基于信号BURG谱特征的盲源分离排序算法*

（海军装备部驻上海地区第一军事代表室 上海 201913）

1 引言

盲源分离在未知源信号传播信道参数、源信号间统计独立的情况下，依靠阵列数据分离出源信号的波形［1］。在水声探测领域，海洋环境噪声和舰船辐射噪声间常认为是相互独立的且符合盲源分离条件。利用盲源分离算法处理水声信号则可实现干扰分离、邻近方位目标信号净化、提高目标信号的信噪比的目的［2～3］。因而，盲源分离算法在水声信号处理领域应用潜力巨大。但是，盲源分离存在输出信号次序不确定问题，同一信号在不同时刻不能保持在固定通道输出，不利于声纳兵的听音识别，稳健的排序关联算法也有待进一步研究［4］。

现有的排序法在分析数据较短时性能不够稳健，排序成功率较低，稳健的排序算法对盲源分离输出信号进行关联有利于声纳兵的听音识别，具有重要的实际应用价值。现有研究表明：1）同一目标在一定时间内的线谱特征相对稳定，不同目标间线谱特征存在非相干特性；2）在短数据情况下，BURG谱变换相对其他谱变换方式对线谱特征检测能力更强，且受噪声影响较小，性能更加稳健［5］。同理，在盲源分离算法成功分离信号的情况下，相邻时刻同一目标信号线谱特征相对稳定。综上，本文利用信号BURG谱特征对信号进行排序关联，使得同一信号在不同时刻保持在固定通道输出，消除排序模糊性问题。

2 基于信号BURG谱特征的排序算法原理

为更好地进行听音处理，我们希望同一信号在不同时刻保持在固定通道输出。但由于缺少先验知识，信号的原始排列顺序无法得出。因而排序关联算法以盲源分离第一次输出信号的顺序为基准，后续时刻分离出的信号要与第一次输出次序相匹配，算法步骤如下：

3）根据相关系数矩阵调整第二次输出信号的排列顺序，本次排序完毕。第三次输出的信号再同第一次输出信号求解相关系数矩阵，后续排序工作依次类推。

3 实验验证

本文采用海上实录舰船信号对算法进行验证，盲源分离使用的源信号由混合矩阵将三艘舰船的实录辐射噪声进行混合产生。为模拟水声信道的时变特性，混合矩阵每分离一次根据随机函数变化一次。数据的采样频率为25kHz，每次分离使用的数据长度为3s。源信号A、B、C的时域波形图和混合信号的时域波形图如图1所示。

图1 源信号及混合信号时域波形图

实录噪声信号成分复杂，从时域波形图上难以区分，为后续排序效果对比方便，给出三个源信号的BURG谱图如图2所示。

图2 源信号BURG谱图

因录取得舰船噪声线谱主要集中在0～1kHz以内，为观察方便仅给出0～1kHz频段线谱。第一次盲源分离结果如图3。

图3 第一次分离和排序结果

由图3可以看出盲源分离算法有效分开了三个目标，因第一次分离后的信号顺序作为基准，不需做调整。

图4可以看出，第二次分离后信号顺序与第一次输出不一致，若将此乱序信号直接用于听音，将给声纳兵带来极大干扰。采用BURG谱特征法对信号进行排序，排序后输出结果如图4中第三、第四列所示，调整后的顺序与第一次输出顺序一致。

图4 第二次分离和排序结果

第三次输出的信号与第一次不一致，需要采用排序算法调整。排序后顺序如图5第三、四列所示，调整后与第一次一致，排序成功。为充分证明本节算法的有效性，并探究不同数据长度影响。采用本节方法和功率谱法进行排序，在不同的数据长度下，进行了100次试验，排序成功率统计如表1所示。

图5 第三次分离和排序结果

表1 排序成功率统计表

4 结语

本文在理论分析BURG谱提取特征的稳定性之后，通过实录数据做对比实验，可以看出本文提出的排序算法相对功率谱法有效提高了排序成功率，特别是在单次处理信号时长较短时，效果提升显著，对解决盲源分离排序问题，有一定实际应用价值。盲源分离输出信号排序问题的解决，有利于盲源分离算法在水声目标信号检测领域的进一步深入。