盲信号分离(BSS)是在不知道传输信道特性的情况下从多个检测信号中分离识别出多个源信号的实际问题中被提出的。独立分量分析(ICA)算法作为盲信号分离的传统算法,有着广泛的应用。本文的主要工作就是围绕 ICA 算法展开的。首先本文系统讲述了盲信号处理(BSP)近年来的研究与发展,总结了 BSS 的一些算法。 在盲信号分离中,常用的方法假设源信号的密度函数已知或由某一类带参数的函数来逼近,一旦假设的密度函数和真实的密度函数不一致或源信号不是同一分布,所用的方法就不能正确地分离出源信号。针对 ICA 算法中源信号概率密度函数(pdf)难以确定的情况,提出了用高斯混合模型(GMM)来逼近任意分布的源信号的密度函数,并用期望最大化(EM)算法估计了高斯混合模型的参数。 在 ICA 算法中,迭代公式中步幅的选择是至关重要的。步幅太小时收敛太慢,步幅太大则会造成失调,而对于在线自适应情况则更难作出选择,针对 ICA 算法中步幅难以确定的情况,提出了基于自调整因子α 模糊控制器的步幅自适应,并设计了自调整因子α 模糊控制器。 计算机仿真结果表明,基于高斯混合模型和自调整因子a模糊控制器的步幅自适应的 ICA 算法,不仅能够有效的分离出任意源信号,同时与传统的 ICA 算法相比,有着更快的收敛速度。