盲信号总结_原创文档.pdfVIP

盲分离研究背景与数学模型

简介：盲信号分离是当前信号处理领域最热门的技术之一。由于其重要的理论价值和广泛的应用前景,盲信号分离在近20年引

起了广泛的重视和研究。盲信号分离起源于鸡尾酒会议问题,即在很多人同时说话的情况下(通常包含噪声),怎样从多个声音采集

设备(如麦克风)采集到的声音信号中分离出所需要的各个说话者的声音?在这个过程中,各个信号源未知,信号混叠参数即传输信道

的先验知识也未知,因此我们称这个过程是“盲”的。目前,以盲信号分离为核心的盲信号处理技术已经成为重要的研究课题,并在

许多领域,特别是在语音信号分离与识别、生物信号(如脑电图、心电图)处理、雷达、声纳、遥感、通信系统、噪声控制等领域,

吸引了大量的研究和重视。

盲信号分离：

是指在不知道源信号和传输信道特性的情况下,从一个传感器阵列的输出信号(也叫观测信号,混叠信号)中分离或估

计出源信号的波形。目标是如何最大化分离信号的独立性。

观测数据：是一组传感器的输出,其中每个传感器接收到的是源信号的不同混合。

源信号混合方式：有线性和非线性两种方式。当混叠模型为非线性时,一般很难从混叠数据中恢复源信号,除非对信号和混叠模

型有进一步的先验知识。

线性模型有三种：（1)线性瞬时混叠(2)延迟无回声混叠(3)回声混叠

1，线性瞬时混叠模型：目前主要采用的工具是稀疏成分分析。

2，延迟无回声混叠模型：即每个传感器仅接收到每个源一次。由于传输距离的远近及传输介质的影响，源信号到达每个传感

器的时刻可能并不是同时的。

3，回声混叠：各个传感器不仅直接接收到每个源信号,而且还接收到每个源信号的回声信号。

根据混叠方式对盲信号分离进行分类：如果根据传感器个数M和源信号个数N来分类,则

把MN称为超定模型,

M=N为适定模型,

MN称为欠定模型。

欠定模型比适定模型和超定模型更难求解。对适定或者超定模型,只要能够估计出混叠矩阵,就能恢复源信号。

按照未知信号源的混合形式，可以将盲处理分为线性混合和非线性混合两种类型，其中线性混合包括瞬

时混合和卷积混合。

按照传输信道中是否包含噪声，可以分为含噪声盲处理和无噪声盲处理两种类型。其中，

噪声为有色噪声或白色高斯噪声等。

此外，考虑混合通道为单路和多路，可以分为单通道和多通道两种类型。BSP解决的问题包括两个方面：

盲辨识，得到未知混合信道的混合矩阵。盲源分离，得到未知多路源信号的波形估计。其中，独立分量分析

（ICA）是代表分离算法各个分量互不相关的一种特例。当分量不是并行得到而是逐个提取时称为盲提取。

BSP目前主要包含了以下几个研究方向：盲信号分离和盲信号抽取、盲辨识和盲均衡、盲多用户检测等等

盲分离一般步骤：建立数学模型设定合适的分离准则推导一种学习算法来求解分离矩阵W

根据分离矩阵W来估计源信号

步骤一：为盲分离设计一个合适的数学模型；

步骤二：设定一种分离准则,将分离准则用目标函数表示出来。根据输出向量间统计独立性的度量推导一个以分离矩阵w为

变元的目标函数L（w）,如果某个w’才能使目标函数L（w）达到极大或极小值,此时的各项参数为最优参数,此时的w’访即为所需

的分离矩阵。依据设定的分离准则,即目标函数L（w）的不同将推导出不同的学习算法。

步骤三:

用一种有效地优化算法来求解w’。算法=目标函数+优化算法,可以采用任意的经典的最优化算法来优化目标函数。目

标函数的选取决定了算法的统计特性,如一致性和稳健性等，最优化算法的选择决定了算法的特性,如收敛速度、存储器要求等。

步骤四:

根据步骤三所求取的分离矩阵W来进行源信号的估计,即混和信号的盲分离。将所接收到的观测信号经过预处理后,通

过分离矩阵W,所得到的结果就是对源信号的有效估计,也就是达到了分离效果。

数据的预处理：一般观测信号在进行算法的分离前都要进行数据的预处理。

原因：盲分离的一般性假设要求，信号的独立性。一般接收到的观测信号都具有一定的相关性，因此在进行信号的盲分离前，通常

都要对观测数据进行预处理,如白化预处理。

目的：预处理后的信号去除了它们的相关性。这样不仅简化了后续的分离提取过程，并且通常情况下对数据进行