جداسازي كور سيگنال‌هاي منبع بر اساس تابع خود همبستگي غيرخطي با استفاده از الگوريتمLMS

Blind Source Separation Based on Nonlinear Autocorrolation Using LMS Algorithm

چكيده: آناليز مولفه‌هاي مستقل و استفاده از آن در حل مسيله جداسازي كور سيگنال‌هاي منبع يكي از مهم‌ترين مسايلي است كه در دهه اخير توجه زيادي از محققين شاخه‌هاي مختلف علوم مهندسي را به خود جلب كرده است. در اين آناليز از خواص آماري سيگنال‌هاي منبع براي جداسازي كور سيگنال‌ها استفاده مي‌شود. در اين مقاله از تابع خودهمبستگي غيرخطي سيگنال‌هاي منبع به عنوان تابع هدف استفاده شده و با استفاده از الگوريتم LMS نقطه ماكزيمم اين تابع محاسبه مي‌شود. با محاسبه نقطه ماكزيمم اين تابع هدف، ضرايب فيلتر تخمين ‌به‌دست مي‌آيند. سپس با استفاده از اين فيلتر سيگنال‌هاي منبع محاسبه مي‌شوند. از دو پارامتر 1) شاخص بازده و 2) نسبت سيگنال به تداخل براي نشان دادن كارايي الگوريتم ارايه شده استفاده شده است. نتايج شبيه‌سازي در سه قسمت براساس سيگنال‌هاي تصادفي گوسي، سيگنال‌هاي صحبت و سيگنال‌هاي الكتروكارديوگرام نشان داده ‌شده‌اند. در انتها نتايج به‌دست آمده با الگوريتم نيوتن مقايسه مي‌شود. ملاحظه مي‌شود كه به‌دليل استفاده از گراديان مرتبه اول در روش LMS (الگوريتم پيشنهادي) در مقايسه با روش نيوتن كه از گراديان مرتبه دوم نيز استفاده مي‌كند پيچيدگي الگوريتم كاهش پيدا كرده و در ضمن سيگنال‌هاي جدا شده سيگنال به تداخل زيادي را نسبت به روش نيوتن دارد.

Abstract Blind source separation (BSS) is the technique that anyone can separate the original signals or latent data from their mixtures without any knowledge about the mixing process, but using some statistical properties of latent or original source signals. Independent component analysis is a statistical method expressed as a set of multidimensional observations that are combinations of unknown variables. These underlying unobserved variables are called sources and they are assumed to be statistically independent with respect to each other. In this paper we will use the nonlinear autcorrelation function as an object function to separate the source signals from the mixing signals. Maximization of this object function using the LMS algorithm will be obtained the coefficients of a linear filter which separate the source signals. To calculate the performance of the proposed algorithm, two parameters of Performance Index (PI) and Signal to Interference Ratio (SIR) will be used. To test the proposed algorithm, we will use Inovation Gaussian signals, Speech signals and ECG signals. It will be shown that the proposed algorithm gives better results than the other methods such as Newton method that has been proposed by Shi.