 其更一般的表述为:已知从多输入—多输出(MI M O )非线性动态系统(SIS O ,SI M O 是特例)中测得的传感器信号X (t )=[x 1(t ),x 2(t ),…, x m (t )]T ,要求找到一个逆系统,以重构估计原始 的源信号S (t )=[s 1(t ),s 2(t ),…,s n (t )]T[1]。源信号S (t )未知,源信号如何混合得到观测信号也未知,这体现了求解问题的“盲”。最简单的情况,如果X (t )是S (t )的线性瞬时混合,即X (t )=H 3S (t ),H 为一个m ×n 维的混合矩阵,盲分 离问题简化为求一个n ×m 维的解混矩阵W ,使输出Y (t )=W 3X (t )=W 3H 3S (t )≈S (t )。 事实上,在缺乏某些先验知识时是不可能唯一地确定源信号的,所以盲分离问题存在两个内在的解不确定性:一是输出分量排列顺序的不确定性,即无法确定所恢复的信号对应于原始信号源的哪一个分量;二是输出信号幅度的不确定性,即无法恢复原始信号源的真实幅度。但因为源的大量信息蕴涵在源信号的波形中而不是信号的振幅或者系统输出的排列顺序中,所以这并不影响盲分离的应用。 2 盲源分离的基本类型和解决方法 就源信号经过传输通道的混合方式而言,可分为线性混合和非线性混合信号的盲分离;其中 1 电子信息对抗技术?第23卷 2008年3月第2期 陈锡明,黄硕翼 盲源分离综述———问题、原理和方法
目录 一、什么是涡流阵列检测技术？ 二、涡流检测基础知识 三、涡流阵列检测技术工作原理 四、涡流阵列检测技术特点 五、涡流阵列检测技术的国内外现状 一、什么是涡流阵列检测技术？ “涡流阵列”，又叫”阵列涡流”，英文名称“Eddy Current Array（简称ECA）”。 JB/T 11780-2014 无损检测仪器涡流阵列检测仪性能和检验 阵列涡流检测 具有按一定方式排布、且独立工作的多个检测线圈，能够一次性完成大面积扫查及成像的涡流检测技术。 C扫相关显示与缺陷形状像不像？ 并能形成直观性C扫图 二、涡流检测基础知识 1. ET工作原理—电磁感应 ①激励，悬空（电0→磁0 ） 空载阻抗 Z=Z0 M—互感系数～提离 R2—电涡流短路环负载～路径几何尺寸，σ2 L2—电涡流短路环自感系数～路径几何尺寸，μ2
2.影响放置式线圈阻抗的因素 a）提离 b）边缘效应 c）电导率 d）磁导率 e）工件几何尺寸 f）缺陷 g）表面状况 h）检测频率 影响阻抗变化的因素太多，限制了涡流探伤的应用！ 3.放置式涡流探头的分类 4. 绝对式探头和差分式探头的对比 绝对式 信号来自1个感应线圈； 每个缺陷产生1个闭路（半8字）； 对于小缺陷、长缺陷和渐变缺陷敏感； 可用于测量材料性能差异. 可能需要参考线圈执行系统平衡； 对提离非常敏感。 差分式 信号来自2个感应线圈的减法。. 每个缺陷产生2个闭路（8字） 对小缺陷特别敏感，但渐变缺陷不敏感； 对于小缺陷具有更好的信噪比； 对于提离不太敏感。 检测前，应该根据用途、被检工件状况等确定探头的工作模式和信号响应模式！
5. 常规涡流检测技术的特点 优点 ■适用于各种导电材质的试件探伤； ■可以检出表面和近表面缺陷； ■检测结果以电信号输出，容易实现自动化； ■由于采用非接触式检测，所以检测速度快； ■无需耦合剂，环保。 缺点 ■不能检测非导电材料； ■形状复杂的工件很难检测； ■各种干扰检测的因素较多，容易引起杂乱信号； ■无法检出埋藏较深的缺陷； ■一次覆盖范围小，检测效率低； ■检测结果不直观，不能显示缺陷图形，无法缺陷定性。 ECA 三、涡流阵列技术工作原理 1.涡流阵列工作原理 多个涡流线圈按照一定的物理构造方式排布组成阵列，按照特定的工作模式、信号响应方式组成若干个阵列元；阵列元是代表涡流检测工作模式、信号响应方式且能独立工作的最小单元（可视为“放置式涡流探头”），每个阵列元都含有发射线圈和接收线圈（包括自发自收线圈）；为避免阵列元之间的相互串扰，通常会采用多路切换技术分时、分批激活阵列元；编码器触发仪器将阵列元的涡流检测数据及其位置数据保存；这些数据经过软 件处理，形成直观的C扫图。 1.多路切换技术 目的：避免串扰； 特点：切换速度非常快，不会影响检测。
前沿技术 尺寸的减小，场区参数R1和R2相应收缩。这是一个很有意义的结果。 5 结束语 基于以上的分析和验算，可以说明ISO/IEC18047标准规定的测试参数：观察距离3λ和10λ，天线尺寸 0.1m和 是可行的。 ★【作者简介】 刘礼白：研究员级高工，中国电子科技集团公司第七研究所科技委主任、专家委员会副主任，信息产业部宽带无线移动通信技术专家组成员。中华人民共和国电子工业部有突出贡献专家，享受国务院颁发的 政府特殊津贴。 1 引言 盲分离是信号处理领域一个极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛的应用前景，从而成为信号处理领域和神经网络领域的研究热点。 盲分离（B S S，B l i n d S o u r c e S e p a r a t i o n）的研究起源于鸡尾酒问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出所需要的说话者的声音？这便是盲分离问题。 盲分离问题的主要特征就是在未知混叠参数的情 盲信号分离的理论与发展现状＊ 李荣华 赵 敏 华南理工大学电子与信息学院 王 进 国家移动通信工程中心 【摘要】文章首先介绍了盲信号分离问题的起源、特征、含义，然后介绍了盲信号分离的原理 和算法，最后介绍了盲分离研究的现状，探讨了盲分离研究仍存在的一些问题。 【关键词】盲信号分离 混叠模型 瞬时线性 非线性 卷积 收稿日期：2008年3月14日 *本文得到国家自然科学基金重点项目（U0635001），国家 自然科学基金（60774094）的资助。
盲信号分离=盲源分离BSS Blind Signal/Source Separation Herault、Jutten 1985 从多个观测到的混合信号中分析出没有观测的原始信号。 观测到的混合信号来自多个传感器的输出，且传感器的输出信号线性不相关。 文献：盲信号分离技术研究与算法综述_周治宇、陈豪 1.盲信号分离的“盲”是什么意思？ 已知原信号和传输通道的先验知识时，通过滤波器的信号处理能够在一定程度上完成信号分离的任务。 但是在没有原信号和传输通道的先验知识时，上述通过滤波的信号处理方法无法完成信号分离的任务，必须通过盲信号分离技术来解决。 “盲”是指 （1）原始信号并不知道； （2）对于信号混合的方式也不知道。 也就是仅根据观测到的混合信号估计源信号。 2.什么是“信号分离”？ 是信号处理中的一个基本问题。 从接收到的混合信号（感兴趣信号+干扰+噪声）中分别分离或恢复出原始信号。 各种时域滤波器、频域滤波器、空域滤波器或码域滤波器都可以看作是一种信号分离器，完成信号分离任务。 3.盲信号分离如何实现的？ 独立分量分析ICA Independent Component Analysis 是为了解决盲信号分离问题而逐渐发展起来的一种新技术，是目前主要采用的方法。 将接收到的混合信号按照统计独立的原则通过优化算法分解为若干独立分量，这些独立分量作为源信号的一种近似估计。 4.盲信号分离结果存在两个不确定性 分离结果排列顺序不确定、分离结果幅度不确定。 由于要传送的信息往往包含在信号波形中, 因此这两个不确定性并不影响在实际中的应用。 5.目前主要应用领域 目前盲信号处理技术已经在生物医学信号处理、语音信号处理、雷达信号分选、电子侦察、数字波束形成、无线通信、地震信号处理、机械故障诊断、图像处理、数字水印、人脸识别和金融数据分析等领域得到了广泛应用。
课程设计任务书 学生姓名：毛丽娟专业班级：通信0906 指导教师：黄铮工作单位：信息工程学院 题目: 语音信号的盲分离 初始条件 ①matlab软件 ②盲信号处理知识 要求完成的主要任务: 根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。 设计要求 （1）用matlab做出采样之后语音信号的时域和频域波形图 （2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图 （3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab 代码。 （4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。 （5）对结果进行对比分析。 时间安排 第17周，仿真设计 第18周，完成（答辩，提交报告，演示） 指导教师签名：年月日 系主任（或责任教师）签名：年月日
目录 摘要 (3) Abstract (4) 1 语音信号 (5) 1.1 语音特性分析 (5) 1.2 语音信号的基本特征 (6) 2 盲信号处理 (8) 2.1 盲信号处理的概述 (8) 2.1.1 盲信号处理的基本概念 (8) 2.1.2 盲信号处理的方法和分类 (9) 2.1.3 盲信号处理技术的研究应用 (9) 2.2 盲源分离法 (10) 2.2.1 盲源分离技术 (10) 2.2.2 盲分离算法实现 (10) 2.3 独立成分分析 (11) 2.3.1 独立成分分析的定义 (11) 2.3.2 ICA的基本原理 (13) 3 语音信号盲分离的实现 (15) 3.1 盲信号分离的三种算法 (15) 3.1.1 二阶盲辨识（SOBI） (15) 3.1.2 FastICA算法 (15) 3.1.3 CICA算法 (16) 3.2 不同算法的分离性能比较 (17) 3.3 FastlCA的算法仿真及结果分析 (17) 4 结论 (22) 5 参考文献 (23) 附录 (24)
信息处理课群设计任务书 学生姓名：专业班级： 指导教师：工作单位：武汉理工大学 题目: 图像的盲分离 基础强化训练目的 目的：通过课程设计，使学生加强对信号处理的理解，学会查寻资料﹑方案比较，以及设计计算等环节。培养学生综合运用所学信号与系统、数字信号处理等信息处理知识，分析和解决工程技术问题的能力。 训练内容和要求 根据盲信号分离原理，选取两个以上相同大小的图像，选择合适的混合矩阵生成若干混合图像。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的图像。 设计要求 （1）选取两个以上大小相同的原图像，并绘制每个图像的直方图。 （2）采用混合图像进行训练学习，求出分离矩阵编写出相应的确matlab代码。（3）用求出的分离矩阵从混合图像中分离原图像，并做出分离图像的直方图。（4）做出原图像和分离后图像的差值图，和差值图对应的直方图。 对结果进行对比分析。 时间安排： 序号设计内容 所用 时间 1 根据课题的技术指标，确定整体方案，并进行参数设计计算2天 2 根据实验条件进行全部或部分程序的编写与调试，并完成基本功能7天 3 总结编写课程设计报告1天 合计2周 指导教师签名：年月日系主任（或责任教师）签名：年月日
目录 摘要 (2) Abstract (3) 1盲分离原理 (4) 1.1 盲信号处理的基本概念 (4) 1.2盲信号处理的方法和分类 (5) 1.3 盲源分离法 (6) 1.3.1 盲源分离技术 (6) 1.3.2 盲分离算法实现 (6) 2ICA基本原理 (7) 3FastICA算法原理及实现 (8) 3.1 数据的预处理 (8) 3.2 FastICA算法原理 (10) 3.3 FastICA算法的基本步骤及流程图 (12) 4图像的盲分离仿真与分析 (13) 5总结 (17) 6参考资料 (18) 附录1 matlab源程序 (19)
专业课程设计学习材料 源信号分离 Source Signal Separation 第一部分 简单介绍 一、 目标 我们的目标就就是学习源信号分离理论的基础知识与源信号分离时涉及的相关学科知识,最终从观测信号中将源信号分离开来。注意:此时信号源与混合形式可能就是未知的。 -1.5 -1.0-0.50.00.51.01.50 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 -1.5 -1.0-0.50.00.51.01.5 图1 源信号波形 -2.0 -1.5-1.0-0.50.00.51.01.52.0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45-2.0 -1.0 0.0 1.0 2.00 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 图2 混合信号波形 -2.0 -1.5-1.0-0.50.00.51.01.5 2.00 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45-2.0 -1.5-1.0-0.50.00.51.01.52.0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 图3 分离信号波形 二、分离方法 1、FFT 法;条件:不同源信号占有不同的频带 2、自适应滤波方法;条件:已经信号的某些特征 3、盲信号分离方法;条件:遵从某些统计假设条件 三、盲分离的基本模型 盲信号分离的基本模型如图(1)所示。
) (1t )(2t y ) (t y m 图1 盲信号分离的基本模型 其中:)(1t s ,)(2t s ,……,)(t s n 为n 个源信号;)(1t x ,)(2t x ,……,)(t x m 为m 个观测信号;)(1t y ,)(2t y ,……,)(t y n 为待求解的n 个分离信号;)(1t n ,)(2t n ,……,)(t n m 为m 个噪声信号,T t ,,2,1 。将其分别写成矩阵形式为: T 21)](,),(),([)(t s t s t s t n s (1) T 21)](,),(),([)(t x t x t x t m x T 21)](,),(),([)(t y t y t y t n y T 21)](,),(),([)(t n t n t n t m n 向量)(t s 、)(t x 、)(t y 、)(t n 分别称作源信号、观测信号、分离信号、噪声信号。通常意义的盲信号分离就是指只有观测信号)(t x 已知,并且)(t x 中含有目标源信号与混合系统的未知信息,而目标源信号特性、源信号的混合信息、噪声信号对观测者来说都就是未知的。盲信号分离的任务就就是利用某些统计假设条件完成从)(t x 中估计源信号波形及参数,使得分离信号满足)()(t t s y 。 图(1)的盲信号分离模型可以概括表示为通式(2)与式(3)的数学模型,分别称为系统混合模型与系统分离模型 )()]([)(t t t n s f x (2) )]([)(t t x g y (3) 式中: T 21],,,[][n f f f f 表示未知混合系统的混合函 数;T m 21]g ,,g ,[g ][ g 表示分离系统的分离函数;没有噪声的情况下,][ f 与][ g 互为反函数,此时混合系统与分离系统互为逆系统。 依据混合系统的混合方式,盲信号分离问题分为线性瞬时混合盲信号分离、线性卷积混合盲信号分离及非线性瞬时混合盲信号分离三种主要形式,线性瞬时混合盲信号分离就是最简单、最经典的盲信号分离模型,其理论与算法的发展最完善、最系统、最成功。 令A f ][,B g ][即得线性瞬时混合模型的数学表达式: )()()(t t t n As x (4) )()(t t Bx y (5)