盲源阶.docVIP

一个使用二阶统计的盲源分离技术 摘要 分离的来源包括收回了一套其中只有瞬时线性混合物观测信号。在许多情况下，没有一个可用的混合矩阵的先验信息。线性混合应该是“一味地”处理。而阵列流形是未知的或歪曲的情况通常发生在窄带阵列处理的应用中。 本文介绍了一种新的盲源分离技术开发信号源的时间连贯性。与先前公布的其他技术相比，该方法是一种依靠平稳二阶统计，基于一组的协方差矩阵的联合对角化的方法。笔者对这种方法的性能进行了渐进的分析;并用一些数值来模拟说明该方法的成效。 一 导言 在许多有实际意义的情况下，多维观察处理的形式：（1） 即，是嘈杂的瞬时线性混合源信号。这种模式是常见的窄带领域阵列处理。在此情况下，向量包含由窄带发射的信号源，矢量包含阵列输出采样时间T，和矩阵是转移源和传感器之间的功能。在下面的，它是简称为“阵列矩阵”或“混合矩阵。” 大多数阵列处理技术依靠矩阵建模：假定每一列依赖于一个小数目参数。这些信息可以提供物理建模（例如，当阵列几何已知的来源阵列的远场）或直接阵列校准。然而，在许多情况下，这个信息是不可用或不可靠的。 盲源分离，包括识别或检索，而不诉诸任何关于混合矩阵的信息的先验的信号源，它只利用信息自己所接收到的信号，因此，称之为盲源。这种盲目的技术性能和性质，基本上不受影响，在潜在的错误下传播模型或阵列校准（这显然是不参量阵处理技术的情况下;看到，例如，[1] [2]）。当然，缺乏信息的结构，而必须有一些额外来补偿假设的信号源。 对于非高斯独立的消息来源，第一种方法追溯到自适应开拓的Jutten的算法的（亦见hrault [3] [4] - [7]）。一批主要基于高阶累积量的基础上的算法，制定了以后;可以看到，例如，[8] - [11]。这些算法利用只有边际分布观测。因此，甚至当信号源时间独立时，他们也是合适的。除此之外，其他的方法可以开发于时空相关性。由于这是第二阶统计，它们预计会碰到更强大信号噪声比。 对于循环平稳排放，遇到像那些数字或模拟通信系统，完善的方法包括利用在循环频率的光谱冗余利益的来源，如提出的[12]。然而，这些方法的关键在于依靠假设，不同的来源有不同的循环平稳特性[13]。此外，当循环频率在事先不知道的时候，他们必须估计。 不同的上下文中被视为本：固定污染源有不同的光谱内容。它已被证明基于空间协方差矩阵[14] - [17]的盲源鉴定是可行的。这些矩阵（见下文）展示一个简单的结构，这种结构允许直接盲辨识特征分解为基础的步骤。在本文中，我们引进在一个盲人识别技术基础上联合的个协方差矩阵的对角化。Robustnes通过处理显着增加的额外成本降低这样的矩阵设置，而不是再创建一个独特的矩阵[14]。 本文顺序如下：在第二部分，课题是连同有关假设的盲源分离说明。第三节提出了根据“联合对角化”的第二盲识别技术。高效的Jacobi般的空间协方差矩阵;及为解决这个问题的算法描述附录。第四节是渐近的封闭形式表达来推导出该方法的性能。第五节 是数值仿真说明该方法的有效性。 二 问题制定 假设我们开始通过指定的信号推测，信号源的载体可以是H1）确定性遍历固定序列或H2）与多元进程 标*表示共轭转载体，诊断和形成的对角矩阵的向量参数值的元素。为方便起见，相同的符号E，是根据假设H1）,根据氢气 H2）用于确定平均和合奏平均。本公式保存整个。假设 H1）或H2）的意思，组件的过程是互不相关，表示自相关。 加性噪声为一个固定的，时间，白色，零均值独立复杂的随机过程信号源的建模。为简单起见，我们还需要为空间白色，即 （5） 是克罗内克δ，并且表示认同矩阵。空间白噪声的假设并不重要：下面介绍的方法的情况下可以延长至未知噪声协方差矩阵（见第三节 - A）。 复杂矩阵假设有充分的列排名，但另有未知。与..传统的参数的方法相反，没有特定的阵列几何或假设传感器的特性，即阵列流形未知之数。 根据上述假设，协方差矩阵阵列输出的结构如下： 其中上标表示复共轭转矩阵。盲源分离的目的是找出混合矩阵和/或恢复源信号，没有任何先验知识的阵列输出或阵列流形。这种盲目的做法的潜在好处在于盲源分离基本上是在错误的影响下模型传播或阵列校准。在继续之前，重要的是要指定的概念：盲辨识。在失明的情况下，一个完整的混合矩阵鉴定是不可能的，因为一个给定的汇率之间的信号源和定标因子 相应的列不影响的情况下，显示由以下关系： 这里是一个任意复杂的因素，并表示的列。 优势是依靠没有一般性的损失,通过采取这种假设的不确定性，使信号源单位变异源的动态范围是占通过相应的列的大小。这正常化公约原来是方便续集，它不影响性能的结果。由于源被假定为不相关，我们有这正常化仍有未定的顺序和列的。下面的定