引入串音误差和辅助分离系统的不完整自然梯度算法.docxVIP

引入串音误差和辅助分离系统的不完整自然梯度算法摘要针对自适应盲源分离问题步长的选取问题，本文提出了一个改进的自适应步长，通过引入串音误差来改进步长，并且结合辅助分离系统的不完整自然梯度算法克服了原始算法的收敛速度和稳态性能之间的矛盾，使算法在实际计算中可行，并且具有较快的收敛速度和对时变系统较好的跟踪能力。仿真实验表明，本文算法具有更快的收敛速度和更优的分离性能。关键词盲源分离，不完整自然梯度，串音误差，辅助系统，自适应引言盲源分离是指在对源信号和传输通道都没有任何先验知识的情况下, 根据信号的统计特性, 仅利用观测信号来恢复源信号的过程，是人工神经网络、统计信号处理及信息理论相结合而产生的方法.近年来已成为信号处理领域一个引人注目的热点问题,其应用包括雷达、声纳、通信、语音处理、地震预报和生物医学等许多不同领域. 目前，根据信号处理方式的不同，盲源分离算法可分为两大类：一类是基于高阶矩阵对角化或非高斯最大化原则的批处理算法，另一类则是基于各种代价函数最小化的自适应算法。与第一种算法相比较，自适应盲源分离算法具有简单、有效且利于实时实现等优点，这些算法比如信息最大化算法、自然梯度算法、等变化自适应算法等。这些自适应的盲源分离算法都可归结于LMS（最小均方误差）型算法，它们都存在收敛速度和稳态误差之间的矛盾，就是步长的优化选择问题。步长越大，系统的收敛速度及跟踪速度变快，但同时引起较大的稳态误差；而步长越小，系统的稳态误差越小，但系统的收敛速度减慢，无法对系统外界环境的变化做出快速反应。针对上述问题，本文提出一种自适应的改进步长算法，引入了串音误差并结合了辅助分离系统。该算法的改进步长引用了分离性能指标，也就是说随着分离过程的进行，值在持续变化，随着值的变化步长也自适应的进行变化。然后通过结合一个受限的辅助分离系统进而得到了一个新的盲源分离算法。最后，利用仿真实验验证了本文算法的分离性能。盲源分离假设个相互独立的未知源信号，通过一个未知的线性系统后，得到个观测信号，假设,并且不考虑噪声干扰及信道卷积的情况，那么观测信号与源信号的关系可以如下表达 (1)其中，表示混合矩阵，是一个非奇异矩阵。盲源分离的目的就是求一个满秩矩，使得通过它可以由观测信号求出源信号（2）其中，表示分离矩阵，为源信号的估计。分离矩阵的自然梯度更新表达式如下（3）其中，为算法的步长，为一单位矩阵，函数的标准形式为（4）这里，为一个非线性激活函数。在自然梯度的基础上施加一种不完全约束从而得到了不完整自然梯度算法 (NNGA)，与自然梯度算法不同的是不完整自然梯度算法的表示为（5）其中，为元素是的对角正定矩阵。因此，不完整自然梯度算法的表达式是（6）加入辅助分离系统的不完整自然梯度算法这里表示混合和分离系统的传递矩阵，表示传递矩阵的第行第列。串音误差是盲源分离中常用到的分离性能指标，来衡量接近对角化的程度（7）值越小就说明越接近对角阵或其置换阵，分离的结果就越好。值的大小反映了系统输出信号的分离程度, 它的递减规律与步长因子的自适应优选存在着一定的对应关系: 当较大时, 表示系统处于分离的初始阶段, 这时应选择较大的步长来获取较快的收敛速度; 而当较小时, 表示系统处于分离的后期阶段, 算法应相应地减小步长的数值以便获得较好的分离效果。说明为对角阵或其置换阵，分离结果最好。因此,可以通过计算每次迭代过程中值的大小来自适应地调节这个算法的步长参数。变步长算法调节步长的公式更新为 (8)其中和为控制参数，其数值根据值的初始值来选取，实际应用中，可以通过实验和经验来选取最优的数值。但是，由于实际的分离过程中混合矩阵是未知的，进而也是未知的，所以计算过程中无法直接从式（8）获得的真实数值，所以本文在此基础上加入一个辅助分离系统。这个并行的辅助分离系统除了初始值与原有系统不同外，（其中），与原来的分离矩阵遵循相同的迭代规则（9）其中，为一个输出信号，为输出信号的某种变换函数。传递矩阵是分离矩阵和混合矩阵的乘积，因此，达到稳定后即分离得比较理想时，它的传递矩阵可以表示为(10)其中为混合矩阵，为分离矩阵，为满秩对角矩阵，为置换矩阵。置换矩阵定义为每行和每列中只有一个元素等于 1，而其他元素都为零的矩阵。这时可以得到的逆矩阵（11）其中为一置换矩阵，为一对角矩阵。在式（3）的两边同时右乘矩阵后得到：即随着算法的收敛，与和都无关。结合式子（9）、（10）和（11）可以得出，分离矩阵的逐步递推过程，同时也是其逆矩阵在和两个矩阵的限制下逐渐向矩阵收敛的过程（12）根据以上结论，本文在算法的迭代过程用近似系统混合矩阵，然后同步运行这两个分离系统，得到一个可以应用于实际计算的传递矩阵（13）重新构造分离性能指标得到（14）这里用来近似实际