变步长盲源分离算法的分析-信号与信息处理专业论文.docxVIP

烟 台 大 学 硕 士 学 位 论 文  PAGE 7 般是指仅仅依据被外界噪声干扰的的系统输出信号，从而对此系统进行求逆或对其进行均 衡的过程。通常情况下，盲信号处理多指从混合信号中恢复或分离出源信号的过程。根据 不同标准的信号混合及处理方式，盲源分离问题可以分为以下几类： [1] 从源信号的混合方式上可将盲源分离问题分为线性混合和非线性混合。所谓线性混 合即是指混合信号是由多个源信号线性混合而成的，其混合过程满足线性叠加原理，而非线 性混合则表示此混合过程为非线性的，所观察到的混合信号为多个源信号通过某种非线性方 式所得。另外，根据信号在时间上有无延迟的情况，线性混合又可分为瞬时混合及卷积混合， 其具体分类标准及模型表示方式将在本文第2.2节中详细介绍。 [2] 从混合通道的个数上看，盲源分离可以分为多通道盲源分离和单通道盲源分离。这 里单通道盲分离指的是多路源信号混合后只得到一路混合信号，于是设法从这一路混合信号 中分离出多个源信号的问题；而多通道盲源分离则是指M个源信号混合后得到N路混合信号， 然后从这N路混合信号中恢复出原来的M个源信号的问题。由于多通道盲分离相对具有较多 的信号信息，故一般情况下其对信号的分离性能要远远好于单通道盲分离。 [3] 从源信号种类上分，可将盲源分离分为多类。通常根据不同种类信号的特点，利用 我们已经知道的源信号的某些先验知识，进行盲信号处理。例如，语音信号盲分离、生物医 学信号盲分离、机械信号盲分离等。 [4] 从对混合信号的处理方式盲源分离可分为批处理和自适应处理。批处理指的是利用 一些已经获得的数据来对混合信号进行的统计学处理，其处理过程是非实时的。而自适应处 理则指的是随着信号的不断输入能够在线地做递归式的迭代处理，这种算法的优势就在于无 需很大的存储空间来存储数据，并能够实时实现混合信号的在线分离。 在本论文里，我们将主要基于多通道模型、采用自适应处理的方式来研究线性瞬时混合 的盲源分离问题。 1.2 盲源分离的发展现状及应用 1.2.1 盲源分离的发展现状 人们对于盲源问题的早期研究是从所谓的“???尾酒会”开始的。鸡尾酒会指的是当有很 多人在同时说话的时候，麦克风所收到的声音是由很多说话者的声音相互混叠在一起的混合 声音。那么对于人类来说，基于耳朵的特殊构造，并配合大脑，我们可以根据自己的兴趣准 确的选取自己想要听的声音，于是人们开始尝试使计算机也具备这样的能力。因此盲源分离  问题即研究如何仅通过麦克风接收到的混合信号就可以很好地恢复出源信号的过程。这里 所谓的“盲”有两个含义：一是指源信号在信号处理的过程中是未知的；二是指源信号所经 过的混合信道是未知的。 盲源分离是盲信号处理领域的一个重要的研究分支，近几年来在这方面的研究有了长足 的进步。1986 年，法国的研究学家[3]Jeanny Herault 和 Christian Jutten 首次在美国举行的 NNC （会议全称）会议上首次提出了盲源分离的一个算法—具有简单的反馈结构的神经网络，实 现了两个未知的独立源信号混合以后的分离。该篇文章具有首创性意义，在信号处理的领域 中掀开了崭新的篇章，也就是盲源分离问题的研究。 此后，很多研究者投身到盲源分离的研究领域当中，在很大程度上推动了该技术的发展。 根据盲源分离问题中源信号和混合信道混合方式的不同，盲源分离问题的研究可分为[4]：线 性混合盲源分离和非线性混合盲源分离。当今，研究学家们重点研究的对象为线性瞬时混合 的盲源分离问题。简而言之，盲源分离的方法是由目标函数及相应的优化算法构成的。其目 标函数多基于非高斯性、互信息等统计信息的度量。而优化算法则包括经典的最速梯度下降 算法、随机梯度算法、牛顿算法、遗传算法等以及基于这些算法的改进算法。其中最具代表 性的算法有：1996 年，法国的 Cardors 提出的 EASI 算法和 JADE 算法[5]；1995 年，美国的 Sejrnowski 和 Bell 提出的基于信息最大化（Informax）的盲源分离算法[6]；1998 年，日本的 Amari 和 Cichocki 的最小互信息（Minimum Mutual Information）算法[2]；1997 年，芬兰的 Hyvarinen 提出的快速定点算法(FastICA)[7]。 近几年，各国学者对于非线性盲源分离问题的研究也有了很大的进步，发展的最为全 面的和迅速的应该是后非线性混合模型的盲源分离算法。在这其中 国（给出具体国家） Jutten、M.Babaie-Zadehtaleb、A.Ziehe 等人所提出的解决 PNL（英文全称）模型[24]的盲源分 离的问题，在阵列信号处理、卫星通信信号的处理以及在微波通信领域中都具有很高的使用 价值。另外