论文部分内容阅读
盲信号处理(Blind Signal Processing,BSP)是20世纪最后十年中迅速发展起来的一个研究领域,它又可以分成若干个互相关联而目标有所区别的子领域,如盲信号分离(Blind Signal Separation,BSS)以及盲解卷(blind deconvolution)、多道盲解卷(Multichannel BlindDeconvolution,MBD)、盲均衡(blind equalization)等。事实上,盲信号处理己成为信号处理领域研究的热点问题,并在很多领域得到发展,尤其是在语音增强、医学成像、通信系统、遥感、地震勘测和数据挖掘等领域。盲信号分离是盲信号处理的一个重要的研究课题。在不知道源信号的特性,也不知道信号在传输通道中的混合过程,只是假设源信号是相互统计独立的情况下,从传感器阵列接收到的观测信号中分离出源信号的问题可以表述为盲信号分离。独立成分分析(Independent Component Analysis,ICA)是一种重要的盲信号分离的方法,它是从统计的角度使得分离出来的信号尽可能独立。本文首先简要说明了盲信号分离的研究背景和意义,介绍了盲信号分离的研究现状,分析了盲信号分离的理论基础和模型,给出了盲信号处理的分离准则。接着阐述了独立成分分析(ICA)方法的发展、应用和现状,详细地论述了ICA的原理及实现过程,重点介绍了FastICA算法和CuBICA算法,分别推导了FastICA单个分量逐一分离和多个分量同时分离的算法。针对现有算法不足,结合基于累积量张量的算法,提出了改进算法,使得算法有更好的鲁棒性。在算法的性能分析中,提出了基于向量或信号相似性的度量方法,处理分离出的分量排列顺序不确定性(模糊性)的问题,并用MATLAB对算法进行仿真实验对结果做了分析。最后给出了盲信号分离和ICA方法在盲均衡中的应用。