盲信号分离的现状和展望.pdfVIP

第 1 卷 第 1 期 信 息 与 电 子 工 程 Vol.1 ，No.1 2003 年 3 月 INFORMATION AND ELECTRONIC ENGINEERING Mar.,2003 文章编号：1672-2892(2003)01-0069-11 盲信号分离的现状和展望 李木森，毛剑琴 （北京航空航天大学第七研究室，北京 100083 ） 摘 要：盲信号分离是近几年才发展起来，用于解决从混合观测数据中分离 源信号的一门新技术，已在许多领域获得了广泛应用。本文介绍了盲分离的主要 理论和两大类实现方法——独立分量分析和非线性主分量分析，并在此基础上介 绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将 来的发展方向。 关键词：盲信号分离；独立分量分析；非线性 PCA ；最小互信息法；最大 熵法 中图分类号：TN911.6 文献标识码：A 1 盲信号分离的产生及背景 在多用户通信、天线阵列信号处理等诸多实际应用中，多个源信号在传输过程中因传输信 道间的耦合而发生混迭，故接收到的信号是已混合了的数据信号。由于各源信号如何混合不得 而知，因此为了恢复它们，就需要根据各源信号的一些统计特性从混合的数据信号中将其分离 出来。这样一个信号分离或恢复的过程就称为盲信号分离简称盲分离。 上个世纪80年代末以来，如何对天线阵列或者传感器接收的混合信号实现盲分离，一直是 信号处理领域的难点和热点，有不少学者虽提出过各种方法试图解决这个问题，但分离效果都 不理想。盲信号研究工作的实质性进展是从Linsker[1]发表的论文（1989 ）和Jutten与Herault[2] 提出创造性的H-J递归神经元网络（1991 ）开始的，用H-J 网络解决了两个线性混合源信号的盲 分离问题。随后在1994年，Common [3]提出了著名的基于最小互信息的独立分量分析方法；1995 年，Bell 和Sejnowski[4]提出了基于Linsker的信息最大化准则(Infomax )的最大熵法；Amari [5] （1998 ）和Cardoso[6] （1996 ）简化了信息最大化学习规则并且提出了自然梯度的概念。他们 的工作极大地推动了盲信号分离的研究。在以后的几年内大量的盲分离有效算法不断被提出， 使盲分离理论在应用中得到很大推广。例如，在多用户通信、声纳、阵列及通讯信号处理，在 地球物理学，在多传感器监测的生物电信号，以及在图像处理、生物医学工程中，盲信号分离 技术都得到了广泛应用。 2 盲信号分离问题的描述 在盲信号分离问题中，源信号的混合分为线性混合和非线性混合。线性混合的盲分离问题 可以用以下方程来描述：X(t) =AS(t)+n(t) 。X(t) = [x , x x ]T 为实际观测到的 m 维数据向 1 2 m 收稿日期：2003-02-08 ；修回日期：2003-02-24 基金项目：国家自然科学基金资助项目） 作者简介：李木森(1979 － ) ，男，在读硕士研究生，主要从事盲信号分离理论及应用研究。 70 信 息 与 电 子 工 程 第 1 卷 量， S(t) = [s ,s ]T 为 n 维源信号向量; A 为 m · n 维矩阵称为混合矩阵；n(t)为加性噪声。 1 n 由于有噪声存在使得盲分离实现起来比较困难，所以一般情况下不考虑噪声的影响，这时盲分 离问题可重新表述为：X(t)=AS(t) 。 盲分离问题的实质就是：在源信号 S(t)和混合矩阵 A 都为未知的情况下，根据已知的观测 数据向量 X(t)利用源信号的统计特性确定一分离矩阵 W ，使 Y(t)=WX(t)成为 S(t) 的拷贝或估 计。所谓拷贝（或估计）是指 Y(t)=MPS(t) ，其中 M 为一个实对角阵，P 为一个交换矩阵，也 就是