论文部分内容阅读
在信源和通道先验知识很少的情况下,仅由观测信号推断源信号和通道的特性,称为盲源分离(Blind Source Separation,BSS)。独立分量分析(Independent ComponentAnalysis,ICA)是和盲源分离密切相关的,是信号处理发展的一个热点。ICA的目的是:从多通道测量所得到的由若干独立源信号线性组合形成的观测信号中,将这些独立成分分离出来。ICA的核心问题是分离(或解混合)矩阵的学习算法,它属于无监督的学习,其基本的思想是抽取统计独立的特征作为输入的表示,而又不丢失信息。当混合模型为非线性时,一般是无法从混合数据中恢复源信号的,除非对信号和混合的模型有进一步的先验知识可利用。因此,在大多数的研究中,只讨论线性混合模型。
ICA方法已经成功地应用在语音信号处理、通信、人脸识别、神经计算和医学信号处理等众多领域,由于它在这些领域具有广泛的应用前景,有关ICA的理论和算法研究得到了较快的发展。现阶段已有多种较为成熟的ICA算法被提出,如JADE算法,FOBI算法,极大似然估计算法,Infomax算法,FastICA算法,非线性PCA算法等等。由于它在这些领域具有广泛的应用前景,有关ICA的理论和算法研究得到了较快的发展。
大部分独立成分分析模型大都是由独立随机变量的混合构成的,并且通常是线性形式。然而在许多实际应用中,观测信号往往是由时间信号或者时间序列,而不是随机变量混合而成的。这就与样本没有特定顺序的基本ICA模型有所不同:在基本ICA模型中我们可以随机交换独立成分的顺序,而不改变模型的有效性,也不会影响讨论过的估计方法。如果独立成分是时间信号,情况就不同了。本论文利用ICA和高阶统计量研究了由若干个独立的具有时间结构的信号叠加形成的独立成分分析的模型和算法。整个论文的结构安排如下:
首先扼要地介绍了信号盲分离的概况,介绍了ICA的发展和现状,指出当源信号具有时间结构的ICA,并阐述了本文的主要工作。
其次介绍了独立成分分析问题的理论基础和基本假设条件;分析了ICA的基本模型及ICA问题的可行性和模糊性,可实现性及等变性等性质;对独立成分分析中用到的数学知识进行了简单总结。概率论方面主要介绍了概率密度函数、边际概率密度及联合概率密度的概念;统计学方面介绍了ICA的统计独立性、矩和累积量方便的知识,重点对四阶累积量峭度的概念和性质进行了总结;熵和负熵及互信息量;在进行盲分离之前往往需要对混合信号进行预处理:主要包括信号的零均值化和白化;介绍了ICA的算法评价指标传音误差;最后对常用的几种ICA算法进行了简要介绍:基于极大似然估计的ICA、基于信息极大化的ICA以及基于张量的ICA。
然后讨论利用信号的二阶统计量及源信号的时间结构进行盲分离。与常用的ICA算法相比,使用二阶统计量只需要较少的数据,同时对源信号多包含的高斯分布的个数也没有限制。当信号具有时间结构且空间独立时,通过对角化独立成分的自协方差矩阵(不同时延下的协方差矩阵)对混合信号进行盲分离。首先构造白化信号的时延协方差矩阵,然后通过选取不同的时延,将协方差矩阵的对角化程度表示成代价函数,利用梯度下降法得到分离矩阵。但是这种算法需要源信号的一些额外信息,即源信号要有不同的功率谱密度函数,然而在实际应用中,这个条件往往可以满足。最后通过该方法和基于极大似然估计的FastICA算法的对比试验,说明了此算法的有效性。传统的ICA算法只需要假设源信号符合独立性原则,然而在实际应用中,许多信号都是以时间序列的形式给出的。本章针对这一情况,在联合对角化方法的基础上,提出了新的ICA算法-STICA算法。本算法可以用于分离空间独立的时间序列、空间独立随机变量,同样适用于两者并存的情况。由于高阶统计量的应用,即使在低信噪比的情况下,本算法对加性高斯白噪声仍具有鲁棒性。本算法还可以用于提取群组中的非对称分布源信号。仿真试验给出的信号分别服从Laplace分布、高斯分布和非对称分布,实验结果验证了此算法的适用性。
最后对全文的工作及创新点进行了总结,并提出了进一步的研究方向。