ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2017, № 2 · РАДИОТЕХНИКА

Компенсационный метод слепого подавления аддитивных стационарных помех с негауссовым распределением

А.Е. Манохин1

1 Институт радиоэлектроники и информационных технологий УрФУ им. первого Президента РФ Б.Н.Ельцина, Россия
Полный текст (PDF) УДК 681.513.6 EDN YHVIJZ

Аннотация

В работе представлен метод слепого подавления аддитивных стационарных помех с негауссовым распределением, который основан на слепом выделении помехи на выходе нейронной сети по одному из критериев (максимизация эксцесса), а затем ее компенсации в смеси с сигналом. Основным достоинством данного метода является возможность подавления помех без априорных знаний о параметрах помехи и сигнала за исключением некоторых предположений (о принадлежности к классу распределений сигналов и помех, об отсутствии сигнала в смеси с помехой на определенное время, о различии статистических характеристик сигналов и помех, о некоторых корреляционных свойствах сигналов и помех и т. п.). В качестве алгоритмов слепого выделения помехи используются алгоритмы, основанные на максимизации абсолютного и нормированного эксцессов, выявлены их достоинства и недостатки. Моделированием подтверждена работоспособность компенсационного метода, который позволяет достичь отношение мощности сигнал-шум на выходе нейронной сети от 9 до 17 дБ в зависимости от отношения мощности сигнал-помеха на ее входах и применяемых алгоритмов выделения помех.

  • слепое подавление помех
  • слепое выделение сигналов
  • эксцесс
  • функция Лагранжа
  • скорость сходимости
Abstract (in English)

In a work a method of blind additive stationary non-gaussian disturbance suppression based on blind signal extraction at the output of the neural network according to a criteria (maximizing the kurtosis), and then compensation from the mixing with the signal is presented. The main advantage of this method is the possibility of disturbance suppression without a priori knowing of the signals and disturbances properties apart from some assumptions (belonging to the class of signal and disturbance distributions, the absence of a signal mixed with the disturbance at a certain time, the difference of statistical characteristics of signals and disturbances, some correlation properties of signals and disturbances, etc). Blind disturbance extraction algorithms based on the maximization of absolute and normalized kurtosis, are used; their advantages and weaknesses are identified. Modeling confirmed the efficiency of the compensation method achieving a signal-to-noise power ratio at the output of the neural network from 9 to 17 dB depending on the input signal-to-noise power ratio and used blind algorithms.

Для цитирования

Манохин А.Е. Компенсационный метод слепого подавления аддитивных стационарных помех с негауссовым распределением // Журнал радиоэлектроники. – 2017. – № 2.

Литература

  1. A.Cichoki and S.Amari, Adaptive Blind Signal and Image Processing: Learning Algorithms and Applications, John Wiley & Sons, 2002.
  2. A. Cichocki, R. Thawonmas, and S. Amari, "Sequential blind signal extraction in order specified by stochastic properties" Electron. Lett., vol. 33, № 1, pp. 64-65, Jan. 1997.
  3. Zhi-Lin Zhang, Zhang Yi, Extraction of a Source Signal Whose Kurtosis Value Lies in a Specific Range, Neurocomputing, vol. 69, № 7-9, pp. 894-899, 2006.
  4. Zhi-Lin Zhang, Zhang Yi, Robust Extraction of Specific Signals with Temporal Structure, Neurocomputing, vol. 69, № 7-9, pp. 888-893, 2006.
  5. S. Amari, "ICA of temporally correlated signals - learning algorithm", in Proceedings of ICA'99: International workshop on blind signal separation and independent component analysis, Aussois, France, Jan. 1999. pp. 13-18.
  6. K. Matsuoka, M. Ohya, and M. Kawamoto. A neural net for blind separation of nonstationary signals. Neural Networks, 8(3): 411-419, 1995.
  7. S. Amari. Natural gradient works efficiently in learning. Neural Computation, № 10: pp. 271-276, 1998.
  8. Hyvarinen, A., Karhunen, J. and Oja, E. Independent component analysis. New York: J. Wiley, 2001.
  9. P. Comon. Contrast functions for blind deconvolution. IEEE Signal Processing Lett., SPL-3, no. 7: 209-211, July 1996.
  10. O. Shalvi and E. Weinstein. Universal method for blind deconvolution. In S. Haykin, editor, Blind Deconvolution, pages 121-180. Prentice-Hall Inc., Englewood Cliffs, New Jersey, 1994.
  11. S.C. Douglas and S.Y. Kung. Kuicnet algorithms for blind deconvolution. In Proc. IEEE Workshop on Neural Networks for Signal Processing, pp. 3-12, Cambridge, UK, August 1998.
  12. Шарый С.П. Курс вычислительных методов. - Новосибирск: Институт вычислительных технологий СО РАН, 2013. - 497 с.
  13. Норенков И.П. Экстремальные задачи при схемотехническом проектировании в электронике / И.П. Норенков, С.Г. Мулярчик, С.Р. Иванов. - Минск: Изд-во БГУ, 1976. - 239 с.