信号分离研究内容

信号分离：给一个信号（这个信号可能非常复杂，很多的物理过程或是机械系统，通过数字化采样而获得它的观测信号）一个机械系统、一个振动过程，甚至是一个化学过程，这些都可以通过一些探测器（传感器）、测量手段获得一个信号，当一个物理过程含有多个成分的时候，或者说含有许许多多子系统，每个子系统在以各自不同的方式协调或者不协调工作的时候，这个信号就会非常复杂。

而现实是什么？我们只有一个这样的信号，我们希望通过对这个信号进行分析来获得这个系统的一些有关认识，甚至是它的物理结构有一定的了解（比如心电信号，当获得了心电图以后，是希望通过心电图来判断，心脏是否生病了，生病了是在哪个心室，生病了是以什么方式生病呢？所有这些行为都应该反应到这个信号上。这对我们信号处理的任务来讲是非常复杂的），一般对这些复杂信号做分析都采取什么手段呢？过去呢我们有两个方法，第一呢，我们直接对信号进行分析，比如直接对信号进行定量的分析，比如这个信号对应的是几种物质也好，或者是几个获取的参数也好，这些参数可以从信号中直接估计出来，这个部分呢就是所谓的信号估计（这些方法就比较多）。第二呢，就是需要先对信号做一些展开或是变换，比如傅里叶变换（相当于说把一个信号展开到一组简谐波上去，每一个简谐波对应的分量告诉我们，这个信号含有这个频率成分有多少。）小波变换也是把一组信号，用一组我们已知的信号（小波基）作为基础进行展开，每一个展开系数都是这个复杂信号向已知信号（小波基）上投影的结果，投影的结果也就是复杂信号和已知信号的相似程度（余弦相似度，越相似值趋于1（共线），越不相似值趋于0（正交））。通过对投影系数进行分析，就有可能更加容易的获得我们所需要的物理量，或是一些客观的参数。统统这样的方法我们都称为信号的表示方法 。就是怎么把一个信号从一个整体，从它原始的采样表示变成在一组有意义的基上，或者是有特定意义的 “描述”上进行展开，而这种展开能够提供更加丰富的信号里面的信息和结构。这就是所谓信号的分离。

也就是说，我们总是希望把一个信号写成一系列的子信号 的组合，然后加上一个性质不同的信号 ，所谓的残差信号或者剩余信号。

当然这样分解显然不是没有目的的，如果说把一个复杂信号分解成若干子信号的组合后，结果每一个子信号都比原来的信号还要复杂，那这样的分解不是我们需要的。我们总是希望说，把复杂问题简单化（这是科学研究的共性），也就是说我们希望这些子信号都比原始信号要简单得多（比如熵要低的多，或者分布要更加简单明确等等，这种情况下我们才说这种分解是有意义的）。当然什么叫作有意义？可能是便于你分析，这跟不同的应用是有关系的，但是最大问题在于，What is SIMPLE？这个在信号处理里边从来是没有定义的，没有答案的。从来没有人认真讨论过一个什么样的信号叫复杂信号或是什么样的信号叫简单信号，简单到什么程度就不能再简单了，复杂到什么程度我们就不能再分析了，这也是真正信号处理没有解决的难点。

当然根据这些年信号处理领域出现的工具，我们可以得到下面一些结论，信号分离的方法已经有非常多了，所有的现有方法都告诉我们：

Different methods give different answers or Different answers give different methods

我们给出的信号分离方法是依赖于我们对简单信号的某种认识，或者等价的说，如果说你能够告诉我，什么样的信号叫简单信号，那么我都能够给你一个基于这种简单定义的一个信号分离的方法。

我们知道，信号分解自从傅里叶变换开始到窗口傅里叶变换到小波变换以及各种各样的衍生小波，所有这些方法都有一个共同点，就是必须先要得到一批预定义好的信号，然后把需要分析的信号向这些预定义好的信号上进行投影，最后分析这些投影，这就成了信号分析的主要任务。那么只要是预定义好的，任何一个基，或者说小波也好，或是其它的也好，它们都不是万能的。

傅里叶变换显然我们可以说它有些毛病，但是显然它对分析周期或准周期信号是非常有效的，因为这种周期信号，周期性就成了它非常显著的特征，通过分析它的频率，就能非常准确的刻画出它的一些周期性规律。但是如果对这种信号用小波进行分析，显然小波的价值就没有得到充分的体现，或者说优势不会很明显。因为我们指定的这组小波，本身并不是周期的，而是在时间域上衰减很快的一些小的震荡，而周期性分析信号本身震荡是在时间域上跨度非常长的，显然在小范围内震荡的小波是不能很好逼近这样的信号。所以尽管小波有许多优点，但是在分析周期性信号的问题上，它还远远不如傅里叶变换来的直接有效。当然傅里叶变换毛病也比较多，比如说，它不能知道这个频率是在时间轴上哪一个位置发生的，它缺乏了时间的特性，因此小波在这方面表现出比傅里叶变换好的地方。那么需要了解一维信号的时间特性的应用，那么小波就能获得好的效果。同样小波就能对那些瞬态的复杂变化更加实用。当然目前公认的原理是，小波就是对一些分片平滑的信号有效，这是小波的主要处理对象，而不是震荡的非常厉害的信号。震荡厉害的信号并不是小波处理的重要内容。

也就是说，不管人们提出什么样的小波基，由于基本身的特性就决定了它就只能对某一部分信号分析地特别有效率，更加直白点，分析信号是什么样，那么使用的基最好和它类似，这样分析的速度更快，这叫“物以类聚，人以群分”，这是信号处理共有规律。

所以说，如何把一个复杂信号表示成一系列比较简单信号的组合，成为信号处理里边的一个本质的核心问题。

 

信号分离是必须要做的，比如信号处理里边有的核心问题“频率”，频率是指在一段时间内，假设它是周期信号，对其做傅里叶变换得到的频率。可是很多信号处理领域里边，频率的发生是和时间有关系，我们需要获得，频率随时间变换的规律，就是所谓的瞬时频率问题。有测不准原理可以知道，时间和频率是不可能同时测得特别准。如果给定一个Cos信号我们对它求瞬时频率，就是一条直线，这也是瞬时频率，只是它的瞬时频率在时间上长时间不变，当然我们也可以构造一些调频信号，它的瞬时频率就会随着时间变换，但是如果是两个Cos函数的叠加信号，再去计算它的瞬时频率，出来的结果就非常乱，甚至有一些负的频率在里边，因此信号的分离对于很多信号分析的工作来讲是必须不得不做的事情，如果不做信号分离的话，其瞬时频率的定义都是错的。

到目前为止，我们将现有的信号分析方法分为6大类方法：

1、最大后验概率的方法 MAP（Maximal a posterior probability）

2、基于稀疏性的表示方法 Sparsity based method：based on sparse representation（根源于小波的表示）

3、基于新的范数（度量）的方法，Norm based method：based on new norm

4、经验的方法，Empirical method：EMD etc（告诉你怎么算，但是不知道怎么办）

5、变分框架分解方法，VMD

6、基于一些数学工具，Other method：basis，frame，ICA（小波基，框架，ICA）

好了我们对这几类方法简单解释下，注意通俗但不严谨。。

（1） 最大后验概率方法

先研究一个简单信号分解问题，（复杂信号展开成一系列简单信号的组合），现在不考虑一下全部分解出来，难度太大，先做一个简单分解，先把一个信号写成一个相对简单得信号+另一个一个相对简单得信号

S=U+V

一个信号先分解成两个信号，下一步在对两个信号中的其中之一或是两个都再进行下一步分解。一个信号要写成上面的表达式，如果不提供一些先验知识的话，这种分解是没有办法实现的，这是一个完全不可解问题，问题提的不适定。MAP框架给出，求下面一个后验概率，在S已知的时候，U和V同时存在的概率就是后验概率，当后验概率达到最大时候的U和V的组合就是我们要求的分解组合。

 

将后验概率函数按照贝叶斯公式展开关于先验概率的模式，可以证明，上面的公式可以写成

 

 

U和V就是使得等式后边三个函数组合达到最小的那个组合。Pu是关于U的先验概率，需要先知道U是什么样的，需要得到什么样的U（先验知识是必须告知的，一般以概率分布的形式提供），同样Pv是关于V的先验概率，也必须知道V的先验概率。theta（u）和theta（v)是概率的模型参数,lambda(phi)是U和V之间的关系，要求S=U+V。这个模型是通用的信号分解模型，它依赖于两个先验概率。这里的简单得定义，指信号服从某个概率。制定一个概率模型就是对要分解的信号一个很强的约束。（维纳滤波也是这类方法，他就是把一个信号展开为两个信号的组合，一个信号相对平滑，一个信号相对是噪声信号，把两个信号分离就是信号的去噪过程）。由于概率分布做了太多假设，所以这样的方法框架太粗了。

 

（2）基于稀疏性的表示方法（Mallat等提出的）

每一个基都只是对所有可能信号集合里边的某一个子集比较好，把所要分析的信号划为若干子集，每一个子集挑一个基与其对应，这样，对于分析信号需要先判断是否属于某一个子集，如果不是那就需要展开成几个子信号，每个子信号都要在规定的子集里，达到把信号简单化得目的。具体处理技巧是：

找到两个基或是字典phi(u)和phi(v)，两个基有这样的规定：要求分解得到的U在phi(u)这组基上展开时要比在phi(v)基上展开要效果好，（怎样才叫效果好呢？就是展开要稀疏，表示的效率要高）。分解得到的V在phi(v)这组基上展开时要比在phi(u)基上展开要效果好。（如果一个信号组成是时间域上的几个脉冲和频率域的几个脉冲构成，频率域的脉冲对应时间域中方向无穷的纯震荡信号，如果用小波函数表达方向无穷的振荡，需要非常非常多的小波基展开，而如果用傅里叶展开，基仅仅需要少数几个谐波就能展开，所以小波就不适合，但是时间域的脉冲用傅里叶来分解就非常复杂，其频率中是广谱信号，但是用小波就能对这种局部变化的信号能有非常好的表示，因此一个信号既含有时间域上的瞬时变化，又有频率域中的瞬时变化，采用小波或是傅里叶都是不合适的，需要把信号展开为两部分，一部分含有时间域瞬时变换的，一部分含有频率域瞬时变化的，前一个可以用小波，后一个用傅里叶，这样表达效率就非常高）

U=phi(u)*alpha(u) and V=phi(v)*alpha(v)

信号在两个基上的展开系数分别为alpha(u)和alpha(v)，求取方法，最小化下面这个目标函数

 

其中F的关系是S=U+V=phi(u)*alpha(u)+phi(v)*alpha(v)。这里的P有三个取值，对应三个不同的问题

 

P=0，零范数（非零元素的个数）Sparser：

U=phi(u)*alpha1=phi(v)*alpha2 , ||alpha1||0<||alpha2||0

注意phi(u)和phi(v)都能对同一个信号进行展开，只是展开效果不一样。phi(u)上展开稀疏就是 ||alpha1||0越小，注意一般来讲是远远小于||alpha2||0，这里零范数就是典型的稀疏问题求解，可是p=0问题非常差，解析性能非常不好（N-P难）,这类问题退化为两个问题

P=1，基的追踪。P=2，匹配追踪。对基的追踪也是压缩感知理论研究最多的方法。信号稀疏表达，大部分情况我们都是解1范数最小问题。

（3）基于新的范数（度量）的方法

不同空间依赖于不同的范数，或者不同尺子，两个尺子的度量长度不一样，||.||u和||.||v，将信号S分解为U+V时，需要用||.||u度量U的时候比||.||v度量U的时候小||U||u<||U||v。相应的||V||v>||V||u。两个范数衡量信号本身就有趋向性。这样的信号分解方法就是解下面优化问题

F(U,V)是两个信号的关系函数（Lagrange term），利用不同范数对不同信号的度量趋向性，来获得对信号的辨识和区分。

（4）经验的方法（EMD）

没有数学基础，EMD对简单信号的定义为IMF，满足两个要求，第一要震荡，极值点的个数和过零的个数相等或差1，第二，任何一个点都有局部的关于零的对称性。EMD方法可以说是自适应信号处理方法的代表方法，他开创了自适应数据驱动分解方法分析的时代。现有大量研究者在自适应信号处理领域耕耘，不过很遗憾，该方法到目前为止还没有理论基础。但是，该方法的实验研究表明，该方法具有广泛的通用性，同时开辟了自适应信号处理新领域，大量自适应信号处理方法都基于EMD的思想。例如（ITD，SWT，EWT，VMD，NSP等等方法）。

（5）变分框架分解（VMD）

VMD 的分解过程是变分问题的求解过程，其核心思想是构造如下优化问题：

 

该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。目标函数构建分三步进行: ①通过Hilbert 变换计算与每一个模态相关的解析信号;②通过加入指数项调整各自估计的中心频率，将每一个模态的频谱移动到基带上; ③带宽的估计使用了解调信号的H 高斯平滑，即梯度的二范数的平方; 式中{uk}是模态函数集合，而{wk}是中心频率。通过该函数的不断优化可以实现类似EMD分解的分解结果。ＶＭＤ算法在获取IMF分量时摆脱了EMD法所使用的循环筛分剥离的信号处理方式，但是优化问题参数选择非常敏感。该方法诞生2014年，有兴趣的可以看看原始文章。

 

https://www.researchgate.net/publication/258697023_Variational_Mode_Decomposition

代码可以到File Exchange - MATLAB Central下载：

Variational Mode Decomposition - File Exchange - MATLAB Central
 

（6）现有数学手段

基于数学工具的方法是大家用的最多，但是常常忘记的方法，如降维方法中的PCA，SVD方法，盲分离方法ICA，FastICA方法等等。几乎所有的降维算法都能用于信号分离，如流行学习的算法。同时包括一些框架的算法，这些方法就是传统数学理论的运用，这里就不多讲了。

最后总结下现有信号处理方法的现状和进展，以下个人观点，请辩证的阅读，如有错误，作者本人不承担任何责任。

• 时域分析--所有基于统计的方法。
• 频域--傅里叶变换（平稳信号处理方法）。
• 时频分析方法--窗口傅里叶变换STFT、时频分布方法（Winger-Ville、Cohen分布等等），小波方法WT，双树复数小波DTCWT，多小波Multi-WT，脊波变换等等（传统非平稳信号分析）
• EMD方法，LMD，LCD，ITD等方法，这些都是基于EMD方法本身，属于自适应非平稳信号处理方法。理论基础薄弱。
• 字典方法，SWT，EWT，这些方法都是基于字典或是小波框架的方法，但是具有自适应分析能力，也属于自适应非平稳信号处理方法。
• 稀疏时频分析的方法，这类方法是基于字典的优化方法，也是稀疏表达大类的方法，属于自适应非平稳分析方法。
• VMD方法，不讲了，讲过了。。。
• 还有很多。。。读者自行查阅相关文档