单通道盲信号分离算法在浅地层剖面数据处理中的应用

郭英歌， 邹彬彬， 陈晶晶， 王润田

(中国科学院 声学研究所东海研究站， 上海 200032)



单通道盲信号分离算法在浅地层剖面数据处理中的应用

郭英歌， 邹彬彬， 陈晶晶， 王润田

(中国科学院 声学研究所东海研究站， 上海 200032)

摘要:将单通道盲信号分离算法应用在浅地层剖面数据处理领域. 把采集到地声信号中的噪声信号作为将要分离的源信号， 利用时延虚拟通道法将单一接收信号扩展为不少于源信号维数的多通道信号， 使用快速独立变量分析(FastICA)分离各源信号提取有效信号. 对实验数据进行处理， 并与相关滤波处理后信号进行对比， 验证了该方法的可行性及对源信号细节保留的优点.

关键词:单通道盲信号分离方法； 浅地层剖面仪； 虚拟通道法； 相关滤波处理； 噪声消除

盲信号分离(Blind Signal Separation)指在缺乏源信号和通道参数的先验知识或者可能完全未知的情况下， 仅凭观测到的混合信号来分离期望信号， 且在分离信号的同时还能成功地分辨通道参数[1-3]. 盲信号分离算法被广泛应用在通信系统、 语音增强、 医学成像、 地震探测与水声信号处理中.

在进行浅地层剖面资料采集时， 期望信号是水底或地层信息数据. 然而， 在声纳设备采集时， 设备频段内的信号包含有效信号、 舰船干扰信号、 海洋环境噪声信号等， 都会被混入最终观测数据. 传统盲信号分离主要针对多路信号的盲源信号分离， 但是浅地层剖面数据采集设备的收发设备通常是单通道的， 经典盲源分离法无法得到源信号. 此时， 利用单通道盲源分离算法， 从单通道采集到的可能含多种干扰的实验数据中提取有效地声信号是个非常有价值的问题.

1单通道盲信号分离算法

盲信号分离算法模型有以下分类[6-8]： 根据源信号是否为线性混合分为线性盲源分离与非线性盲源分离， 线性盲源分离根据源信号混合过程中是否有时间延迟分为瞬时混合模型与卷积混合模型. 观测通道数量大于源信号数量的是超定盲源分离， 等于的是等定盲源分离， 小于的是欠定盲源分离. 线性混合模型为本文重点讨论模型.

单通道盲信号处理是极端欠定盲源分离模型，n个信号源发出信号s1,s2,…,sn， 经过传输通道混叠， 被单个传感器接收后得到一个观测输出x. 鉴于本文讨论线性混合模型， 将噪声作为信号源之一， 认为传感器的观测输出为

(1)

式中：aj为混合系数.

1.1虚拟通道法

基于虚拟通道的单通道盲源分离方法[9]为， 模拟声纳阵列中传感器的空间排列位置不同， 各个声纳接收到信号存在一定时延， 故可以将单个传感器接收到的单通道信号加一定时延来构造虚拟的n-1个(或更多个)通道， 从而将极端欠定问题转换为正定或者超定问题. 其具体数学表达如式(2)

(2)

式中：xj(t)为时延后得到的虚拟通道信号. 故可以构造出接收矩阵

(3)

式中： m为时延处理后的总通道数， m的取值应不小于源信号的个数； τ为时延量， 取值应小于信号的时间相关半径.

构造各传感器的响应为h， 可以使用IIR滤波器来模仿实际接收传感器的相频特性， 那么构造出虚拟的接收矩阵可表示为

(4)

式中： h1,h2,…,hm为各滤波器的冲激响应. 扩展虚拟通道成功之后得到的矩阵便是盲信号分离算法的输入矩阵.

1.2盲信号分离算法——FastICA算法

芬兰学者Hyvarinen等[10,11]在1997年提出基于负熵的改进FastICA算法. 这种算法收敛速度较快， 并且容易使用， 因此也被称为“快速ICA算法”， 实际应用较为广泛. 本文数据处理调用MATLAB中FastICA工具箱. 运算具体步骤如下[12]：

1) 去均值处理使得E(x)=0；

2) 白化处理使得E(xTx)=I；

3) 初始化估计源信号个数M， 令p=1；

8) 判断wp是否收敛， 若相邻两次权值w变化很小时即为收敛. 若wp不收敛， 返回步骤5)， 直到权值收敛；

9) 使得p=p+1， 如果p

2实验数据处理讨论

2.1数据处理中的判定依据——信噪比

一组数据的信噪比是最常用的衡量数据好坏的定量标准. 多数情况下， 有效信号的能量无法被确切得到， 只能估算. 这里介绍的是频谱估算法：

这种方法假定接收信号在一定频带范围中， 高于该频段或低于该频段的都为噪声； 随机噪声被认为能量较小， 在频带中均匀分布. 计算公式为[13]

(5)

式中： fL～fH为有效信号存在频段； 0～fc为所有信号分布频率范围. 这种方法的计算结果没有单位. 该方法不仅适用于单帧信号的信噪比估算， 也适用于多帧成图信噪比的估算.

2.2实验数据分析

实验数据为2014年7月18日～20日中国科学院声学所东海站第四研究室在舟山海域为期3天的海试时， 以参量阵原理浅地层剖面仪样机采集.

数据处理过程采用基于时延的虚拟通道法， 计算过程中通常扩展到3个通道， 再通过FastICA算法估计源信号， 利用基于频谱估算信噪比的原理， 通过频谱能量的比较， 提取信噪比较大的信号为期望信号.

图 1　原始信号Fig.1　The original signal

图 2　相关滤波处理后信号Fig.2　The results of correlation signal processing

图 1 为设备发射单频声源S0=sin(2πf0t/fs)采集到的数据， 采样率为224.624kHz， 信号频率f0=18kHz， 发射时长为0.8ms. 观察其频谱分布图 4， 看出信号主要在18kHz, 30kHz, 36kHz的频率上有集中能量分布， 30kHz， 36kHz为试验船发动机的线谱噪声. 已知发射信号， 可以使用信号源做相关来压制噪声. 图 2 为相关滤波处理结果， 可以看出相关滤波处理之后， 回波信号中峰值能量明显， 发动机噪声被明显压制， 但是回波信号形成的包络形状与原始信号的相比略有差异， 信号形成包络变宽. 图 3 为单通道盲源分离方法处理结果， 可以看出滤波结果对发动机噪声压制较为明显， 且回波信号形成包络形状与原始信号的相似. 图 5 与图 6 分别为相关滤波处理后与单通道盲源分离方法处理后的信号频谱图. 可以看出30kHz, 36kHz处能量明显被压制， 而相关滤波处理的效果更明显. 表 1 为信号用不同方法处理前后得到的基于频谱估算法求得的信噪比. 与图 5, 图 6 中表现相同， 两种算法都可以大幅提高信号的信噪比， 且相关滤波处理的信噪比更大一些.

图 3　单通道盲源分离滤波后信号Fig.3　The results of single channel BSS signal processing

图 4　原始信号频谱图Fig.4　The spectrum of the original signal

图 5　相关滤波处理后信号频谱Fig.5　The spectrum of correlation signal processing results

图 6　单通道盲源分离滤波后信号频谱图Fig.6　The spectrum of single channel BSS signalprocessing results

信号分类原始信号相关滤波处理后信号单通道盲源分离基于频谱信噪比0.63130.99990.9840

图 7～图 9 分别为声源原始信号图、 相关滤波处理后结果与单通道盲源分离算法处理结果. 可见图 8 中左边位置有明显亮点为管道信息， 图中含有线谱噪声， 与脉冲噪声为随机亮点. 表 2 为信号二维成图后信噪比的估计结果对比. 两种算法都可以大幅提高信号的信噪比， 但是相关滤波处理后的信噪比更大一些. 图 8 与图 9 可以看出线谱噪声被明显压制， 其中相关滤波处理后的脉冲噪声被压制， 单通道盲源分离的二维成图中仍有脉冲噪声能量. 3张图都在相同的能量标准下绘制， 可以看出相关滤波处理扩展了回波脉冲的时间宽度， 这样做模糊脉冲噪声的同时， 也会造成真实信号即底层细节信息的模糊.

表 2　信号二维成图后信噪比对比

图 7　原始信号图Fig.7　The original signal

图 8　相关滤波处理后信号图Fig.8　The results of correlation signal processing

3结论

本文使用虚拟通道的方法将只有一个接收通道的观测信号扩展成为多通道观测信号， 将单通道极端欠定问题转化为正定或超定问题， 使用盲信号分离方法——FastICA算法处理实验数据. 该方法处理的信噪比略差于相关滤波处理后的结果， 随机脉冲的压制效果欠佳， 但是相关滤波处理加宽了接收脉冲信号的时间宽度， 使得成图结果细节模糊， 而盲源分离方法保留了源信号细节特征， 这也是随机脉冲噪声被完全保留的缘由.

参考文献：

[1]张发启， 张斌， 张喜斌. 盲信号处理及应用[M]. 西安： 西安电子科技大学出版社， 2006.

[2]Herault J, Jutten C. Space or time adaptive signal processing by neural network models[C]. International Conference on Neural Networks for Computer, Snowbird, USA, 1986: 206-211.

[3]Herault J, Jutten C. Blind separation of sources. Part i: an adaptive algorithm based on neuromimetic architecture[J]. Signal Processing, 1991, 24(1): 1-10.

[4]周治宇， 陈豪. 自信号分离技术研究与算法综述[J]. 计算机科学， 2009， 36(10)： 16-20,31.

Zhou Zhiyu, Chen Hao. Research and survey on algorithms of blind signal separation technology[J]. Computer Science, 2009, 36(10): 16-20,31. (in Chinese)

[5]陈锡明， 黄硕翼. 盲源分离综述——问题、 原理和方法[J]. 电子信息对抗技术， 2008， 23(2)： 1-5,45.

Chen Ximing, Huang Shuoyi. Blind source separation: problem, principle and method[J]. Electronic Information, 2008, 23(2): 1-5,45. (in Chinese)

[6]权友波， 王甲峰，岳旸， 等. 盲源分离技术现状及发展趋势[J]. 通信技术， 2011， 44(4)： 13-15.

Quan Youbo, Wang Jiafeng, Yue Yang, et al. Present situaion and development trend of blind source separation[J]. Communication Technology, 2011, 44(4): 13-15. (in Chinese)

[7]刘佳， 杨士莪， 朴胜春， 等. 单观测通道船舶辐射噪声盲源分离[J]. 声学学报， 2011， 36(3)： 265-270.

Liu Jia, Yang Shi′e, Piao Shengchun, et al. Blind source separation of ship-radiated noise using single observing channel[J]. Acta acustica, 2011, 36(3): 265-270. (in Chinese)

[8]Hyvarinen A. Survey on independent component analysis[J]. Neural Computer Surveys, 1999(2): 94-128.

[9]Hyvarinen A, Oja E. Independent component analysis: algorithms and applications[J]. Neural Networks, 2000, 13(45): 411-430.

[10]魏巍. 盲信号处理技术在地震数据处理中的应用研究[D]. 北京： 中国地质大学， 2009.

[11]张军华， 藏胜涛， 周振晓， 等. 地震资料信噪比定量计算及算法研究[J]. 石油地球物理勘探， 2008， 44(4)： 481-486, V-VII.

Zhang Junhua, Zang Shengtao, Zhou Zhenxiao, et al. Quantitative computation and comparison of S/N ratio in seismic data[J]. Oil Geophysical Prospecting, 2008, 44(4): 481-486, V-VII. (in Chinese)

Application of Single Channel Blind Signal Separation Algorithm on Profile Data Processing

GUO Yingge, ZOU Binbin, CHEN Jingjing, WANG Runtian

(Shanghai Acoustics Laboratory, The Chinese Academy of Sciences, Shanghai 200032, China)

Abstract:This paper discussed that single channel blind signal separation algorithm is applied in the shallow stratigraphic section data processing field. Assumed the noise in geo-acoustic signal as one of source signals, time delay method of virtual channel was used to expand single channel signal to the multi-channel signals, in which the number of channels were not less than dimension of source signals, and the fast independent variable analysis (FastICA) was adopted to separate the source signals to get the desired signals. The experimental data were processed and compared with the results of correlation algorithm, which verifies the feasibility of the method and the advantages in preserving source signal details.

Key words:channel blind signal separation algorithm; sub-bottom profiler; virtual channel method； correlation filtering processing; noise elimination

中图分类号:TN911

文献标识码:A

doi:10.3969/j.issn.1671-7449.2016.01.010

作者简介：郭英歌(1990-)， 女， 硕士生， 主要从事水声信号处理的研究.

收稿日期:2015-11-05

文章编号:1671-7449(2016)01-0051-06