基于独立分量信号的分离实现讲义.doc

基于独立分量信号的分离实现 摘要：基于独立分量的快速不动点算法在分离信号上有广泛的应用。论文详细介绍了FastICA的原理和方法，用matlab分别实现了周期信号和语音信号的混合和分离，并给出了评价指标。 关键词：FastICA 信号分离 The achievement of signals separation based on independent component ABSTRACT：The fast fixed pointed algorithm based on independent component has a wide application in signal separation.This paper introduces the principle and the method of FastICA detailed,and it achieves the periodic signal’s and voice signal’s mixing and separation using matlab, and gives the evaluation. Keywords: FastICA Signal separation 1 引言 盲信号分离（Blind Source Separation，BSS）Independent Component Analysis，ICA是原始信号的线性混合，即： （1） 其中是个未知混合矩阵，形式为： （2） 式中，是常值系数，表示混合的权重。并且是未知的。 2.2 ICA的约束条件 为了保证上面的ICA模型能被估计，我们还需要做出以下假设。 （1）独立成分是统计独立的 （2）独立分量必须具有非高斯分布 （3）为了计算简便，我们还假设，并且混合矩阵是满秩方阵。 2.3 ICA数据预处理 通常为了解决ICA问题，要对观测数据进行适当的预处理一遍让其更好的符合ICA的假设。预处理的常用方法是中心化和白化。 （1） 中心化（centering） 中心化是对观测结果去均值。 设观测矢量为，的均值为：，中心化就是： （3） 这样观测变量变为零均值的量，因为： （4） （2） 白化（whitening） 白化是ICA/BSS算法中常用到的预处理，对于某些ICA/BSS算法，白化还是一个必须的过程。 一个零均值向量成为白的，如果它的元素是不相关的并且具有单位方差： （6） 用协方差矩阵的形式，有。 给定的n维随机向量，寻找线性变换，使得变换后的向量 （7） 是白的（球面的）。 根据PCA展开的形式给出一个直接的解。令以协方差矩阵的单位范数特征向量为列的矩阵，是以的特征值为对角元素的对角矩阵。线性白化变换可以有下式给出： （8.1） 易于证明上式的矩阵确实是一个白化变换。可以用特征向量和特征矩阵和写成，是正交矩阵，满足，则 （9） 的协方差为单位矩阵，所以是白的。 式子（9）中的线性算子不是唯一的。任何矩阵（为正交矩阵）也是白化矩阵。这是因为对，有： （10） 另外还有常用的变换： （8.2） 2.4 极大化非高斯性的ICA估计方法 对于一个零均值的随机变量的峭度定义为： （11） 为了进一步简化，我们还假设随机变量的方差等于1，即。公式的右边变成。对于高斯变量，。所以高斯变量的峭度为零。对于大多数非高斯变量峭度不是零。直接用峭度作为非高斯度量的缺点是，峭度的值可能仅仅依靠某几个观测值，而这几个观测值可能是错误的，因此，峭度不是鲁棒度量。 另一个非高斯度量是负熵。根据信息论知识，随机变量的负熵定义为： （12） 式中：是与具有相同协方差矩阵的高斯随机变量。负熵具有非负值，当且仅当具有高斯分布，负熵为零。负熵还有一个特性，对于可逆的线性变换，负熵也是个不变量。 一种有效的近似是将高阶矩近似的广义化 （13） 式中：和是非二次函数，和是正常数，是零均值单位方差的高斯变量。也是具有零均值单位方差