4 盲信号分离及其应用 PPT.ppt

盲信号分离及其应用;一个有趣的现象; 在某个聚会上，我们正在相互交谈，当然同一时刻同一场景下其他人的交谈也在同时进行着，可能还有乐队的音乐伴奏，这时整个会场上是一片嘈杂。但是非常奇妙的是，作为交谈对象的双方，我们能够在这混乱的众多声音中很清晰的听到对方的话语，当然，如果我们偶尔走神，将精力放在乐队奏出的音乐时，我们也同样可以听清楚音乐的主旋律，或许还可以记起它的名字呢。 ; 这种可以从由许多声音所构成的混合声音中选取自己需要的声音而忽视其他声音的现象就是鸡尾酒会效应。;信号处理领域中其他类似的应用;盲信号分离简介;分类;发展状况;本次讲座的主要内容;基本理论;数学建模;线性瞬时混合盲信号分离的数学建模; 其中{aij}是混合系数， {aij}也是未知的，在线性瞬时混合中，一般假定{aij}是未知的常数矩阵 ; 盲分离问题需要解决的问题就是如何从接收到的观察信号中，估计出源信号S1(t)，S2(t) … Sn(t)和混合矩阵的过程。实际上式还应该存在一个干扰存项，如果考虑到噪声的迅在，那么上式可以推广到更一般的情况，即为：;X(t) = (X1(t)，X2(t) … Xm(t))T为接收到的m维随机向量，又称为观察向量，也是唯一可以利用的条件， S(t) = (S1(t)，S2(t) … Sn(t))T是n维独立的源信号组成的向量，又称为隐含向量，因为它们是未知的观察不到的向量，有时也称为独立分量， n(t)为噪声向量， A是{aij}系数组成的混合矩阵。;;卷积混合盲信号分离的数学建模 ;x(t) = ;盲反卷积（Blind Deconvolusion, BD）的数学模型; 因为传输的延时以及接收系统频响的差异，瞬时混合系统盲分离算法一般不能够处理卷积混合问题。一类很有研究前景的方法就是频域盲源分离算法[116]，利用频域算法可以提高BSS方法的收敛速度和学习速度，另外时域卷积问题可以变换为频域相乘问题。 ;非线性混合盲信号分离的数学建模 ; 即将源信号线性混合后再通过一个非线性函数得到观察信号 ;求解分两个步骤： 1.寻找一个非线性函数g()，使得g()=f –1()，即非线性的校正阶段。 2.与线性瞬时混合的盲分离求解一样寻找一个分离矩阵，求得源信号的近似。;可解性与独立性分析; 为了简单起见，我们考虑无噪（noise free）情况，即n(t)很小，可以忽略不计 ;盲分离问题的假设条件： ; 即若能够找到分离矩阵W，使得输出信号 ; 且Y(t)的各个分量之间也满足相互独立，则Y(t)就是原始信号矢量S(t)的完好恢复，此时矩阵乘积WA与某一广义交换矩阵G相等，盲分离问题的框图如图6.1所示。 ;盲信号分离的框图 ; Tong指出，当参数化盲信号分离问题的满秩矩阵可以分解为一个满秩的对角矩阵和排列矩阵（即初等矩阵）的乘积时，此时源信号的波形可以得到恢复，并由此定义了盲信号分离问题的可解性。 ; 事实上，在盲分离过程中，源信号的分离还具有模糊性，混合矩阵的辨识是有关病态（ill-posed）的问题。 ;主要表现; 即盲信号分离的模糊性表现为分离信号排列的不确定性和波形振幅的不确定性。 ;但是源信号中几乎所有的信息都已经包含在我们分离出来的波形中，它能够满足我们进行下一步的分析研究。所以这两种不确定性并不影响盲分离技术应用。;独立性分析;独立性的定义 ; 由于随机变量的概率密度一般都是未知的，另外一个角度来理解独立的概念; 对于两个随机变量y1(t)和y2(t)，如果Cov(y1,y2)=E[y1y2]-E[y1]E[y2]=0，那么y1和y2不相关； 如果E[y1py2q]-E[y1p]E[y2q]=0，p和q对任何整数都成立，则y1和y2统计独立 ;衡量独立性的测度;算法的一致性、鲁棒性等依赖于目标函数的选择 算法特性如收敛性、数值稳定性则依赖于优化算法 ;盲信号分离的目标函数; 在信号的平均功率受限时，具有高斯分布信号的熵最大所以为了描述同高斯信号有相同的功率的非高斯信号的熵的情况，定义负熵这样的概念。任意信号y的负熵J(y)可以表示为： ; 其中ygauss为高斯分布函数，它同变量y有相同的期望和方差，即负熵表示两个具有相同均值和方差的随机向量的差熵的差值。在方差恒定的情况下，高斯分布的随机变量的差熵最大，用高斯分布的随机向量的差熵作为上式的第一项，所以负熵总是非负的，而且负熵具有在正交变换下的不变性。; 同时由于负熵是两个熵的差，因而能够满足尺度不变原理。负熵的最大化