The goal of blind signal separation (BSS) is to recover the original independent sources given only sensor observations that are linear mixtures of independent source signals. The term blind indicates that both the source signals and the way the signals were mixed are unknown. Blind signal separation based on independent component analysis has been successfully used many fields, it still needs to satisfy more strict requirements to extend its applications. Information maximization algorithm is used to maximize the entropy at the outputs.
Blind signal separation could use two kinds of structure. The one is feedback structure and the other is feed-forward structure. These two structures are used for many kinds of simulations. The advantages of using a feedback system is that a parsimony of parameters may be sufficient to approximate the inverse system. A disadvantage is that the full filter architectures whiten the original sources and one possible way to prevent this is to approximate the inverse system with only cross filters.
Another aspect is the problem of finding correct time-delays for natural signals since they are correlated over time. An inaccurate time-delay estimation may result into an incorrect system inverse and therefore the time-delay learning rule for the feed-forward system was omitted and the time-delays were incorporated simply as part of the FIR filter. Also, since feedback systems are limited to minimum-phase systems a feed-forward system is proposed to give a more general inverse system.
The blind signal separation for convolutive mixtures estimates the finite unmixing matrix which represents time delays, that is number of filter taps. However, the estimated unmixing matrix same as approximation of IIR filter, therefore the error term between FIR and IIR filter more increased. As if the blind signal separation estimate the mixing matrix instead of unmixing matrix, then each component of matrix can be represented as FIR filters. Estimating mixing matrix $\bf{A(z)}$ method can recovers the original source signals with good performance.
In this dissertation blind signal separation method by estimating mixing channels is proposed for convolutive mixtures and implemented FPGA for real world applications. The experimental results illustrate mixing channel estimation method has better than unmixing channel estimation.
The proposed mixing channel estimation method need more computational resources, such as convolutions. FPGA implementation is necessary to use in real world applications since proposed algorithm needs more computatations. FPGA for blind signal separation is composed of ARM compatible core and co-processor.
암묵 신호 분리란 선형 혼합된 신호로부터 원래의 소스 신호를 찾아는 방법이다. 하지만, 기존의 방법들과 달리 소스 신호에 대한 사전 정보 없이 원래의 신호를 찾아낼 수 있다. 특히, 독립 성분 분석 (ICA) 은 암묵 신호 분리의 많은 연구 분야에서 응용되고 있다. 독립 성분 분석은 신호의 통계적 특성을 이용하여 학습 법칙을 유도하는 방법으로서, 기존의 최소 평균 제곱 방법 (LMS) 에 비해서 향상된 시스템 성능을 얻을 수 있다.
암묵 신호 분리에서는 혼합 행렬(mixing matrix) 대신에 이의 역행렬인 분리 행렬 (unmixing matrix) 를 찾는 방법이 많이 사용되어지고 있다. 즉, 측정된 혼합 신호에다가 분리 행렬을 곱하여 신호를 분리하는 방법이다. 그러나, convolutive mixing 을 갖는 혼합 신호의 암묵 신호 분리에서는 혼합 행렬이 유한한 시간 지연으로 표시되는 FIR 필터라고 하더라도, 그 역행렬은 무한한 시간 지연을 요하는 IIR 필터 형태로 근사화되면서 오차가 커지게 되므로, 분리 행렬 대신에 혼합 행렬을 구하게 되면 행렬의 각 요소가 FIR 필터로 표현 가능해진다. 즉, unmixing matrix '$\bf{W(z)}$' 를 추정하는 대신에 mixing matrix '$\bf{A(z)}$' 를 추정하는 방법을 이용하여 혼합된 신호로부터 원래의 신호를 복원할 수 있다.
본 논문에서는 Convolutive channel로 혼합된 신호의 암묵 신호 분리를 위해 혼합 행렬을 FIR 필터로 찾는 방법을 제시하고, 실시간 응용을 위하여 FPGA로 구현하였다. 먼저 혼합 행렬과 분리 행렬의 역 관계를 이용하여 분리 행렬의 학습 법칙으로부터 혼합 행렬의 학습 법칙을 유도하고, 유한한 시간 지연을 갖는 혼합 필터에 대해 성능을 비교하였다. 같은 수의 시간 지연을 사용할 경우에는 당연히 제안되는 혼합 행렬 기법이 우수한 성능을 보였다. 이 경우 분리 행렬 방법의 시간 지연을 늘리면 일반적으로 성능이 증가하나, 이 성능 증가를 위해서는 보다 많은 학습 샘플이 필요하다. 일반적으로 허용되는 학습 샘플의 수에서는 적은 시간 지연을 갖는 혼합 행렬 방법이 많은 시간 지연을 갖는 분리 행렬 방법보다 우수한 신호 분리 성능을 보임을 확인하였다.
이 혼합 행렬 방법은 더욱 많은 계산량을 필요로 하므로 실시간 응용을 위해서 FPGA 로 구현하였다. FPGA 구현은 ARM 호환 프로세서 코어에 전용 부가 processor를 첨가하는 형태로 구현하였다. 전용 부가 processor는 2개의 부동소수점연산기(Floating point unit, FPU)를 사용하여 제안된 방법에서 필요로 하는 많은 계산량을 효율적으로 처리하도록 하였다.
