盲讯号分离与独立成份分析(BlindSourceSeparationandIndependent.ppt

摺積混合情形下的聯合近似對角化盲訊號分離方法;大綱;盲訊號分離與獨立成份分析;膨脹與排列問題;獨立成份分析 = 獨立性函數 + 最佳化演算法。 獨立性： 機率統計學的定義：p(y1,y2) = p1(y1)p2(y2) 即「聯合機率密度函數=邊際機率密度函數之乘積」 非相關性： 若隨機變數彼此獨立，則必非相關（但反之不一定正確） 非高斯性：非高斯分佈且彼此獨立的隨機變數線性組合而成的新隨機變數，會較原本更為接近高斯分佈。 ;整體獨立性函數：量測分離訊號彼此間的獨立性 熵（entropy）：分離訊號彼此獨立等價於最大化分離訊號的熵值 相互資訊(mutual information)與KL距離： 訊息理論中，m個隨機變數的相互資訊I是量測隨機變數相依性的一個工具。I恆非負，且只有當隨機變數彼此獨立時I = 0。 若m個隨機變數彼此獨立，則其聯合機率密度f(y)和邊際機率密度乘積f1(y1)f2(y2)…fm(ym)的KL距離會為零。且此KL距離等於這m個隨機變數的相互資訊。 非線性互相關：若隨機變數彼此獨立，則它們的非線性互相關值就會等於零。 E{g1(yi)g2(yj)} = 0 其中g1和g2為非線性函數 ;單一獨立性函數：計算單一訊號相對整體訊號的獨立性 負熵(Negentropy)：計算隨機變數和高斯變數熵值的差異決定該變數的非高斯性 高階動差 (Higher-order cumulants) ：峰態(kurtosis) 最佳化演算法： 使獨立性最大的方法，可使用任何最佳化演算法。 若利用非相關性作判斷時，通常利用「聯合對角化」法使一個或多個共變異矩陣對角化。 當被對角化的矩陣只有一個的時候，可以使用簡單的特徵值分解（Eigen-Value Decomposition, EVD）分解之。;演算前置處理;演算前置處理;一次將所有訊號分離。 假設訊號源S彼此不相關。 應該為對角矩陣。 對經過前處理的混合訊號X，使 成為對角矩陣。 對 作特徵值分解，令特徵向量所成矩陣為W，即為解混合矩陣，分離出的訊號Y=WX。 ;FastICA演算法;聯合近似對角化演算法;JADIAG演算法;JADIAG演算法;JADIAG演算法;摺積混合盲訊號分離;DUET演算法;DUET演算法;解決排列問題;假設訊號源的分佈為廣義高斯分佈(Generalized Gaussian Density, GGD)。 估計各個離散頻率分離訊號之廣義 高斯分佈參數。 利用參數的分離情形作初步的對齊。 將連續可分離的離散頻率訊號結合為 頻帶，再利用相關性作其餘的對齊演 算，以增加對齊結 果之可靠度。;解決排列問題與膨脹問題;利用巴克刻度加速;利用演算法特性加速;利用演算法特性加速;整體架構;實驗結果;實驗結果;實驗結果;Demo;Demo;Demo;研究趨勢;未來展望