405081邵一洲盲源分离算法研究与仿真研讨.doc

Matlab与通信系统仿真结课报告 盲源分离算法研究与仿真 系 别 专业 班级 学生姓名 邵一洲 指导教师 2009年6月15日盲信号处理BSP）是近年来现代信号处理领域研究的主要方向之一，其研究涉及人工神经网络、统计信号处理和信息论的有关知识，具有重要的理论价值，已经成为人工神经网络的主导发展方向之一。盲源信号分离（BSS）是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基本数学模型、求解问题的。独立分量分析ICA）方法根本原理是通过分析多维观测数据间的高阶统计相关性，找出相互独立的隐含信息成分，完成分量间高阶冗余的去除及独立信源的提取。 详细阐述独立分量分析的FastICA）算法和Infomax）算法对 关键词：盲信号处理独立分量分析FastICA算法Infomax算法1 绪论 1 1.1 盲信号处理研究的背景和意义 1 1.2 国内外研究历史及现状 2 1.3 本文的研究内容 6 1.4 章节安排 7 2 信号盲分离基本问题 8 2.1 引言 8 2.2 盲分离的概念 8 2.3 盲分离问题的描述 9 2.4 混合模型 9 2.4.1 源信号的统计特征 9 2.4.2 源信号的混合方式 10 2.5 盲分离的数学模型 10 2.6 信号盲分离的不确定性 11 3 独立分量分析 12 3.1 引言 12 3.2 独立分量分析的线性模型 12 3.3 ICA问题中的基本假设 13 3.4 对信号的预处理 14 3.5 独立分量分析独立性的度量 16 3.5.1 非高斯性极大 16 3.5.2 互信息最小 17 3.5.3 非线性不相关 17 3.6 本章总结 18 4 基于独立分量分析的算法仿真与实现 19 4.1 引言 19 4.2 Infomax信息最大化算法 19 4.2.1 Infomax算法原理 19 4.2.2 Infomax算法仿真 25 4.3 FastICA快速定点算法 32 4.3.1 FastICA算法原理 32 4.3.2 FastICA算法仿真 35 4.3 分离算法的对比 44 4.4 本章小结 46 5 总结与展望 47 5.1 总结 47 5.2 研究展望 48 致 谢 49 参考文献 50 附 录 52 翻译 52 英文原文 52 中文译文 58 部分仿真程序源代码 63 研究意义 现状 原理 仿真实验 结论 1 绪论 Blind signal processing）则是在几乎没有可利用信息的情况下根据某些假设条件仅从观测到得信号中提取或恢复出源信号的一种新的信号处理方法。本文工作就针对盲信号处理中的主要内容——盲源分离（BSS：Blind Signal Separation）算法展开谈论。 1.1 盲信号处理研究的背景和意义 （DSPigital Signal Processing）1.2 国内外研究现状 1盲源分离研究的发展 BSS的开拓性研究起源于1986年4月，法国学者Herault和Jutten提出递归神经网络模型和基于Hebb学习律的学习算法，实现了两个信源的盲分离，从而揭开了信号处理领域中的新篇章，即盲源分离问题的研究。他们在论文中提出的启发式学习算法已具备后来算法的雏形。 1987年，Giannakis等人提出了盲信号分离问题的可辨识性问题，同时引入了三阶统计量，开创了高阶统计量在盲信号分离问题中应用的先河。 1991年，Jutten和Herault、Sorouchyari、Comon先后在Signal Processing上发表了关于盲分离的三篇经典文章，标志着盲源分离研究的重大进展。其中Herault和Jutten 提出了著名的H-J盲分离算法，首次将人工神经网络算法用于盲分离问题。此后，更多的学者加入到盲分离的研究队伍中来，有力地推动了这一领域的发展。同年，Tong 和Liu等人分析了盲分离问题的可分离性和不确定性，并给出了一种基于高阶统计量的矩阵代数分解方法。 1994年ommon第一次提出了BSS的独立分量分析ICA：Independent Component Analysis）方法。他首先界定了ICA方法的基本假设条件，并明确指出可以利用一些称为对比函数的目标函数极小化方法消除观测信号中的各阶统计相关性，从而实现盲信号分离。同年Delfosse等提出采用