盲源分离技术及其发展.docx

盲源分离技术及其发展　 王春华，公茂法, 衡泽超 时间:2009年11月06日 字 体: 大中小关键词:信号处理语音识别图像处理移动通信医学信号处理　　摘? 要： 盲源信号分离是一种功能强大的信号处理方法，在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用。简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法，综述了盲源分离的发展及研究现状，提出了其未来的发展方向。　　关键词： 盲源分离；独立分量分析；发展?　　盲源分离BSS(Blind Source Separation)是信号处理中一个传统而又极具挑战性的问题。BSS指仅从若干观测到的混合信号中恢复出无法直接观测的各个原始源信号的过程。这里的“盲”指源信号不可观测、混合系统特性事先未知这两个方面。在科学研究和工程应用中，很多观测信号都可以看成多个源信号的混合，所谓“鸡尾酒会”[1]问题就是一个典型的例子。其中独立分量分析ICA(Independent Component Analysis)[2]是一种盲源信号分离方法，它已成为阵列信号处理和数据分析的有力工具，而BSS比ICA适用范围更宽。目前国内对盲信号分离问题的研究，在理论和应用方面也取得了很大的进步，但是还有很多问题有待进一步研究和解决。1 盲源分离基本理论1.1? 盲源分离的数学模型　　盲信号分离研究的信号模型主要有线性混合模型和卷积混合模型，盲源分离源信号线性混合是比较简单的一种混合形式，典型的BSS/ICA问题就是源于对独立源信号的线性混合过程的研究。1.1.1? 盲源分离的线性混合模型　　所谓的“鸡尾酒会”问题，具体描述是：在一个鸡尾酒会现场，如果用安放在不同位置的多个麦克风现场录音，则所记录的信号实际上是不同声源的混合信号。人们希望从这些混合录音信号中把不同的声源分离出来，这显然不是一件很容易的事，至少用传统的频域滤波方法行不通。因为不同声源信号的频谱相互混叠在一起，无法有效地设计滤波器，但从频谱的角度可以把不同声源分离出来。根据以上描述，可以把盲源分离问题表示为如图1所示的线性模型。为简单起见，暂时忽略时延、非线性等因素的影响，即最简单混合系统——线性瞬时混合系统。?　　图中虚线框中的源信号矢量s=(s1，s2，…，sN)T和线性混合矩阵H都是未知的，W为待求的分离矩阵，y=(y1，y2，…，yN)T是分离矩阵W的最终输出结果。　　盲源分离的最终目的就是寻找分离矩阵W，使输出信号y尽可能地逼近真实源信号s。显然，如果知道了分离矩阵，此问题就变成了非常简单的线性方程组的求解问题。但混合H矩阵未知，且在没有任何源信号的先验知识的情况下，源信号的恢复就成了非常困难的问题，即盲源分离问题。1.1.2? 盲源分离的卷积混合模型　　在实际系统中，传感器接收到的信号往往是源信号经过不同时延的线性组合，即观测信号是源信号的卷积和，称为线性卷积混合模型。这种混合模型更接近实际。　　假设N个统计独立的源信号si(t)，i=1,2,…，N，经过卷积混合后被M个传感器接收，混合信号为xj(t)，j=l，2，…，M，则卷积混合的数学模型可以表示为:　　A为混合矩阵。当L=l时，该模型就退化为瞬时混合模型。1.2?盲源分离的可实现性　　盲源分离的可实现性就是要研究在多大程度上混合矩阵H可以由观测向量x(t)来辨识。如果一个方阵在每一行及每一列中有且仅有一个非零元素，则称此方阵为非混合阵。如果C是一个非混合阵，则称y(t)=Cs(t)是s(t)的一个拷贝。y(t)和s(t)的差异仅表现在各元素的排列顺序及各元素的幅度值上。在盲源分离问题中，由于没有其他先验知识，所以如果能得到源信号的一个拷贝，就可以说完成了盲源分离的工作。　　下面讨论为什么在观测信号x(t)已知的情况下，仅仅根据“源信号之间是统计独立的”就能得到源信号的一个拷贝。Dannois定理内容如下:　　假设s(t)为一个各分量相互独立的矢量(其中至多有一个高斯分量)，C为一任意的可逆矩阵，如果y(t)=Cs(t)的各分量间也是统计独立的，则y(t)就是s(t)的一个拷贝(即C是一个非混合矩阵)。　　从该定理中发现，除非矩阵C是非混合阵，否则将把一个各分量t相互独立的向量(至多有一个高斯分量)转换成为一个各分量不相互独立的向量。这一结论很关键，它意味着只要设法使模型中的输出信号y(t)的各分量相互统计独立，便可以实现信号的盲分离。算法的最终目的是使经过分离矩阵之后的输出信号的各分量间独立性最大，以此为根据来调整分离矩阵的参数，实现信号的盲分离。1.3? 盲源分离问题的假设条件　　由于对源信号和混合矩阵无先验知识可以利用，为了使盲源分离问题可解需对源信号和混合矩阵作某些假设。这些基本的假设条件[3]包括:　　(1)源信号向量s的各分量都是