基于非负矩阵分解识别未知数量延迟信号源
机器学习
2018-03-28 v2 机器学习
摘要
因子分析作为一种强大的无监督机器学习工具，广泛用于重构记录信号混合中的隐藏特征。在线性近似情况下，混合信号可通过多种无模型盲源分离（Blind Source Separation, BSS）算法进行分解。现有大多数BSS算法考虑信号的瞬时混合，而对具有延迟的信号线性组合情况探讨较少。尤其困难的是，当延迟信号源数量未知且需从数据中一并确定时。为解决这一问题，本文提出一种基于非负矩阵分解（Nonnegative Matrix Factorization, NMF）的新方法，能够识别：(a) 未知的信号源数量，(b) 信号的延迟与传播速度，以及 (c) 信号源的位置。我们的方法仅基于记录数据，即可分解由未知数量信号源在非色散介质中发出的延迟信号混合记录。例如，当多个天线的电磁信号异步接收时；或由位于不同位置的传感器记录的声学或地震信号混合；或当多普勒效应引起频率偏移时，均属此类情况。通过将方法应用于合成数据集，我们证明了其识别未知源数量以及信号波形、延迟和强度的能力。利用贝叶斯分析，我们还评估了估计的不确定性，并确定了信号源位置可能存在的似然区域。
引用
@article{arxiv.1612.03950,
title = {Nonnegative Matrix Factorization for identification of unknown number of sources emitting delayed signals},
author = {Filip L. Iliev and Valentin G. Stanev and Velimir V. Vesselinov and Boian S. Alexandrov},
journal= {arXiv preprint arXiv:1612.03950},
year = {2018}
}