劉文娟,馮大政

(西安電子科技大學雷達信號處理國家重點實驗室,陜西西安 710071)

利用復旋轉矩陣的非酉聯(lián)合對角化算法

劉文娟,馮大政

(西安電子科技大學雷達信號處理國家重點實驗室,陜西西安 710071)

結合復Givens旋轉和復Shear旋轉,將分離矩陣分解為多個復旋轉矩陣的乘積,有效地利用旋轉矩陣的結構及目標矩陣經旋轉變換后相關元素的巧妙表示,將最小化F范數(shù)代價函數(shù)問題轉化為一系列維數(shù)為3×3的實對稱矩陣的廣義特征向量求解問題,進而提出了一種基于復Givens旋轉和復Shear旋轉相結合的非酉聯(lián)合對角化算法.仿真實驗結果表明,新算法具有估計精度高、收斂性能穩(wěn)定等特點.

盲信號分離;非正交聯(lián)合對角化;復Givens旋轉;復Shear旋轉

聯(lián)合對角化在信號處理領域有著廣泛的應用,特別是盲信號分離、獨立分量分析和陣列信號處理等.現(xiàn)有的聯(lián)合對角化方法主要分為兩大類:正交聯(lián)合對角化和非正交聯(lián)合對角化.正交聯(lián)合對角化算法通常要求待估計的分離矩陣為正交矩陣,因此需要對觀測信號進行預白化處理,這要求目標矩陣中至少存在一個正定矩陣.研究表明[1-2],由于截斷誤差和噪聲等的影響,目標矩陣的估計存在誤差,這使得白化處理不可能精確實現(xiàn),且由此引入的額外誤差無法由接下來的正交聯(lián)合對角化算法消除.

為了避免預白化階段產生的不利影響,越來越多的學者研究非正交聯(lián)合對角化算法.其中,一部分算法最小化所有矩陣非對角線元素的F范數(shù)平方和,如FFDIAG[3],CVFFDiag[4],基于Given和Shear (hyperbolic)旋轉的JDi[1]、CJDi[5]和CNJD[6],基于LU或QR分解的ALUJA[7]和GNJD[8]等;另一部分算法最小化最小二乘擬合代價函數(shù),如ACDC[9],s-BIA[10],UWEDGE[11]和PDMM[12]等;還有優(yōu)化對數(shù)似然函數(shù)的算法[13].JDi算法利用實Givens旋轉和實Shear旋轉相結合的方法,將經典的JADE[14]算法推廣至非正交領域,保持了其良好的收斂性能.但該算法只能應用于實數(shù)域,無法直接推廣至復數(shù)域.

筆者提出一種復數(shù)域的非正交聯(lián)合對角化算法,利用復Givens和復Shear旋轉矩陣的特殊結構及對相關目標矩陣元素的巧妙表示方法,最小化JDi采用的簡化的F范數(shù)代價函數(shù),聯(lián)合估計復Givens和復Shear旋轉矩陣的所有參數(shù),避免了奇異解的出現(xiàn).同時,避免了CJDi算法對目標矩陣共軛對稱性的要求.

1　問題描述

非酉聯(lián)合對角化需要解決的問題是:給定一組維數(shù)為M×M的復矩陣M(M={M1,…,MK}),估計分離矩陣V使得矩陣組M′k=V MkVH,k=1,…,K,盡可能地對角化.

將分離矩陣V(V∈CM×M)分解為一系列旋轉矩陣的乘積形式[5]:

其中,i=(-1)1/2.與JDi類似,相對于每個旋轉坐標對{p,q},(p=1,…,M-1,q=p+1,…,M),可以建立一種簡化的F范數(shù)代價函數(shù):

這里,m′k,pq為M′k的 第(p,q)個元素.

下面介紹最小化此代價函數(shù)估計旋轉矩陣參數(shù)的算法.

2　非酉聯(lián)合對角化算法

對于最小化代價函數(shù)式(4),筆者提出一種兩階段算法,分別關于旋轉矩陣和優(yōu)化代價函數(shù)式(4),估計旋轉矩陣參數(shù),并更新目標矩陣組.為簡化公式推導,將和分別表示為

其中,ωn,pp=cosθncosh yn-sinθnsinh yn,ωn,pq=sinθncosh yn+cosθnsinh yn,ωn,qp=cosθnsinh ynsinθncosh yn,ωn,qq=sinθnsinh yn+cosθncosh yn,n=1,2.可以看出,式(5)和式(6)的所有元素均為實數(shù)或純虛數(shù).

M′k的第(p,q)個元素m′k,pq為

令v1=[sinh(2y1),-sin(2θ1)cosh(2y1),cos(2θ1)cosh(2y1)]T,J=diag([-1,1,1]).J為一個3×3對角矩陣,顯然,.將mk,pq的實部和虛部分別表示為和,省略與旋轉參數(shù)無關的項,m′k,pq可近似表示為

第1階段的問題轉化為求解與JDi算法[1]相同的代價函數(shù).由JDi的結論可知,最小化代價函數(shù)式(10)可以通過求解(R1,J)的最小正廣義特征值對應的特征向量得到.若此特征向量表示為,并歸一化,則待求的旋轉參數(shù)的解析表示可以由該特征向量的元素給出[1,5]:

以此構造旋轉矩陣,對目標矩陣進行更新,在此基礎上進行第2階段的旋轉.

M″k的第(p,q)個元素m″k,pq可以表示為

3　計算復雜度分析

通過計算每次掃描所需的實數(shù)乘除法運算次數(shù)(Number of real-valued Multiplications and Divisions,NMD)來分析所提算法(簡寫為CGH-JD)的計算復雜度.由于此類算法的計算量主要來源于對目標矩陣的更新,利用和具有稀疏性,且在(p,p)、(q,q)、(p,q)和(q,p)處的元素均為實數(shù)或純虛數(shù),對于旋轉坐標對{p,q},更新式(7)和式(12)需32MK次實數(shù)乘除法運算次數(shù),完成一次掃描需M(M-1)/2次更新,若忽略所有階數(shù)低于M3K的項,則CGH-JD算法每次掃描需要M3K次實數(shù)乘除法運算次數(shù).

為了便于比較,同時給出部分現(xiàn)存的非酉聯(lián)合對角化算法每次迭代(掃描)的計算復雜度分析:ACDC為20M3K,CVFFDiag和UWEDGE為8M3K,CJDi的計算復雜度與筆者提出的算法相同.

4　仿真實驗

通過與CJDi[5],ACDC[9],CVFFDiag[4]和UWEDGE[11]等算法的比較,詳細分析所提出的CGH-JD算法的性能.為了便于分析和比較,采用盲分離算法中常用的性能指標全局拒絕水平(Global Rejection Level,GRL)[1,3-10,12,14]來衡量算法的有效性:

實驗1 構造一組M×M的目標矩陣組R(k),R(k)=A diag(λ1(k),…,λM(k))AH+ΔR(k)(k=1,…,K).定義無誤差矩陣項和誤差矩陣項F范數(shù)的平方比(No Error matrix and matrix norm F square Ratio,NER),即,來衡量噪聲的擾動.令M=5,K=7,混迭矩陣A、對角矩陣和誤差矩陣ΔR(l)的實部和虛部均為隨機產生,且服從N(0,1)正態(tài)分布.為滿足ACDC的要求,取對角矩陣為實矩陣、ΔR(l)共軛對稱.一個好的初始值可以使算法很快收斂.為了在不受初始值干擾的情況下表明算法的收斂性能,所有實驗均采用單位矩陣IM作為算法的初始值,所有結果均為100次蒙特卡羅實驗的平均值.圖1表示CJDi和CGH-JD的收斂全局拒絕水平和收斂時間隨無誤差矩陣項和誤差矩陣項F范數(shù)的平方比變化的平均曲線(算法運行環(huán)境:MATLAB R2010a,Pentium(R)Dual-Core E5200 CPU,2.50 GHz,2 GB內存).圖1表明,CJDi與CGH-JD得到的分離矩陣本質相等,但筆者所提CGH-JD算

圖1　全局拒絕水平和收斂時間隨無誤差矩陣項和誤差矩陣項F范數(shù)的平方比變化的平均曲線

法的運算時間更短.圖2表示在RNER=0 dB的情況下,筆者所提算法CGH-JD的平均全局拒絕水平和代價函數(shù)的值隨迭代次數(shù)的變化曲線.可以看出,筆者提出的CGH-JD算法具有良好的收斂性能.圖3(a)表示全局拒絕水平隨無誤差矩陣項和誤差矩陣項F范數(shù)的平方比變化的平均曲線.圖3(b)表示無誤差矩陣項和誤差矩陣項F范數(shù)的平方比為20 dB時,全局拒絕水平隨矩陣個數(shù)變化的平均曲線.結果表明,筆者所提算法的估計性能與CJDi算法的相同,同時優(yōu)于其他3種算法.

圖2　全局拒絕水平和代價函數(shù)隨迭代次數(shù)變化的平均曲線(CGH-JD,RNER=0 dB)

圖3　全局拒絕水平隨無誤差矩陣項和誤差矩陣項F范數(shù)的平方比和矩陣個數(shù)變化的平均曲線

實驗2 仿效文獻[4]中實驗3的方案,取4個零均值、統(tǒng)計獨立的復信號s1(t)=sin(3200πt)+icos(1900πt),s2(t)=sin(20πt)sin(600πt)+ icos(20πt)cos(600πt),s3(t)=sin[ 600πt+6cos(120πt)]+icos(900πt),s4(t)=sin(180πt)+isin(400πt),由4個傳感器接收,接收信號X= AS+N.其中,信道沖擊響應由復矩陣A表示,其實部和虛部均服從N(0,1)正態(tài)分布;源信號S=[s(1),…,s(L)],這里s(t)=[s1(t),s2(t),s3(t),s4(t)]T;噪聲矩陣N=rand n(4,L)+irand n(4,L),樣本數(shù)L= 1 000.產生10個目標矩陣.定義信噪比(Signal-to-Noise Ratio,SNR)為. 星座圖,即信號矢量端點的分布圖,反映了調制信號的兩個基本參數(shù):載波的幅度和相位.因此,對于判斷調制方式、誤碼率等有很直觀的效果.星座圖越集中,表示信號的分離性能越好.所以本實驗中采用星座圖作為衡量算法性能的另一個指標.圖4表示各個算法的全局拒絕水平隨信噪比變化的平均曲線.特別地,為顯示源信號的恢復結果,抽取當RSNR=15 d B時的1次實驗,圖5表示源信號、接收信號和分離信號的星座圖.可以看出,CGH-JD能很好地恢復出源信號,具有良好的分離性能.

圖4　全局拒絕水平隨信噪比變化的平均曲線

5　總 結

筆者提出一種基于復Givens和復Shear旋轉的非酉聯(lián)合對角化方法.該算法采用乘性迭代機制,將待

Non-unitary joint diagonalization by complex Givens and complex Shear rotation

LIU Wenjuan,FENG Dazheng
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

The proposed algorithm is based on the combination of complex Givens and complex Shear rotations,which decomposes the de-mixing matrix into a product of complex rotation matrices.By ingenious utilization of the structure of the complex Givens and complex Shear rotations,together with the adequate expression of the concerned variables,the minimization of the F-norm criterion function can be transformed into a sequence of problems of calculating the generalized eigenvector of two 3×3 real symmetric matrices.Numerical simulations illustrate the good performance and convergence property of the proposed algorithm.

blind source separation;non-orthogonal joint diagonalization;complex Givens rotation; complex Shear rotation

TN911.7

A

1001-2400(2016)05-0006-06

10.3969/j.issn.1001-2400.2016.05.002

2015-08-17 網絡出版時間:2015-12-10

國家自然科學基金資助項目(61271293)

劉文娟(1986-),女,西安電子科技大學博士研究生,E-mail:wjliu@stu.xidian.edu.cn.

網絡出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20151210.1529.004.html