基于TV-SNCCA的时变混合矩阵盲源分离方法及其在非平稳信号处理中的应用

《Mechanical Systems and Signal Processing》：An extension of successive Nonlinear Chirp Component Analysis for blind source separation with time-varying mixing matrix

本文提出了一种名为TV-SNCCA（时变混合矩阵的逐次非线性啁啾分量分析）的新方法，用于解决源信号非平稳且混合矩阵时变的盲源分离（BSS）难题。该方法创新性地将混合矩阵建模为时间函数，并采用ADMM（交替方向乘子法）优化框架，能够依次精确提取源信号、其时变混合向量以及瞬时频率（IFs），有效克服了传统短时方法（如ST-NCCA/ST-SNCCA）的计算效率低、端点效应和结果不连续等局限。通过数值仿真和时变振动系统实验验证，TV-SNCCA在识别时变模态参数方面展现出卓越性能。

　　

Section snippets

Successive nonlinear chirp component analysis

逐次非线性啁啾分量分析（SNCCA）能够依次分解以下线性混合的源信号，同时获得混合向量：x(t) = Φs(t) + n(t) = Σ_q=1^Qφ_qs_q(t) + n(t)。其中 x(t) = [x₁(t), x₂(t), ..., x_M(t)]^T∈ R^M代表测量信号，M 是观测通道数。s(t) = [s₁(t), s₂(t), ..., s_q(t)]^T∈ R^Q表示源信号，Q 是它们的数量。Φ = [φ₁, φ₂, ..., φ_Q] ∈ R^M×Q是混合矩阵，φ₁, φ₂, ..., φ_Q∈ R^M是各自源信号的混合向量。

Successive nonlinear chirp component analysis for TV-BSS model

本节详述TV-SNCCA算法，包括其构建的优化问题及其逐步求解过程。该算法被构建为以下变分优化问题：

min_{uq(t), vq(t), f?q(t), Φm,q(t)}{ ||ü_q(t)||₂²+ ||v?_q(t)||₂²+ (α/2) Σ_m=1^M|| r_m(t) - Φ_m,q(t)( u_q(t) cos(2π ∫₀^tf?_q(u) du) + v_q(t) sin(2π ∫₀^tf?_q(u) du) ) ||₂²}

约束条件为：Σ_m=1^M( Φ_m,q(t)²) = 1, t ∈ R⁺。

在现实世界的信号采集和算法实现中，数据本质上是离散形式的。因此，通过对信号进行采样...

Simulation and property

本节主要通过数值示例来验证TV-SNCCA的特性。由于非线性啁啾分量分析（NCCA）和SNCCA无法识别时变混合矩阵，当作为对比算法时，我们对处理的信号应用短时窗分割，然后在每个时间窗内用NCCA和SNCCA进行处理。这两种方法在下文中简称为短时NCCA（ST-NCCA）和短时SNCCA（ST-SNCCA）。

Application in vibration analysis

模态参数是反映结构动力学特性的关键指标。获取模态参数是在模型更新、动态设计和损伤诊断等诸多领域中不可或缺的一步。这些参数可以从结构的自由振动响应中识别出来。时不变系统模态参数的识别方法在时域和频域都已非常成熟，而对于时变系统...

Conclusions

在SNCCA方法的框架基础上，本文提出了一种名为TV-SNCCA的新方法，能够有效识别TV-BSS模型中的时变混合矩阵、提取非平稳源信号及其瞬时频率。与作者先前提出的NCCA和SNCCA方法相比，该方法的主要创新在于将混合矩阵建模为时间函数，并在算法内部将其视为三维矩阵进行处理。