基于fasica迭代算法的盲源分离研究.docxVIP

基于fasica迭代算法的盲源分离研究 摘要：在进行信号预处理时，经常需要将多个混叠的源信号分离。遇到原信号与传输信道都未知的情况时，经常需要根据观测信号的统计分布情况，去分离原始信号。本文介绍了一种基于FastICA迭代算法的盲源分离技术，用于将瞬时叠加的多个非高斯信号进行分离。文章分析了该算法的数学原理，设计了算法程序的实现流程，并在python开发环境下对算法进行了仿真，仿真程序很好的仅从接收信号中分离出了所需的源信号。可用于一些混叠信号的盲源分离。 盲源分离是指从多个观测到的混合信号中，根据源信号的统计特性，仅由观测信号恢复出各个源信号成分的过程。盲源的“盲”字有两层意思：(1）源信号并不知道(2）对于信号各自的传输信道并不知道。盲源分离算法在在语音、水声、通信、生物医学工程等多个领域具有非常重要的意义。本文基于python开发环境，利用Fast ICA算法实现了线性叠加信号的盲源分离。问题描述为了简化模型，现考虑只有两个源信号和两个观测信号的情况。若源信号为S将A视为传播矩阵，则有：即：若存在A矩阵的逆矩阵W，则存在：基于Fast ICA的盲源分离即通过估算传播矩阵A的逆矩阵W，计算出源信号矩阵S，从而将混叠的独立信号分离。根据Darmois-Skitovitch定理，若X当Y根据这个定理可以推出Fast ICA的有效性，当N=2,S是非高斯独立源时，混叠信号的表示如下式所示：可以找到一个旋转变换使Z根据Darmois-Skitovitch定理，由于S为非高斯信号，且Z或：两个信号从混叠信号中分离了出来。通过白化操作，可以找到旋转矩阵；通过增加两个信号的非高斯性，可以提升两个信号的相互独立性，迭代以上操作至信号的相关性小于一定的阈值，便可以将两个混叠的独立信号分离开来。白化数据的白化可以去除数据中的冗余信息，保证变换矩阵为旋转矩阵，且对数据的信息熵不产生影响。即若X是一个随机变量，存在一个白化变换矩阵V使得Z=VX满足E[ZZ计算方法：设X的协方差矩阵为cx=E[XX将C去相关其中：其中P为单位特征向量，D为特征值组成的对角矩阵Fast ICA的迭代算法经过处理后，迭代算法要做的就是找到一个最优方向的W，使得该方向上的非高斯性最大。W的高斯性可用J即：其中：即令：即令：即令：其中，G即为X的累计分布函数（CDF），常用的G取值包括：迭代更新W程序实现根据算法原理，设计的程序流程如图2所示：在python环境下，对该Fast ICA算法进行了仿真，其中，S的CDF取函数g(S)=tanh，即X的pdf=g(S)=1-g(S)仿真结果对该程序进行了仿真运算，源信号设置为多个正弦信号的叠加信号，采样率设置为16000，使用多个不同的传播矩阵进行了仿真，其中源信号为：混合矩阵为：接收信号与解析信号的前100个采样点如图4所示。接收信号与解析信号的频域信号如图5所示。对比算法分离出的信号与原始信号可见，该算法较好的分离出了两个原始信号，只是顺序与原信号相反。进行了多组数据的仿真，当原信号为：混合矩阵为：可见，该算法对于各类信号都具有较好的效果。缺点与不足(1)Fast ICA算法的不确定性：仿真结果表明，该Fast ICA算法对非高斯信号的分离效果是十分理想的，程序分离的源信号与仿真生成的源信号基本一致，但多次运行程序会发现分离出的信号的顺序存在着不确定性，输出的分离信号常常与输入的源信号顺序不一致，且输出信号仅特征与输入信号一致，幅值并不相等，这是由于Fast ICA算法的不确定性导致的。由于传播矩阵W与源信号矩阵S均未知，在没有先验知识的情况下，无法同时确定两个相关参数。在进行S=WX的过程中，当W扩大n倍时，S只需同样扩大n倍，等式便依然成立，即Fast ICA输出的幅值具有不确定性；且当W中元素顺序打乱时，只要按照同样的顺序调整S的排序，依然会得到相等的X，即Fast ICA输出的顺序具有不确定性。(2)Fast ICA算法只适用于非高斯信号：由Fast ICA的有效性推倒可知，Fast ICA算法只适用于非高斯信号，面对高斯信号时该算法不起作用。(3)Fast ICA算法只适用于分离线性叠加的盲信号，而现实中的混叠信号往往并不是线性叠加形成的混叠信号，在存在时延的混叠信号中，接收信号实际为传波矩阵与源信号的卷积，这时使用Fast ICA算法将无法较好的分离源信号，面对这类问题时，还有待进一步研究其他的解决方法。数学原理基础原理