基于自然梯度递归最小二乘盲信号分离.pdfVIP

审囝研荸(E辑) 兰!!童丝!塑 !!!!!!!!!!型!!!竺!!!!!!竺』：!：!!一 基于自然梯度的递归最小二乘盲信号分离8 朱孝龙1 张贤达2 冶继民1 刷q})A 西安电子科技大学雷达信号处理重点实验室，西安710071，2清华大学自动化系智能技术与系统国家重点实验室 北京100084) 摘要 研究在线盲信号分离f．q题先提出一种递归最小二乘(RLS)白化算法，然后与 一种基于自然梯度的RLS信号分离算法相结合，并经合理近似，得到一种新的RLS盲 信号分离算法，它不需要对观测数据进行白化预处理．RLS白化算法和RLS信号分离 算法的平衡点分析表明，这两种算法具有所期望的收敛性理论证明了提出的RLS盲 信号分离算法具有等变化性和分离矩阵的非奇异性这两个关键性能．仿真实验验证了 新算法的有效性． 白化 关键词 盲信号分离 自然梯度递归最six--乘 在源信号和传输信道未知情况下，只利用接收天线的输出观测抽取源信号，称为盲信号 分离．盲信号分离是当前信号处理学界和神经网络学界共同的热点研究课题之一，在无线数 据通信、雷达、图像、语音、医学以及地震信号处理等领域具有广阔的应用前景”’…． 的快速定点算法”1和冯大正等人的多阶段分解算法”1等．本文研究在线盲信号分离，其典型实 Pajunen等的RLS算法”“1”等．自然梯度算法和EASl算法均属LMS型算法，其最优学习速率 的选择是一难题”】．与LMS型算法相比较，RLS型算法具有收敛快、跟踪能力强等优点”。”1 另一方面，白化是信号处理中的一种重要的预处理手段．在某些独立分量分析算法(如快 速定点算法…)和所有的非线性主分量分析(PCA)算法|】”中，都要求对观测数据先进行白化预 处理．Cardoso等推导出了一种自适应的LMS白化算法”J． 在本文中，我们将先推导一种RLS白化算法，然后分析一种基于自然梯度的RLS信号分 离算法的性能这两种算法克服了现有的LMS型白化和信号分离算法学习速率的最优确定这 一难题将RLS白化算法与RLS信号分离算法相结合，得到一种新的RLS盲信号分离算法， 它无需对观测数据进行白化，比现有的RLS信号分离算法【】0_…优越．本文将从理论上证明新 算法具有等变化性和分离矩阵的非奇异性这两个关键性能，并通过仿真实验验证它的有效性 1 RLS白化算法 盲信号分离的数学模型由下式给出旷”1： x，=As，，t=1，2，·， (1) 2002-07．oB收稿，2002-11-12收修改稿 +国家自然科学基金资助项目(批准号 742 中 国 科 学 (E辑) 第33卷 其中，鼻和以分别表示m维的观测信号向量和／,／维的源信号向量，A是／7／×／,／的混合矩阵 盲信号分离的基本假设是：各个源信号即s，的各分量相互独立，且最多有一个分量服从 Gauss分布；混合矩阵A列满秩．盲信号分离的目的是：在混合矩阵未知情况下，只利用观测 数据x。以及上述假设恢复源信号s，． 由于模型中的乘积因子A和s，都未知，因此无法精确辨识源信号s，各分量的排列顺序、 符号和能量，这即是盲信号分离问题固有的两种不确定性¨’7j：幅度不确定性和排序不确定性 不失一般性，以下假定各个源信号分量具有零均值和单位功率 为实现盲信号分离，通常需要求解分离矩阵口，使得网络输出 Yf=Bxr (2) 为源信号向量S，的拷贝 分离矩阵B的确定有两种方法．一是直接法，即直接调整B实现信号的盲分离另一种是 间接法：先求矩阵u，用它对观测数据进行预白化，然后更新获得正交矩阵w，并作用于白化 本文研究的是间接法，在此类方法中，总的分离矩阵B=WU 设观测数据的自相关函数矩阵为R。=E(xx。)，其特征值分解R，=QAQ7，则白化矩阵 U=A-112Q1遗憾的是，这是一种离线算法，运算量大，不适合实时应用的需要．为了实现在