自适应盲信号分离理论与算法研究.pdf

自适应盲信号分离理论与算法研究 摘 要 在对研究对象的信息进行采样的过程中，很多情况下被采样信号的先验知识不能得知， 而且信号与传感器之间的传递通道信息也难以测量，这种信号称为“盲信号”。在具有多个 盲信号源的复杂环境中，由于测量噪声以及其他信号源的干扰，传感器接收到的信号往往是 多个信号源的混合信号，从这些混合信号中将原始信号分离出来的过程称为盲信号分离 （Blind Source Separation, BSS ，简称盲分离）。盲分离技术的应用范围涉及到语音信号处理、 生物医学信号处理、图形/ 图像辨识、通信、系统检测等多个信号处理领域。本文应用信息 理论和优化学习等知识，研究了多种情况下的盲混合信号的自适应分离算法，并将得到的理 论结果应用到现实及模拟信号处理中，进行仿真试验验证。 根据信号间不同的混合方式（如瞬态线性混合、卷积混合或非线性混合等）、信号本身 的不同属性（如平稳信号或非平稳信号、窄带信号或宽带信号等）、以及对信号不同的处理 方式（如时域、频域或时频域处理）等，盲信号分离研究可以在多方面展开。另外，还可根 据系统的性能要求设计相应的分离算法，如离线批处理算法、在线或自适应分离算法等。 论文首先介绍了盲信号分离问题的起源和发展情况，讨论了盲分离的一种重要方法—— 独立分量分析（ICA ）方法及其分离准则（最大似然估计、信息最大化准则以及互信息最小 化准则等）。描述了常用的两步盲信号分离算法，并对盲分离应遵循的假设条件及其存在的 两类不确定性进行了说明。 研究瞬态线性混合信号的自适应盲分离算法。给出了基于传统梯度、相对梯度和自然梯 度的自适应学习算法，阐述了基于高阶统计量信息和基于二阶统计量信息的自适应盲分离问 题，提出一种基于代价函数的两步自适应盲分离算法。 自然界的许多信号（如语音信号等）表现出非平稳特征。讨论了基于神经网络结构的自 适应盲分离算法，利用非平稳信号的时间相关属性和自然梯度学习方式提出了一种自适应盲 分离算法。 现实环境中信号的传输延迟及回波反射等影响往往不能忽略不计，盲信号在许多情况下 表现为卷积混合模式。利用 FIR 模型构建盲信号的卷积及解卷滤波器矩阵，讨论了时域盲解 卷、频域盲解卷和盲均衡问题，提出一种基于 FIR 模型的时域自适应盲解卷算法。 I 最后研究了基于时频分布的盲信号分离算法。讨论了双线性时频分布的盲分离问题，重 点研究了基于模糊函数的盲分离算法，根据模糊函数的对称分布特征提出了一种自适应盲分 离算法。 论文针对不同的问题和算法进行了大量的仿真研究。仿真对象有语音信号、图像信号、 微机产生的正态分布/均匀分布信号、非平稳信号等。对本文提出的算法进行了性能分析， 研究结果表明了算法的有效性。 论文的主要创新工作有： 1． 基于代价函数的极值点特性提出了两步自适应盲分离算法，克服了常用两步盲分离 算法计算量大、只能用于离线计算的缺点；对于只要求输出去相关的情况，本算法 提供了一种新的自适应白化方法。 2．基于自然梯度学习方式研究非平稳信号的盲分离，分别推导出信号在瞬态线性混合 以及卷积混合情况下的自适应分离算法，验证了算法在处理语音等非平稳信号方面 的优越性。 3．利用模糊函数的分布特征提出了一种基于时频分布的自适应盲分离算法，与普通的 时频域盲分离算法相比计算简单，应用更为方便。另外，算法采用非正交联合对角 化方法求取分离矩阵，可以实现高斯信号源或相关信号源的盲分离，从而扩展了盲 信号分离的基本假设条件。 关键词：盲信号分离，独立分量分析，非平稳信号，时频分布，卷积运算，自然梯度，目标 函数，盲解卷与盲均衡 II Theories Algorithms Study of Adaptive Blind Source Separation Abstract While in the process of sampling,