论文部分内容阅读
盲信号处理中的盲源分离(Blind source separation,BSS)是近几十年来发展起来的一门新的研究领域,它的研究目的是即使源信号以及它的混合方式都不知道的前提下,仅仅由源信号的一些统计特性,然后根据所观测到的混合信号来恢复出我们想要得到的源信号。BSS问题在用户通信、语音信号处理、阵列信号处理、生物医学工程和地震预测等多个方面都有非常重要的应用价值。BSS是根据收集到的观测信号,通过学习来分离出我们想获得的源信号。BSS技术开始是来自“鸡尾酒会效应”的探索,即使处于混乱的语音条件下,人耳可以比较精确的提取人们所希望得到的声音信号,但是现在的仪器基本上不能实现这一功能,所以需要利用BSS方法,从由接收器所接收到的混合信号中分离出我们感兴趣的信号。独立分量分析(ICA)是根据BSS方法中源信号之间是相互独立的条件下得到的,是BSS方法中的一种特殊算法。ICA方法可以分为信息论的迭代估计算法还有统计学的代数算法,从理论上看,这两种方法用到源信号的非高斯性和独立性。在对信息论的研究方面,多国研究人员从最大似然函数、最小互信息准则、最大熵等方面给出了许多估计方法。比如最大似然估计,FastICA,Infomax等。对于统计学的算法一般有二阶以及四阶累积量算法。FastICA方法是利用了最大化信号的非高斯性,利用固定点算法寻求非高斯性的最大值,该算法所用到的牛顿方法是批处理计算值的多个采样数据,每步迭代计算从混合信号中间分离出一个独立的成分,属于ICA算法中的一种快速计算方法。本文阐述了盲信号处理的基本原理和方法,对BSS方法中的独立分量分析(ICA)方法进行了重点介绍,并对ICA方法中的快速独立分量分析方法(FastICA)进行了深入的分析,针对FastICA方法中存在对初始值敏感和计算复杂等问题,对基于负熵的FastICA方法进行了改进,将原算法中的牛顿迭代法用弦截法与最速下降法的结合算法来代替,提出了改进基于负熵的FastICA方法,针对基于峭度的FastICA常用方法中存在的对优化步长选择敏感,使得分离稳定性差的问题,引进了共轭梯度算法,提出了改进基于峭度的FastICA方法,从而使得分离误差更小,分离效果更好,通过Matlab仿真实验证明了改进算法的有效性。将两种改进算法应用在实际混合的语音信号盲分离中,通过实验也证明了两种算法的可行性和优越性。