改进粒子群优化算法在盲源分离中的应用研究.doc

通过互信息的概念和特性能够知道，若其它外界干扰因素较多，信息与信息之间的依存度就会降低，即互信息较小，干扰因素与信息的关联性则会增强。如果相反，那么最终想要得到的结果就会较为准确。 由互信息的定义[]可，系统输出信号与输入信号的互信息可以用下式来表示 （2-4） 当相互关联的信息联系最少时互信息达到最大值。 负熵[52]，如果信息的波动幅度较大，即其负熵最大化，那么其效果就相当于自主分辨一样。根据信号的这种属性，信号的波动与其它各种混合信息之间的最小化各分量的负熵和最大化[53]。因此基于负熵的目标函数可以写成 （2-5） 。可用下述公式表述[54]为 （2-6） 因此，可得到 （2-7） 其中指以为PDF的均值。 对式作随机梯度处理时，对求导得 （2-8） 其中， 综上所述，信息极大法算法为 （2-9） 2.3 信号的预处理 2.3.1 去均值，从而让计算过程中不含有均值项，最终所得的[50]。我们已知，在盲源分离的过程中，是在信息传播过程中将信息（信号的波形）分离出来，其结果已十分精确，而这种计算方法在不改变以往计算结果的条件下，采用高阶的数学运算方式进行计算，只有在这一过程中减少均值的影响，才能发挥算法的最大的效用。 假设为均值不为零的随机变量，则去均值的信号可表示 （2-10） 其中，为x的均值，即通常所说的数学期望值。设，为随机矢量的个样本，则以下的去除样本均值 （2-11） 2.3.2 白化 [50]。一般来说，获得的信号通常都是具有相关性的，那白化处理过程就是一个对数据进行初加工的过程，通过对多维信号施加一个线性变换，去除它们之间的相关性，使其变为白色信号，进而简化后续独立分量的提取过程。对于一个零均值的向量，如果，是单位矩阵是白色的。白化的目的就是要实现这一过程[55]。 依据信息论知识，源信号是独立的，那么各个分量一定不相关，满足 （2-12） ，为 （2-13） 由式（2-12）和（2-13）同时成立，源信号的自协方差矩阵 （2-14） 式(2-14)等价于s的自相关矩阵为白化。 假设为接收到信号的白化矩阵，白化信号 （2-15） 将代入式（2-15），并令，则 （2-16） 矩阵为一正交矩阵 （2-17） 分离后的输出信号 （2-18） 白化信号得的分离矩阵一定是正交的。 白化可以简化计算实现的特征值分解，即，即可实现信号的白化为观测数据x的协方差矩阵，为特征值组成的对角矩阵是由特征值向量组成的正交矩阵。 取，式（2-18）可写为 （2-19）2.4 判别信号分离的指标 在盲源分离中信号能够分离是其最直接的目的。为描述盲源分离效果，通常使用相关系数串音误差输出的信噪比等指标。输出信噪比。 为[] （2-20） 分离信号与源信号的差值定义为噪声，当输出信噪 2.5 统计特性的相关知识 在盲源分离研究中，对相互独立的 2.5.1 熵 Entropy）[5,57]在多种信息分离模式下可算作是一个基础因素，它主要是对于信息的平均化程度来说的。各种用于信息分离的计算模式中，都不能离开这一基本定义而运行。 众所周知，在离散随机变量的取值中，假设令为某一事件发生的先验概率，等于的信息量定义为[] （2-21） 在此基础上熵若一个随机变量x有n个可能的取值，则其可能取到的值可以表示为，出现的概率为，那么随机变量x信息量的平均值熵表示， （2-22） 对数的底数取值不同不同，单位为比特。 取值范围为取值，。根据公式（2-22）可以知道，当或时，熵等于零会出现的事件不会出现的事件。根据数学知识可知，x的各个取值概率相等时，熵最大值。 将相关数据入公式中求解就能够得到数据的 （2-23） 由上式可知连续信源数据具有很大的随机性和不确定性如果选取的数据存在一定的规律那么得出的结果也会有自身的特征 如果将熵与信源的关系进一步明确起来的话，还需要引入条件环境以及联合熵和条件熵[59,60]的概念。 设两个随机变量分别为xy，联合分布为，，则它们的联合熵可定义为 （2-24） 在条件下，x的条件熵定义 （2-25） 式中求和区间为