盲源分離算法初步研究.docxVIP

盲源分离算法初步研究一、盲源分离基本问题1.概念BSS信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。根据不同的分类标准，信号盲分离问题可以分成以下几类：（1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。多通道信号分离是M个源信号混合后得到N路混合信号（通常N≥M）。从N路混合信号中恢复出M个源信号的问题即为多通道信号分离。一般情况下，单通道信号分离的难度要超过多通道信号分离。（2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。（3）根据源信号的种类，也可将信号盲分离分为多类。在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。2.盲分离问题的描述BSS是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子。在某个场所，多个人正在高声交谈。我们用多个麦克风来接受这些人说话的声音信号。每个人说话的声音是源信号，麦克风阵列的输出是观测信号。由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。3.混合模型信号的混合模型包含两个方面的内容：（1）源信号的统计特征；（2）源信号的混合方式。3.1源信号的统计特征已有的研究表明如果加上源信号间相互独立的限制条件，就可以有效地补偿对以上先验知识的缺乏。如果用qi表示第i个分量的概率密度函数，则这种统计独立性可以表示为：其中q(s)是s的联合概率密度函数。3.2源信号的混合方式最简单的混合模型假定各个分量是线性叠加混合在一起而形成观测信号的。基于这样的假设，我们可以把观测信号和源信号用矩阵的方式表示为：式中H是n×n阶的混合矩阵。基于该模型，盲信号分离的目标可以表述为，找到一个分离矩阵W，使得，是对源信号的良好的估计，显然在最理想的情况下我们应该能找到，此时有，即我们完全恢复了源信号。4.盲分离的数学模型由此我们建立这样的盲源分离的数学模型：设有N个未知的源信号，i=1,…,N构成一个列向量，其中t是离散时刻，取值为0,1,2…。设A是一个M×N维矩阵，一般称为混合矩阵。设是由M个可观察信号，i=1,…,M构成的列向量，且满足下列方程：, M≥NBSS的问题是，对任意t，根据已知的在A未知的条件下求已知的。这构成了一个无噪声的盲分离问题。设是由M个白色、高斯、统计独立噪声信号构成的列向量，且满足下列方程：, M≥N则由已知的在A未知的条件下求已知的的问题是一个有噪声盲分离问题。5.信号盲分离的不确定性需要指出的是对瞬时混合信号盲分离，当源信号可以精确恢复的情况下应有，在假设条件的约束下，盲源分离问题是可解的，只不过存在两个不确定性，即恢复的源信号的幅度不确定和源信号各分量次序的不确定性。5.1分离结果的幅度存在不确定性由于在中，A和S均未知，如果将S中任一分量扩大a倍，只需将A中相应的混合系数乘以1/a，上式仍成立。在观测信号幅度不变的前提下，源信号的幅度存在不确定性。因此，在求解独立分量时，往往事先假设S具有单位方差，且各分量均值为零。5.2分离结果的排序存在不确定性由于A和S的未知，公式中独立分量的顺序可能会被调换，在中插入一个置换矩阵P和它的逆矩阵P-1，得到，将看成新的混合矩阵，则中的各分量便成为新的已调换顺序的独立源。这表明ICA分离结果存在顺序上的不确定性。二、独立分量分析1.独立分量分析介绍目前的盲信源分离方法主要都是基于神经网路的ICA独立分量分析方法，ICA是20世纪90年代发展起来的一种新的型号处理技术，最早是由Comon提出的，它是从多维统计数据中找出隐含因子或分量的方法。从线性变换和线性空间角度，源信号为相互独立的非高斯型号，可以看作线性空间的基信号，而观测信号则为源信号的线性组合，ICA就是在源信号