基于FAST-ICA的盲源信号检测方法、系统、终端及存储介质

基于fast
‑
ica的盲源信号检测方法、系统、终端及存储介质
技术领域
1.本发明涉及盲源信号检测技术领域，具体涉及一种基于fast
‑
ica的盲源信号检测方法、系统、终端及存储介质。


背景技术：

2.雷达接收的阵列信号、多传感器测量的生物电信号以及通过话筒接收到的多说话人的混迭语音信号等均属于盲源信号。盲源检测的最基本思想就是利用所有源信号之间是相互统计独立的，通过这个假设条件来弥补信道先验信息的缺乏，统计独立性是比不相关约束更强的假设条件。独立性在很多场合下都是适用的，这是由于各种不同的信源之间并没有多少的物理联系，往往是彼此独立的。
3.fast
‑
ica方法，又称固定点方法，常用于盲源信号检测，是一种快速寻优迭代方法，与普通的神经网络方法不同的是这种方法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该方法仍可称之为是一种神经网络方法。fast
‑
ica方法由观测信号预处理和独立分量提取两部分组成。信号的预处理包括中心化和白化处理。中心化就是使信号成为中心数为o的变量。白化就是通过pca网络将观测信号的进行线性变换，使白化后信号具有单位方差且各分量互不相关。白化处理可以除去各个观测信号间的相关性。与传统的基于计量的方法相比，基于负熵最大化的方法结果更准确。它以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源。此外，该方法采用了定点迭代的优化方法，使得收敛更加快速、稳健。
4.但是现有的fast
‑
ica方法，存在收敛速度低，且稳定性差的问题。


技术实现要素：

5.针对现有技术的上述不足，本发明提供一种基于fast
‑
ica的盲源信号检测方法、系统、终端及存储介质，以解决上述技术问题。
6.第一方面，本发明提供一种基于fast
‑
ica的盲源信号检测方法，包括：
7.对观测信号进行预处理得到数据，所述预处理包括去均值处理和白化处理；
8.将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法；
9.利用改进fast
‑
ica算法处理所述数据，得到信号源识别结果；
10.所述修正的牛顿迭代法包括：
[0011][0012]
或
[0013]
其中，x
n
为f(x)＝0的一个近似根，f(x
n
)为非线性方程。
[0014]
进一步的，将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法，包括：
[0015]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0016]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0017]
w
+
＝2
·
e{z(w
h
z)
*
g(|w
h
z|2)}
‑
[0018]
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)+g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0019]
w
*
＝w
+
/||w
+
||
[0020]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0021]
进一步的，将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法，包括：
[0022]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0023]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑2·
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0024]
w
+
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0025]
w
*
＝w
+
/||w
+
||
[0026]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0027]
进一步的，利用改进fast
‑
ica算法处理所述数据，得到信号源识别结果，包括：
[0028]
预先确定源信号的维数，并设定计数器p＝1；
[0029]
随机选取单位向量w
p
的初始值；
[0030]
将所述初始值代入改进fast
‑
ica算法的实数迭代公式得到w
p+
和w
p+1+
；
[0031]
计算w
p+
与w
p+1+
的差值，若所述差值不超过预设阈值，则判定迭代收敛，将w
p
输出为一个信号源。
[0032]
第二方面，本发明提供一种基于fast
‑
ica的盲源信号检测系统，包括：
[0033]
信号处理单元，用于对观测信号进行预处理得到数据，所述预处理包括去均值处理和白化处理；
[0034]
算法改进单元，用于将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法；
[0035]
信号识别单元，用于利用改进fast
‑
ica算法处理所述数据，得到信号源识别结果；
[0036]
所述修正的牛顿迭代法包括：
[0037][0038]
或
[0039]
其中，x
n
为f(x)＝0的一个近似根，f(x
n
)为非线性方程。
[0040]
进一步的，所述算法改进单元用于：
[0041]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0042]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0043]
w
+
＝2
·
e{z(w
h
z)
*
g(|w
h
z|2)}
‑
[0044]
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)+g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0045]
w
*
＝w
+
/||w
+
||
[0046]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0047]
进一步的，所述算法改进单元用于：
[0048]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0049]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑2·
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0050]
w
+
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0051]
w
*
＝w
+
/||w
+
||
[0052]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0053]
进一步的，所述信号识别单元用于：
[0054]
预先确定源信号的维数，并设定计数器p＝1；
[0055]
随机选取单位向量w
p
的初始值；
[0056]
将所述初始值代入改进fast
‑
ica算法的实数迭代公式得到w
p+
和w
p+1+
；
[0057]
计算w
p+
与w
p+1+
的差值，若所述差值不超过预设阈值，则判定迭代收敛，将w
p
输出为一个信号源。
[0058]
第三方面，提供一种终端，包括：
[0059]
处理器、存储器，其中，
[0060]
该存储器用于存储计算机程序，
[0061]
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
[0062]
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
[0063]
本发明提供的基于fast
‑
ica的盲源信号检测方法、系统、终端及存储介质，通过结合两种修正的牛顿迭代法，提高fast
‑
ica复数方法的迭代速度，加快了盲检测的收敛速度和稳定性。
[0064]
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
[0065]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而
言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0066]
图1是本发明一个实施例的方法的示意性流程图。
[0067]
图2是本发明一个实施例的方法的第一种改进方法的误码率的效果图。
[0068]
图3是本发明一个实施例的方法的第一种改进方法的收敛速度的效果图。
[0069]
图4是本发明一个实施例的方法的第二种改进方法的误码率的效果图。
[0070]
图5是本发明一个实施例的方法的第二种改进方法的收敛速度的效果图。
[0071]
图6是本发明一个实施例的系统的示意性框图。
[0072]
图7为本发明实施例提供的一种终端的结构示意图。
具体实施方式
[0073]
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0074]
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种基于fast
‑
ica的盲源信号检测系统。
[0075]
如图1所示，该方法100包括：
[0076]
步骤110，对观测信号进行预处理得到数据，所述预处理包括去均值处理和白化处理；
[0077]
步骤120，将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法；
[0078]
步骤130，利用改进fast
‑
ica算法处理所述数据，得到信号源识别结果；
[0079]
所述修正的牛顿迭代法包括：
[0080][0081]
或
[0082]
其中，x
n
为f(x)＝0的一个近似根，f(x
n
)为非线性方程。
[0083]
具体的，fast
‑
ica方法的改进推导原理如下：
[0084]
1.负熵的定义为：
[0085]
n
g
(y)＝h(y
gauss
)
‑
h(y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0086]
式中y为观测信号，y
gauss
是一与y具有相同方差的高斯随机变量，(y＝w
t
x)，p
y
(ξ)为y的概率密度函数，x为信源符号，ξ为自变量。h(
·
)为随机变量的微分熵。
[0087]
h(y)＝
‑
∫p
y
(ξ)lgp
y
(ξ)dξ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0088]
2.由于根据式(2)计算微分熵需要知道y的概率密度分布函数，于是采用如下近似公式：
[0089]
n
g
(y)＝{e[g(y)]
‑
e[g(y
gauss
)]}2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0090]
其中，e[.]为均值运算；g(.)为非线性函数，g
′
(.)为它的导数。
[0091]
3.fast
‑
ica学习规则是找一个方向以便w
t
z(y＝w
t
z)具有最大的非高斯性。z为经
去均值和白化预处理后的数据。这里，非高斯性用式(3)给出的负熵n
g
(w
t
z)的近似值来度量,w
t
x的方差约束为1，对于白化数据而言，这等于约束w的范数为1。fast
‑
ica方法的推导如下：首先，根据kuhn
‑
tucker条件，在e{(w
t
z)2}＝||w||2＝1的约束下，获得e{g(w
t
z)}的满足下式的点上最优值，其中，g(.)表示一种非线性非二次的函数。
[0092]
e{zg(w
t
z)}+βw＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0093]
这里，β是一个恒定值，β＝e{w
t
zg(w
t
z)},w0是优化后的w值。
[0094]
4.利用牛顿迭代法解方程(4)。用f表示式(4)左边的函数，可得f的雅可比矩阵jf(w)如下：
[0095]
jf(w)＝e{zz
t
g'(w
t
z)}
‑
βi
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0096]
5.为了简化矩阵的求逆，可以近似为(5)式的第一项。经过推导可以得到下面的方法公式：
[0097][0098]
这里，w
*
是w的新值，β＝e{w
t
zg(w
t
z)}，规格化能提高解的稳定性。
[0099]
6.进一步的，简化后就可以得到fast
‑
ica方法的实数迭代公式：
[0100][0101]
取g(x)＝1/(a+x)，(x＝w
h
z)，其中a为常数；x是对源信号的最佳估计值。
[0102]
7.得fast
‑
ica复数方法的表达式为：
[0103][0104]
其中g(x)＝1/(a+x)，x＝w
h
z。
[0105]
8.进一步地，对(4)式进行创造性的采用第一种修正的牛顿迭代法进行迭代：采取第一种修正的牛顿迭代法：
[0106][0107][0108]
设x
n
为f(x)＝0的一个近似根，把f(x)在x
n
中处做泰勒展开，
[0109]
f(x)≈f(x
n
)+f'(x
n
)(x
‑
x
n
)，令解为x
k+1
,得所述牛顿迭代法。
[0110]
在第一种修正的牛顿迭代法基础上，进一步地得到改进的复数fast
‑
ica方法(改进形式一)：
[0111]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑2·
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
ꢀꢀꢀꢀꢀ
(11)
[0112]
w
+
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0113]
w
*
＝w
+
/||w
+
||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0114]
9.进一步地，对(4)式进行创造性的采用第二种修正的牛顿迭代法进行迭代，包括：
[0115]
采取第二种修正的牛顿迭代法：
[0116][0117][0118]
在第二种修正的牛顿迭代法基础上，进一步得到地改进的复数fast
‑
ica方法(改进形式二)：
[0119]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
ꢀꢀꢀꢀꢀꢀ
(16)
[0120][0121]
w
*
＝w
+
/||w
+
||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0122]
计算fast
‑
ica复数方法的收敛性步骤如下：
[0123]
(1)中心化观测数据
[0124]
(2)通过一个线性变换对中心化后的数据进行预白化处理，得到预白化处理后的数据z；
[0125]
(3)确定源信号的维数n，并设定计数器p＝1；
[0126]
(4)选择单位向量w
p
的初始值(可随机选取)；
[0127]
(5)更新w
p
，更新公式为：
[0128][0129]
(6)执行正交化操作：
[0130][0131]
(7)归一化w
p
，其公式为：
[0132][0133]
(8)如果尚未收敛则返回步骤5；
[0134]
(9)p
→
p+1，如果p＜n返回步骤4。
[0135]
以下为对本实施例方法的收敛速度提高效果进行测试验证，具体方法如下：
[0136]
s1.采用两发两收的天线配置；
[0137]
s2.发送端采用alamouti空时分组编码方式，采用qpsk调制；
[0138]
s3.发送数据流长度为10000组；
[0139]
s4.在高斯信道下对该信号进行分离提取。
[0140]
(1)将改进的复数fast
‑
ica方法(称改进的第一种方法为改进形式一)与传统复
fast
‑
ica方法(简称原方法)检测误码率性能进行比较，效果如图2。从图2可以看出改进方法与传统方法的误码率性能相当，表明改进的复数方法具有良好的适用性和分离效果。
[0141]
(2)将改进的复fast
‑
ica方法(形式一)与传统方法在收敛性方面进行比较，按照上面的测试步骤，在信噪比都为7db的情况下每种方法随机运行5次，分别记录出当盲检测方法收敛时，每个天线需要的迭代次数，以及总共需要的迭代次数，效果如下表一所示：
[0142]
表1改进的复数fast
‑
ica方法(形式1)与原有算迭代次数图表(信噪比7db)
[0143][0144]
由于原有的复数fast
‑
ica方法是基于牛顿迭代法的，是二次收敛的，改进后的方法(改进形式一)是基于改进后的牛顿迭代法，是三次收敛的，提高了盲检测方法的收敛速度。通过表1可知改进后的复数方法收敛速度提高20％以上。
[0145]
(3)将改进形式一与传统方法在收敛性方面进行比较，每种方法运行10次，得到不同信噪比下方法达到收敛总共需要的平均迭代次数，效果如图3。由于采用了改进的牛顿迭代法推导出fast
‑
ica(改进形式一)方法，提高了方法的收敛速度。从图中可见改进方法在与基本复数fast
‑
ica方法分离效相当的情况下，收敛速度有很大提高。
[0146]
(4)将改进的复数fast
‑
ica方法(改进形式二)与传统复fast
‑
ica方法盲检测误码率性能进行比较，效果如图4所示。从图4中可以看出，改进方法与传统方法的误码率性能相当，表明改进的复fast
‑
ica方法2也具有良好的适用性和分离效果。
[0147]
(5)将改进的复fast
‑
ica方法(形式二)与传统方法在收敛性方面进行比较，按照上面的测试步骤，在信噪比为10db的情况下每种方法随机运行5次，在表中列出当盲检测方法收敛时各个天线需要迭代次数，以及总共需要的迭代次数，效果如下表二所示。
[0148]
表2改进的复数fast
‑
ica方法(形式2)与原有算迭代次数图表(信噪比10db)
[0149]
[0150]
由于采用了改进的牛顿迭代法推导出fast
‑
ica(改进形式二)方法，加快了方法的收敛速度。通过表格可以看出，在检测效果相当的情况下改进方法收敛性能有很大提高，收敛速度提高20％以上。
[0151]
(6)将改进形式二与传统方法在收敛性方面进行比较。每种方法随机运行10次，统计出方法达到收敛需要的平均迭代次数，效果图如图5所示。由于原有的复数fast
‑
ica方法是基于牛顿迭代法的，是二次收敛的，改进后的方法(改进形式二)是基于改进后的牛顿迭代法，是三次收敛的，提高了盲检测方法的收敛速度，可见，改进后的方法在与基本复数fast
‑
ica方法分离效果相当的情况下收敛速度加快很多。
[0152]
如图6示，该系统600包括：
[0153]
信号处理单元，用于对观测信号进行预处理得到数据，所述预处理包括去均值处理和白化处理；
[0154]
算法改进单元，用于将修正的牛顿迭代法代入fast
‑
ica算法，得到改进fast
‑
ica算法；
[0155]
信号识别单元，用于利用改进fast
‑
ica算法处理所述数据，得到信号源识别结果；
[0156]
所述修正的牛顿迭代法包括：
[0157][0158]
或
[0159]
其中，x
n
为f(x)＝0的一个近似根，f(x
n
)为非线性方程。
[0160]
可选地，作为本发明一个实施例，所述算法改进单元用于：
[0161]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0162]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0163]
w
+
＝2
·
e{z(w
h
z)
*
g(|w
h
z|2)}
‑
[0164]
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)+g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0165]
w
*
＝w
+
/||w
+
||
[0166]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0167]
可选地，作为本发明一个实施例，所述算法改进单元用于：
[0168]
若将代入fast
‑
ica算法，则改进fast
‑
ica算法的实数迭代公式为：
[0169]
w
#
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑2·
e{g(|w
h
z|2)+|w
h
z|2g
′
(|w
h
z|2)}w
[0170]
w
+
＝e{z(w
h
z)
*
g(|w
h
z|2)}
‑
e{g(|w
#h
z|2)+|w
#h
z|2g
′
(|w
#h
z|2)}w
[0171]
w
*
＝w
+
/||w
+
||
[0172]
其中，g＝1/(a+x)，x＝w
h
z，a为常数，x为最佳信号估值，z为白化后信号，g'为g的
导数，w
*
为w的新值，w
h
为源信号的分离矩阵，e[.]为均值运算。
[0173]
可选地，作为本发明一个实施例，所述信号识别单元用于：
[0174]
预先确定源信号的维数，并设定计数器p＝1；
[0175]
随机选取单位向量w
p
的初始值；
[0176]
将所述初始值代入改进fast
‑
ica算法的实数迭代公式得到w
p+
；
[0177]
利用修正的牛顿迭代法计算出x
n+1
，并将x
n+1
代入改进fast
‑
ica算法的实数迭代公式得到w
p+1+
；
[0178]
计算w
p+
与w
p+1+
的差值，若所述差值不超过预设阈值，则判定迭代收敛，将w
p
输出为一个信号源。
[0179]
图7为本发明实施例提供的一种终端700的结构示意图，该终端700可以用于执行本发明实施例提供的基于fast
‑
ica的盲源信号检测方法。
[0180]
其中，该终端700可以包括：处理器710、存储器720及通信单元730。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0181]
其中，该存储器720可以用于存储处理器710的执行指令，存储器720可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。当存储器720中的执行指令由处理器710执行时，使得终端700能够执行以下上述方法实施例中的部分或全部步骤。
[0182]
处理器710为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(integrated circuit，简称ic)组成，例如可以由单颗封装的ic所组成，也可以由连接多颗相同功能或不同功能的封装ic而组成。举例来说，处理器710可以仅包括中央处理器(central processing unit，简称cpu)。在本发明实施方式中，cpu可以是单运算核心，也可以包括多运算核心。
[0183]
通信单元730，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
[0184]
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read
‑
only memory，简称：rom)或随机存储记忆体(英文：random access memory，简称：ram)等。
[0185]
因此，本发明通过结合两种修正的牛顿迭代法，提高fast
‑
ica复数方法的迭代速度，加快了盲检测的收敛速度和稳定性。本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
[0186]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在
一个存储介质中如u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
[0187]
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
[0188]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0189]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0190]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0191]
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。