常见通信信号的盲源分离的研究.pdfVIP

孙守字等：常见通信信号的盲源分离研究 常见通信信号的盲源分离研究 孙守宇“2郑君里。赵莹l (清华大学电子系 北京100084)1 (北京信息技术研究所 北京100088) 摘要：盲信源分离试图从一组混合观察数据中恢复未知的独立源信号。自然梯度算法是盲源分离的重要算 法．因为它的性能独立于混合矩阵。本文利用自然梯度算法研究常见通信信号的盲信源分离问题，对于8个 不同信号随机混合进行了计算机模拟实验，结果显示算法能够有效地恢复原始信号。 关键词：盲信源分离 自然梯度算法峭度 一、引言 盲信源分离在信号处理和神经网络领域受到普遍重视，这是因为它是许多应用中遇到的 基本问题。例如，电信，图象或语音处理和生物医学信号分析等。 盲信源分离就是试图从一组混合观察数据中恢复未知的独立源信号【l一6】。这里之所以称 作“盲”，是因为观察信号是恢复原始信号的唯一可利用信息，对于源信号和这些信号的混合 过程一概不知。求解该问题的基本原理是独立元分析(IEA)，它被看作是主元分析(PCA)的 扩展。其差别在于，主元分析只利用了观察数据的二阶统计量且要求各分量正交，而独立元 分析利用了观察数据的高阶统计量且要求各分量统计独立。对于高斯分布的信号，二阶统计 量足以描述其特性，但是对于常见的通信信号，其分布通常是欠高斯的，所以二阶统计量不 足以描述其特性，必须用高阶统计量描述其特性。本文对于通信中常见的信号波形进行盲信 源分离的研究。 二、盲源分离原理 信源混合和分离的方框图如图1所示。假设Ⅳ个未知零均值信源信号 S，(n)，i=1，2，人，Ⅳ在任何时间n是相互独立的，同时假设最多只有一个高斯信源。无噪观 察模型是 VIII～411 孙守宇等：常见通信信号的盲源分离研究 x(n、=As(n) SN0)r是包含信 这里A是一+NxN的未知非奇异混合矩阵，s伽)=blQ)S2∽)A 源信号的一个NxI维矢量．x铆)=k，(n)X2(月)Az。(n)r是一个NxI维观察矢量 它是唯一可利用的信息，7表示矢量或矩阵的转置。 图1信源混合和分离的方框图 为了从观测矢量中分离出独立游信号，需要一～输入、．Ⅳ输出的神经网络，自适应调整 去混合方矩阵W，以便使 u(n)=Wx(n)=WAs(n) (2) “。∽)】r是信源信号的～个估计。注意到，如果没有别的信 这里u(，z)=凶。研)U2(n)A 息．准确地估计信源信息的次亭和幅度是不可能的．因为混合矩阵A和信源矢量S(n)都是未 锄的=我们定义矩阵 P=WA (3) 为性能矩阵。如果P归一化并调整次序，完全分离时它是～个单位阵。 三、自然梯度算法 出的联合嫡最大近似于输出分量之间的互信息最小，当输出的互信息为0时．输出变量是统 计独立的，在我们的问题中独立源被分离。文献[2]提出的自适应算法是 (4) w∽+1)：w。)+Ⅳ如(n)一，)r一由【u(。)kr(。)j 其中，活动函数o(“)是非线性奇函数。该算法的缺点是．收敛性受混合矩阵A的影响很大。 盲信源分离的自然梯度算法首次由文献[5]提出，后来又经文献[6]修正，神经网络权更 新矩阵W为 (5) W(n+1)=w(n)+p4一中【u(H)-7(H)拇∽)。 它有两个重要特性：1)算法不受混合矩阵A的影响；2)阻止W(n)变为奇异阵。结果加 快了算法的收敛速度。