一种新的基于归一化峭度的ICA算法.pdfVIP

第24卷第4期 广东工业大学学报 Vo1．24 No．4 2007年 l2月 Journal of Guangdong University of Technology December 2o07 一 种新的基于归一化峭度的ICA算法 崔志涛，温洁嫦，胡南辉 (广东工业大学应用数学学院，广东广州510006) 摘要：基于峭度的独立分量分析中，采用梯度法寻找代价函数的极值点时，搜索的方向对算法的收敛起着关键的作 用，对Kuicnet算法中原来的梯度做一个倍数替换，得到一个新的ICA算法．新算法在迭代过程中适时对梯度方向 作出调整，加快收敛速度．数值仿真说明了算法的有效性． 关键词：独立分量分析；峭度；快速ICA算法． 中图分类号：TN911 文献标识码：A 文章编号：1007-7162(2007)04-0038-04 Y (k)，…，Y (k)] 。是源信号 (k)的一个排列，估计 1 ICA数学模型 信号Y(k)和源信号相比有一定尺度的伸缩，但这并 独立分量分析(Independent Component Analy— 不是关键所在，源的信息主要蕴含在信号的波形当 sis，ICA)最早由法国学者C．Jutten和J．Herault¨ 于 中． 20世纪80年代首次提出，是当今信号处理领域的 2 基于峭度的ICA原理 一 个研究热点，在无线通讯、阵列信号处理、声纳信 号处理、生物医学信号处理等领域具有广阔的应用 在非高斯最大化的独立分量分析算法中很多采 前景 一 ． 用梯度寻优原理来获得分离矩阵，在寻优过程中梯 基本ICA数学模型不考虑噪声的影响，m个观 度的的方向才是关键所在，梯度的大小对算法的收 测信号X (k)，(i=1，2，…，m)由rt个相互统计独 敛是没有影响的，因此文献[5]中的学习参数得以 消去，使之成为一种新的ICA算法． 立、零均值的未知源信号Sj(k)(J=1，2，…，m)线性 峭度kurtosis是衡量随机变量非高斯性强弱的 混合而成，写成分量形式为 n 一 种最简单的度量，定义一个零均值的随机变量Y (k)=∑hijsj(k)，(i=1，2，…，m)，(1) 的峭度： J=1 矩阵的形式为 kurt(y)=E{Y }一3(E{Y }) ， (4) 归一化以后具有形式： X(k)=Hs(k)，(k=1，2，…，N)， (2) j，，4 l 其中，X(k)=[X (k)，X (k)，…，X (k)r， (k)= kurt’(Y)= ： ． (5) L {Y } [s，(k)，s (k)，…，s (k)r分别表示观测信号和未 根据峭度的数值随机变量可划分为高斯型(ku~(y) 知的源信号矢量，k是时间指标，日为未知m×rt满