盲信號分離算法比較與研究.pdf

1、為了研究對象的行為，人們需要用傳感器對對象的行為進行采樣，但不幸的是很多情況下很難保證傳感器接收到的信號是僅僅是感興趣的信號，通常情況下傳感器接收到的信號會被各種各樣的噪聲信號污染。換而言之，采集到的是多個源信號的混合。而且在絕大多數(shù)情況下被采樣信號的先驗知識不能得知，而且信號與傳感器之間的傳遞通道信息也難以測量，這種信號稱為“盲信號”。從這些混合信號中將原始信號分離出來的過程稱為盲信號分離(Blind Source Separatio

2、n, BSS, BSE)。盲信號分離的應(yīng)用相當(dāng)廣泛，如生物醫(yī)學(xué)信號分析與處理，地理數(shù)據(jù)處理，數(shù)據(jù)挖掘，語音信號增強，圖像識別，無線通訊等領(lǐng)域。 本文在目前研究最深入，成果最豐富的線性混合模型的基礎(chǔ)上集中討論了一些最典型的BSS的方法，并在此基礎(chǔ)上給出了一種基于信號的二階統(tǒng)計特征的BSS方法。本文按照學(xué)習(xí)法則利用的信號的統(tǒng)計量從低到高的順序依次歸納了： 主分量分析(Principle Component Analysis)

3、是一種廣為人知的信號分析方法，它雖然并不屬于盲信號分離的內(nèi)容，但是它在很多盲信號分離的方法中，特別在信號預(yù)處理階段發(fā)揮著重要作用。 通過挖掘信號的二階統(tǒng)計特征，同樣能夠求解盲信號分離的問題，這種方法可以看作是對主分量分析方法的擴展。它與主分量分析不同之處在于，后者只需要將傳感器輸出的信號進行對角化，而前者需要將這些信號進行不同的延時后進行對角化，即所謂的聯(lián)合度角化。 挖掘信號的高階統(tǒng)計特征，也是求解盲信號分離的問題的一種

4、主要手段。這里的高階統(tǒng)計特征主要指高階累計量，如四階的峰值(kurtosis)或者獨立性。高階的統(tǒng)計特征由于對噪聲信號不敏感，因而具有更好的健壯性。 獨立組件分析和最大似然法是利用源信號的獨立性的典型方法，文中接下來討論了這兩種方法，并討論了這兩種方法之間的聯(lián)系。 論文的主要創(chuàng)新工作在于：提出了一種基于信號的二階統(tǒng)計量的自適應(yīng)的盲信號分離算法，該算法的基本思想來自于經(jīng)典的AMUSE (Algorithm for Mult