牛顿迭代在盲信号处理中应用.docVIP

牛顿迭代在盲信号处理中应用 　　摘　要　本文对盲信号处理中的ICA算法作了简要介绍，并主要关注了其中能实现快速收敛的FastICA算法，而该算法的核心其实就是利用了反演理论中的牛顿迭代法，指出了算法的优点。最后进行了仿真以验证算法的实际效果。 　　关键词　反演理论　盲分离　FastICA 　　中图分类号：TP301.6 文献标识码：A 　　0 引言 　　盲源分离（BSS：Blind source separation）一直信号处理中的热点问题。BSS指在仅了解观测信号的情况下，利用一些算法恢复经混合系统混合的源信号的过程。所谓的“盲”，指我们只知道观测值，没有其他先验信息。也就是说，除了观测的结果外，没有其他信息帮助我们去寻找原始的信号。这种情况下，想把原始信号准确地找到，显然是需要信号的一些其它特征的。 　　独立分量分析（ICA）是盲分离问题中的代表性方法。它假设原始信号之间是独立的，然后利用一些算法从混合信号中恢复原始信号。也就是说，ICA的前提是在任何时刻，源信号的各分量之间独立。这就说明了盲信号的分离就是使分离的各信号满足独立性。通常来说，ICA问题通过目标函数寻优实现。所谓的目标函数是指，为了将问题数值化，我们需要用函数来表现问题所需要达到的目标。比如，我们在经济问题中，为了弄清楚最大利润问题，可以去设定一个表示利润的函数，通过寻找该函数的驻点来找到让利润最大的条件，该函数就是一个目标函数。目标函数寻优与让问题得以解决是等价的。简而言之，就是用函数的寻优来数值化实际问题的目标。不过，想直接用函数的形式来表现信号的独立，从而产生目标函数是得不偿失的。因为，在数学上表现信号的独立，不可避免地需要使用信号的密度函数。由于先验信息的缺失，我们是不知道各信号的密度函数的。有些可以估计信号密度函数的方法，但这些方法普遍过于复杂，会使得问题的表述十分繁琐，不便求解。所以直接构造表现信号独立性的目标函数是不可行的，因此，一些等价于表现信号独立性，且计算方便可行的目标函数就显得尤为必要了。比如，我们可以通过互信息函数来等价地表现信号的独立。所谓的互信息，是指信号之间相互??含的信息，顾名思义，信号的独立性越强，互信息应该是越少的。所以我们可以通过对互信息函数寻优（即寻找互信息的最小值点），来表现信号之间的独立性。另外，我们还可以通过信息传输最大化来表现信号的独立性。 　　1 FastICA的原理 　　实际上FastICA是基于信息论的。根据目标函数的不同和寻优的算法特点可以构成各种类型ICA算法。ICA方法可归结为如下构成：ICA过程=目标函数+寻优算法。 　　1.1 数据的预处理 　　在实际问题中，获取的观测数据之间都具备相关性，因此一般都要求对观测数据进行白化或球化处理，因为白化处理可消除观测信号之间的相关性，因此简化了后面独立分量的提取。从实际效果上说，对信号进行白化处理与不对信号进行白化处理相比，恢复算法的收敛性更好。如果零均值的随机向量 = 满足{} = ，且为单位矩阵，称这个向量为白化（球化）向量。白化的意义在于去除对象之间的相关性。 　　白化作为ICA过程中的预处理模块可以极大地降低问题的复杂度，并且实现数据的白化比较简单，用一般的主成分分析就可实现。 　　1.2 FastICA算法 　　FastICA算法，是一种能很快找到最优点的基于迭代思想的算法。由于它利用了固定点迭代的思想，使得收敛更加快速、稳健。 　　FastICA算法将负熵最大化作为寻优目标。对于一些独立的随机变量的线性组合，它们的任意线性组合较它们本身更接近高斯分布。换句话说，原始信号比混合信号表现出的非高斯性会更强。综上所述，在信号分离过程中，可通过对信号分离结果的非高斯性度量来表示恢复信号间的相互独立性，当非高斯性度量达到最大值时，表示各独立分量的分离已经实现。 　　如果要估计个独立分量，可以按以下流程完成： 　　（1）对观测数据进行零均值化，即使观（下转第201页）（上接第194页）测值的均值为0； 　　（2）对观测数据进行白化过程，记白化后的结果为； 　　（3）记录独立分量的个数和迭代次数，且初始化 = 1； 　　（4）随机选取一个初始权向量，记为，作为独立分量的初始值； 　　（5）令 = {（）}{（）}，其中为待定的非线性函数，关于的选取见[2]； 　　（6） = （）； 　　（7）令 = / ||||； 　　（8）若不收敛的话，返回（5）； 　　（9）令迭代次数 = + 1，若≤，返回（4）。 　　FastICA算法与其他的恢复信号算法相比，有这些优点： 　　（1）算法收敛速度相对于其他算法更快，初始值选取得当的话，4到5步迭代往往就能收敛，且运行时间很短。 　　（2）和一些需要选择步长参