第九课：盲源分离综述.pptVIP

盲源分离综述 背景介绍 问题的引入 在一个房间内有几个人在同时说话，在不同的位置上安置一组传声器，各传声器所测得的信号是具有不同权重的原语音信号的混合信号。 要求是从接收的混合信号分离出原语音信号以达到识别的目的——鸡尾酒会问题。 源信号S(t) 混合系统A 混合信号X(t) 声音提取： 典型例子：“鸡尾酒会”的问题。 人的大脑可以很快辨出或集中听某种需要关注声音。 如下为典型的盲源分离第一种模型，线性瞬时混合模型（ICA模型） 麦克风1 麦克风2 麦克风3 盲信号分离基本数学模型 线性卷积混合模型 线性卷积混合模型（简称卷积混合模型）是一种接收端观测信号是源信号及其时延信号的线性组合。假设源信号是 ,且n个信号间相互独立，经过线性卷积混合，得到m个观测信号 ,其混合模型和分离模型如下：其中i——信道延迟时间 对上述混合模型做离散Z域变换如下： X(z)=A(z)S(z) 式中， 需要注意的是，此处A(z)中每个元素都为一个多项式表达式，与线性瞬时混合模型中的不一样。 Z变换 来源：百度百科 非线性混合模型 其数学模型假定如下： 式中， ——未知的N个统计独立源信号 ——观测的M个混合信号（观测信号） ——未知的N个分量的实值混合函数 式中， ——源信号的估计信号向量 非线性BSS的研究目标是求解出f的逆函数g，从而估计出源信号，即估计统计独立源。但g一般有无穷解，为了减少这种解的不唯一性，有学者提出增加一些源信息的先验知识等。关于盲源分离（BSS）的研究仅有二十多年的时间，针对线性混合方式的盲源分离的解决方案尚且不完善，对于更复杂的非线性混合方式的盲源分离的研究更是收到多种限制。 常用分类 根据是否存在时间延迟： 瞬时混合模型（研究的最早，最成熟） 卷积混合模型（近几年研究很多） 根据混合方式 线性混合模型（研究的最多） 非线性混合模型（很不成熟） 观测信号与源信号数量关系对比 观测信号大于源信号——超定 观测信号等于源信号——正定 观测信号小于源信号——欠定（有专门的单通道盲源分离，如用于指纹提取） 生物医学领域 心电图（ECG）脑电图（EEG）信号分离 听觉信号分析、功能磁共振图像（FMRI）分析 处理孕妇身上测到的心电信号 应用场景 阵列信号处理领域 在阵列传感器中，各传感器接收到混合信号，源信号和混合信号特性未知，是典型的盲分离应用问题。 在移动通信阵列天线处理，海洋声呐探测等方面的作用越来越重要。 应用场景 声信号处理领域 移动通信中，ICA技术能够有效地消除噪声、抑制干扰、增强语音，提高通信质量； 通过ICA方法对车辆行驶时产生的声音信号进行分离，对车辆个数与行车方向进行估计，实现车辆的简单分类； 在工业领域，根据机械运动时发出一个固有的信号，携带机械本身的结构信息和运动状态信息，通过对此机械信号进行分析，对设备的运动状态及故障进行在线监测和预报等。 应用场景 图像处理领域 ICA可以用于二维数据，如图像滤波、图像特征提取、图像增强，人脸监测和识别、卫星遥感图像的恢复重建分类等。 主要任务是从被污染的图像中恢复出图像原面目，有效地消除获取图片时由相机抖动传输噪声叠加等原因造成的图像质量问题。 应用场景