一种改进独立成分分析算法计算机仿真研究.docVIP

一种改进独立成分分析算法计算机仿真研究 　　摘要：该文对独立成分分析（ICA）这一当前新兴的数据处理与分析方法进行了分析研究。提出了一种改进的基于待抽取信号时间结构特性的盲抽取算法。并使用Matlab和Windows XP平台对这些算法进行了计算机仿真实验，得出了仿真实验的结果和一些应用建议。 　　关键词：独立成分分析；盲信号抽取；盲源分离；计算机软件技术 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）32-7304-03 　　独立成分分析方法[1]是一种新兴的数据处理与分析方法，目前已经成为信号处理领域的研究热点。其目的是从随机线性混合的观测信号中恢复出各源信号[2]。该方法的原理是以非高斯性质的源信号为研究对象，以信号之间彼此统计独立作为前提，对观测到的多路混合信号进行信源盲分离，以提取出隐含在混合信号中的若干独立源信号，即盲源分离问题[3]。由于这种方法具的分离性能很好，在语音信号、图像处理、远程通信、数据挖掘等方面有很重要的应用。经过各领域的学者们的持续努力，使得这一新兴方法能够得以迅速的发展[4]。 　　一些经典的独立成分分析算法如，1983年Herault和Jutten首先提出独立成分分析（ICA）这一概念。1985年BarNess提出了Boostrap思想的迭代算法。虽然这些算法很多情况下不收敛，但他们的工作具有开创意义。1989年Giannakis et.al.以及LacoumeRuiz提出基于三阶统计量的算法。1989年Cardoso提出了基于三阶统计量代数性质的算法，该算法从算子角度解释混合矩阵与信号之间的关系。1991年GaetaLacoume利用统计学方法给出模型参数的极大似然估计。1994年Comon首次将ICA应用于处理盲源分解的问题。1999年Hyvarinen首次将ICA应用于图像处理。2001年Hyvarinen的著作Independent Components Analysis问世，提出了被广泛认可的Fast_ICA算法。 　　盲源信号分离方法（ICA）在图像滤波、图像增强等二维数据的处理方面的应用也取得了一定的进展。Lee等用ICA混合模型来处理图像信号[5] [6][7]，目的是从受到污染的图像中恢复图像本来面目，其过程中要消除各种影响因素，提高图像的恢复质量。解萍，王伟[8]提出了在图像处理中混合信号的维数可以小于分离独立成分维数的过饱和算法。 　　经典的ICA算法虽然解决了盲源分离的很多问题，不可否认的是，每一种算法都有其适应的范围，亦即存在一些不足之处。这些不足之处表现：一是经典ICA算法基本上采用“非正态性”做为独其立性判据；二是对非正态性度量的指标是峭度和熵，并且且指标估计时较多使用随机变量的高阶矩，高阶矩的使用使得算法对样本中的奇异值较敏感，从而导致算法不够稳健。因此，独立成分分析方法的算法还需要进一步的完善以更好的应用到实际中。为此学者们展开了广泛的研究，产生了如基于内积运算、蚁群算法、因子旋转、信息估计、小波变换等的研究提高了算法性能，拓宽了ICA 的使用范围[9]。 　　1 基本独立成分分析的原理及算法 　　1.1 定义 　　独立成分分析问题的提出起源于为解决盲源分离问题所进行的工作，在源信号与传输信道全部或部分未知的情况下，仅利用观测到的值来分离、提取源信号。 　　假设已观测得到一组随机变量的观测值（[x1（t），x2（t），…，xn（t）]），其中[t]表示时间。假设这些观测值是一组独立成分（[s1（t），s2（t），…，sn（t）]）的线性组合。 　　[x1（t）x2（t）?xn（t）=a11a12…a1na21a22…a2n????an1an2…ann×s1（t）s2（t）?sn（t）] 　　亦即：[X（t）=AS（t）] 　　[A]表示未知的混合矩阵。独立成分分析的目的是计算出分离矩阵[W]，使随机变量： 　　[y1（t）y2（t）?yn（t）=w11w12…w1nw21w22…w2n????wn1wn2…wnn×x1（t）x2（t）?xn（t）] 　　尽量相互独立。 　　亦即： [Y（t）=WX（t）] 　　在以上描述中假设： 　　1）各源信号[si（t）]，[i=1，2，…，n]之间相互统计独立； 　　2）各个源信号是非高斯分布的； 　　3）独立成分的个数和观测值的个数相等。 　　4）分离得到的独立成分[yi（t）]其方差不确定，独立成分相互之间的顺序不确定。 　　Hyvarinen 指出ICA 问题中信号的非高斯性就是独立性[10]。 　　1.2算法 　　胡月[11]将FastICA算法步骤总结为以下8点： 　　1） 将[x]预处理，得到白化的[z]。 　　2）