1.一种基于机器学习和聚类算法的盲源分离估计方法,其特征在于,包括:接收待估计的混合信号,并将所述混合信号中的观测信号变换至时频域上,得到时频域观测信号;
提取公共信号源数据的特征,训练由DBN神经网络组成的编码器以及BP神经网络组成的解码器;所述公共信号源数据包括现有环境数据、仿真数据和实际环境数据;
对所述混合信号进行抽样,并将抽样后的混合信号输入至训练完成的编码器,提取所述混合信号的隐藏高阶特征;
利用第一聚类算法对所述隐藏高阶特征进行聚类,得到所述待估计的混合信号中每个信号源的数目以及初始聚类中心;
将所述信号源数目、所述初始聚类中心以及所述隐藏高阶特征输入至第二聚类算法中,以对所述初始聚类中心进行修正,得到修正后的聚类中心;
根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征,重新构建所述信号源的隐藏高阶特征,并经由所述训练后的解码器恢复各信号源。
2.根据权利要求1所述的盲源分离估计方法,其特征在于,提取公共信号源数据的特征,训练由DBN神经网络组成的编码器以及BP神经网络组成的解码器,包括:基于DBN神经网络将所述公共信号源的视频参数搬移至高维映射上,利用梯度上升法进行训练,并提取所述公共信号源的隐藏高阶特征;
利用所述公共信号源的隐藏高阶特征训练并测试BP神经网络。3.根据权利要求1所述的盲源分离估计方法,其特征在于,对所述混合信号进行抽样,并将抽样后的混合信号输入至训练完成的编码器,提取所述混合信号的隐藏高阶特征,包括:根据所述观测信号的路数确定所述编码器的输入端维度和所述解码器的输出端维度;提取所述混合信号时频域的实部作为信号特征,并对所述信号特征进行归一化,以使所述信号特征值在预设阈值内。
4.根据权利要求1所述的盲源分离估计方法,其特征在于,所述第一聚类算法为AP聚类算法。
5.根据权利要求1所述的盲源分离估计方法,其特征在于,所述第二聚类算法为K‑means聚类算法。
6.根据权利要求1所述的盲源分离估计方法,其特征在于,根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征,重新构建所述信号源的隐藏高阶特征,并经由所述训练后的解码器恢复各信号源,包括:根据所述修正后的聚类中心分配各信号源对应的所述隐藏高阶特征,重新构建所述信号源的隐藏高阶特征,每个聚类中心所代表的信号源在每一时刻均由聚类内各点共同决定,聚类内各点所占权重由聚类内各点到聚类中心的距离决定;
所述训练后的解码器将所述隐藏高阶特征恢复为所述混合信号中各信号源的时频特征,变换回各信号源。
7.根据权利要求6所述的盲源分离估计方法,其特征在于,所述训练后的解码器将所述隐藏高阶特征恢复为所述混合信号中各信号源的时频特征,变换回各信号源,包括:将重新构建所述信号源的隐藏高阶特征输入所述训练后的解码器,根据所述训练后的解码器得到对应的时频特征;
根据所述时频特征对各信号源进行恢复。8.根据权利要求1所述的盲源分离估计方法,其特征在于,将所述信号源数目、所述初始聚类中心以及所述隐藏高阶特征输入至第二聚类算法中,以对所述初始聚类中心进行修正,得到修正后的聚类中心,包括:将所述初始聚类中心输入至所述第二聚类算法中,确定聚类中心的总个数;
计算所述隐藏高阶特征中每个样本到所述初始聚类中心的距离,并将所述样本划分到距离最小的聚类中心所对应的类别中;
根据所述聚类中心所对应的类别,重新计算每个类别的聚类中心,直至聚类中心的变化小于目标值。
9.根据权利要求1所述的盲源分离估计方法,其特征在于,接收待估计的混合信号,并将所述混合信号中的观测信号变换至时频域上,得到时频域观测信号,包括:通过短时傅里叶变换将所述观测信号变换到时频域上,得到时频域的观测信号。
10.根据权利要求1所述的盲源分离估计方法,其特征在于,所述混合信号包含语音信号以及各类调制信号。