确定信号的盲分离信息处理课群综合训练与设计89092740
基于模拟退火粒子群的实时语音信号盲分离
基于模拟退火粒子群的实时语音信号盲分离
罗涛华;张聪
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)023
【摘要】针对现有的盲分离算法大多存在收敛速度慢、优化精度低的问题,提出了一种新的基于模拟退火粒子群的盲分离算法.该算法以分离信号的负熵为目标函数,根据分离信号的状态、粒子的惯性权值随退火温度及适应度的变化自适应地调节,既基本保持了粒子群算法简单容易实现的特点,又改善了其摆脱局部极值点的能力,提高了算法的收敛速度、分离精度和稳定性能.仿真对比结果表明,新算法性能明显优于自然梯度卷积混合盲分离算法和小渡变换快速独立分量分析算法,很好地实现了实时语音信号的分离且提高了分离性能.
【总页数】4页(P5067-5070)
【作者】罗涛华;张聪
【作者单位】武汉工业学院计算机与信息工程系,湖北,武汉,430023;武汉工业学院计算机与信息工程系,湖北,武汉,430023
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于Givens-Hyperbolic双旋转的多路语音信号卷积盲分离 [J], 张华;左健存;戴虹;桂林
2.基于单声矢量传感器的语音信号时频掩蔽盲分离改进算法 [J], 陈晓屹;王英民
3.基于最小二乘方的语音信号实时盲分离 [J], 张辉;杜利民
4.基于记忆模拟退火与粒子群的多点小孔泄漏信号盲分离方法 [J], 郝永梅;覃妮;邢志祥;岳云飞;严欣明;钟成
5.基于记忆模拟退火与粒子群的多点小孔泄漏信号盲分离方法 [J], 郝永梅;覃妮;邢志祥;岳云飞;严欣明;钟成;
因版权原因，仅展示原文概要，查看原文内容请购买。
盲信号分离入门.doc
图1 应用解混合算法将把混合图像分离，如图 3，图 4：
图2
图3 原来的图像是，图 5，图 6：
图4
图5 图6 图像的解混合是把混合后的图像进行分离，如以上的图所表示的那样 为了把一维信号处理应用到图像处理方面，现在假设该一维信号是声音信号，分析图像和声音 的数据的组织的区别 声音是一个波，是声音的振幅随时间改变而改变的函数 表示成声音（时间，振幅）=（T,F） 图像中数据包括位置信息和灰度信息（只考虑灰度图像） ，为了做出对应，
其中 z(t)=W*x(t) W 是“球化矩阵” ，作用是让 E{z(t)*z(t)’}=I 下边是求 W 的求法，假设 x 的尺寸是 n*T，
t=1,2,……,T x=[x(1),x(2),……,x(T)] x(t)*x(t)’是对阵矩阵， t=1,2,……T， x(t)*x(t)’可以被对角化[2]， x(t)*x(t)’=UDU’,U 则 设 是酉矩阵[3]，U*U’=I,则 W=1/sqrt(D)*U’ 验证如下： z(t)*z(t)’=W*x(t)*(W*x(t)’)’ =W*x(t)*x(t)’*W’ =W*U*D*U’*W’ 当 U 是酉矩阵，把 W=1/sqrt(D)*U’带入 W*U*D*U’*W’ 得到 z(t)*z(t)’=I，注意的是，E{z(t)*z(t)’}=I，是统计特征，同一个 U 是不能让每个时刻都 对角化，所以要对 x(t)取平均，在实践中，一般对角化 x*x’/T。 z(t)=W*x(t) =W*A*s(t) 令 W*A=G，则 z(t)=G*s(t) Rzz(k)=E{z(t)*z(t+k)} =E{G*s(t)*(G*s(t+k))’} =E{G*s(t)*s(t+k)’*G’} =G*E{s(t)*s(t+k)}*G’ =G*Rss(k)*G’ 如果 s 的各个分量互相独立，均值为 0，并且 s 是随机过程，那么由随机过程的讨论得到 Rss(k)是 对角阵。 从而得到这样的结论，球化矩阵 z 的自相关矩阵 Rzz(k),k=0,1,2,……,k 令 Rzz(k)取值有意义，可 以被同一个矩阵 G 对角化。基于这个原因，提出 AMUSE[4]方法，具体如下： 注意，下边的过程为了解释的方便忽略了噪声的影响，如果考虑噪声要修改下边的算法的步骤 3： 。 1：求观察值 x 自相关矩阵 ，观察时间从 1 到 T， Rxx(0)=x(t)*x(t)/T。 2：对 Rxx(0)作主分量分解： Rxx(0)=U*D*U’,其中 D 是 Rxx(0)矩阵的特征值组成的对角阵 假 设 y(1),y(2),……,y(N) 是 Rxx(0) 的 特 征 值 ， u(1),u(2),……,u(N) 分 别 是 y(i),I=1,2,……,N.对应的特征向量。 U=[u(1),u(2),……,u(N)] 3：球化阵 W=1/sqrt(D)*U’， 球化输出 z(t)=W*x(t). 4：球 z(t)的自相关矩阵 Rzz(k)=E{z(t)*z(t+k)’}，然后为了更好地进行数据处理， Rzz(k)=(Rzz(k)+Rzz(k)’)/2 对 Rzz(k)做主分量分解 Rzz(k)=Uz*Dz*Uz’ Uz,Dz 解释同步骤 2： 有人建议 k 的选取是让 Dz 中没有重复元素 由前边的讨论[5]，Uz=W*A 从而得到 A=inv(W)*Uz 5： 因为 W*A*s(t)=z(t)=W* inv(W)*Uz*s(t)=z(t)=Uz*s(t) 所以 s(t)=Uz’*z(t).
信息处理课群课程 陈强
课程设计任务书学生姓名：专业班级：指导教师：工作单位：信息工程学院题目: 频分复用初始条件：具备数字信号处理，通信原理，Matlab等学科的知识。
要求完成的主要任务:用Matlab采集两路以上的信号（如语音信号），选择合适的高频载波进行调制，得到复用信号。
然后设计合适的带通滤波器、低通滤波器，从复用信号中恢复出所采集的语音信号。
设计中各个信号均需进行时域和频域的分析。
(1)用Matlab做出采样之后信号的时域和频域波形图(2)选择合适的高频载波，得到复用信号，并做出其频谱图(3)设计合适的带通滤波器，并画出带通滤波器的频率响应图(4)对滤波后的信号进行解调，画出解调后各路信号的频谱图(5)设计合适的低通滤波器，画出低通滤波器的频率响应，做出恢复后信号的时域和频域波形图。
时间安排：第19周周一、周二共2天，查找资料，了解相关专业知识第19周周三、周四共2天，根据已有专业知识，设计流程图第19周周五、周六、周日共3天，根据流程图设计，进行代码编写第20周周一、周二、周三共3天，进行系统仿真及调试第20周周四进行最后的整理工作，撰写课程设计报告第20周周五（2014年7月4日）完成课设答辩（答辩，提交报告，演示）指导教师签名：年月日系主任（或责任教师）签名：年月日摘要本文介绍了基于MATLAB仿真的频分复用系统设计。
系统利用MATLAB 函数采集三路语音信号，分别以4000Hz、11000Hz、18000Hz高频载波进行DSB 调制，经加法器将三路信号相加得到复用信号。
在接收端以椭圆滤波器进行带通和低通滤波，从复用信号中恢复出所采集的语音信号。
以MATLAB自带的信号处理函数对各个信号进行时域和频域仿真。
仿真结果表明各项波形显示正确，录音的声音在经过调制和解调后的信号与原来相比较为接近，达到预期效果。
关键词：MATLAB、DSB、椭圆滤波器、频分复用武汉理工大学《信息处理课群综合训练与设计》报告书AbstractThis article describes the frequency division multiplexing system design based on MATLAB simulation. MATLAB functions were used to collected three way of speech signal. 4000Hz, 11000Hz and 18000Hz high-frequency carrier were brought in respectively to conduct DSB modulation. And the three-way signal multiplexed signal was obtained by adding an Adder. At the receiving end, elliptical band pass filter and low-pass filter were used to restore the voice signal from the acquired multiplexed signal. Signal processing functions of MATLAB were employed in time domain and frequency domain simulation. Simulation results show the waveform display correctly, sound recordings through modulating and demodulated signal compared with the original closer, and achieved the desired effect.Keywords：MATLAB 、DSB、Elliptic filter、FDMII目录摘要 (I)Abstract (II)1 设计任务及要求 (1)1.1 设计任务 (1)1.2 设计要求 (1)2 系统原理及方案设计 (2)2.1 FDM系统模型 (2)2.2 语音信号采样 (3)2.3调制与解调 (4)2.4滤波器设计 (6)2.5 信道噪声 (8)3 Matlab仿真 (10)3.1 语音信号的时域和频域仿真 (10)3.2 复用信号的频谱仿真 (11)3.3 加入噪声的复用信号频谱仿真 (11)3.4 带通滤波器仿真 (12)3.5 解调信号的频谱仿真 (12)3.6 低通滤波器仿真 (13)3.7恢复信号的时域与频域仿真 (13)4 心得体会 (17)参考文献 (18)附录 (19)1 设计任务及要求1.1 设计任务根据频分复用的通信原理，运用Matlab软件采集两路以上的语音信号，选择合适的高频载波进行调制，得到复用信号。
确定信号的盲分离信息处理课群综合训练与设计
确定信号的盲分离信息处理课群综合训练与设计课程设计任务书学生姓名：专业班级：指导教师：工作单位：题目: 确定信号的盲分离初始条件：Matlab软件平台要求完成的主要任务:根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。
选取合适的盲信号分离算法（如独立成分分析ICA 等）进行训练学习，求出分离矩阵和分离后的信号。
设计要求：（1）用matlab做出采样之后信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。
（4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排：查阅资料2天仿真设计2天撰写报告1天指导教师签名: 年月日系主任签名: 年月日目录摘要 (I)ABSTRACT ................................................................................................................................................. I I 1确知信号 .. (1)1.1确知信号的概念 (1)1.2确知信号的类型 (1)1.3常见的确知信号 (2)2盲分离原理 (3)2.1盲信号处理的基本概念 (3)2.2盲信号分离的分类 (3)2.3盲分离的目标准则 (4)2.4盲信号处理技术的研究应用 (5)3 独立分量分析（ICA）基础 (6)3.1ICA理论的概念和模型 (6)3.2ICA数据分析问题中的约束条件 (8)3.3ICA算法的分类与基本原理 (9)3.4F AST ICA算法 (11)4 MATLAB简介 (13)5 确定信号盲分离仿真与分析 (15)5.1原始信号的产生 (15)5.2原始信号的频谱 (16)5.3信号的混合 (17)5.4ICA算法实现 (19)6 小结体会 (25)参考文献 (26)附录1 程序 (27)摘要盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。
盲信号分离基础知识(推荐文档)
专业课程设计学习材料源信号分离Source Signal Separation第一部分 简单介绍一、 目标我们的目标就是学习源信号分离理论的基础知识和源信号分离时涉及的相关学科知识，最终从观测信号中将源信号分离开来。
注意：此时信号源和混合形式可能是未知的。
-1.5-1.0-0.50.00.51.01.5-1.5-1.0-0.50.00.51.01.500.050.10.150.20.250.30.350.40.45图1 源信号波形-2.0-1.5-1.0-0.50.00.51.01.52.000.050.10.150.20.250.30.350.40.45-2.0-1.00.01.02.000.050.10.150.20.250.30.350.40.45图2 混合信号波形-2.0-1.5-1.0-0.50.00.51.01.52.0-2.0-1.5-1.0-0.50.00.51.01.52.0图3 分离信号波形二、分离方法1、FFT 法；条件：不同源信号占有不同的频带2、自适应滤波方法；条件：已经信号的某些特征3、盲信号分离方法；条件：遵从某些统计假设条件三、盲分离的基本模型盲信号分离的基本模型如图（1）所示。
)(1t )(2t y )(t y m图1 盲信号分离的基本模型其中：)(1t s ，)(2t s ，……，)(t s n 为n 个源信号；)(1t x ，)(2t x ，……，)(t x m 为m 个观测信号；)(1t y ，)(2t y ，……，)(t y n 为待求解的n 个分离信号；)(1t n ，)(2t n ，……，)(t n m 为m 个噪声信号，T t ,,2,1 =。
将其分别写成矩阵形式为：T 21)](,),(),([)(t s t s t s t n =s （1）T 21)](,),(),([)(t x t x t x t m =xT 21)](,),(),([)(t y t y t y t n =yT 21)](,),(),([)(t n t n t n t m =n向量)(t s 、)(t x 、)(t y 、)(t n 分别称作源信号、观测信号、分离信号、噪声信号。
“信号分析与处理”课程培养学生创新精神的教学改革与探索
“信号分析与处理”课程培养学生创新精神的教学改革与探索李慧，郭飞，王睿（北京航空航天大学仪器科学与光电工程学院，北京100191）一、“信号分析与处理”课程固有教学模式“信号分析与处理”是本科生必修课，是测控技术与仪器、信息工程（光电信息工程）以及探测制导与控制等专业，很重要的专业基础课。
学生学习掌握信号分析与处理的基础理论知识、原理、方法和技术，是为了适应当前信息技术迅速发展的需要，同时也是为了适应现代与未来航空航天测控技术领域对综合性、创新型技术人才的基础知识、素质和能力全面发展的需要。
“信号分析与处理”课程内容包含：信号的基本概念和运算，模拟信号的傅里叶分析；离散信号的傅立叶变换、Z变换、快速傅立叶变换；连续时间线性非移变系统的信号分析方法；滤波器的分类、性能指标、设计方法及实现。
作为一门重要的基础课，在教学中旨在使学生掌握信号处理的理论分析问题和解决问题的能力。
可见，“信号分析与处理”课程教学对于学生今后开展与信号处理相关的技术研究和工程应用具有重要的意义。
然而，“信号分析与处理”理论知识较多，并且大多数概念抽象，晦涩难懂，重点难点不突出，感觉都是重点难点；另外数学公式多，推导复杂，理解掌握难度都大，要求学生的数学基础好，因此学生大都感觉概念比较抽象、实际运用时不知从何入手，学习没有明确的目标。
目前教学方法中公式推导的理论分析与例题展示，虽然可以使学生对所学知识有感性认识，有一定的理解，但缺乏学生动脑思考的环节，使得学生的印象不够深刻。
而且不利于学生形成科学研究需要的多方面综合知识体系，课程知识的收获大大降低。
另外，对于所学知识的应用也认识不明确、不深刻。
而且在平时教学中若只是灌输知识就会使得课堂教学变得乏味，难以激发学生的创新思维与科学研究的意识。
要让学生在有限的课堂教学时间内能够学有所成，能够将知识内化于心，在实际实验中具有操作能力，从而让他们具有解决具体问题以及在此基础上创新的能力，现有教学的模式还难以实现。
盲信号分离
盲信号分离作者：张贤达， 保铮作者单位：西安电子科技大学雷达信号处理重点实验室,陕西西安,710071刊名：电子学报英文刊名：ACTA ELECTRONICA SINICA年，卷(期)：2001,29(z1)被引用次数：155次1.Amari S A theory of adaptive pattern classifiers 19672.The fast-ICA MATLAB package3.Zhang Q;Leung Y W A class of learning algorithms for principal component analysis and minor component analysis[外文期刊] 20004.Yang H H;Amari S;Cichocki A Information-theoretic approach to blind separation of sources in nonlinear mixture[外文期刊] 1998(3)5.Murata N;Muller K R;Ziehe A;Amari S Adaptive on-line learning in changing environments 19976.Makeig S;Bell A;Jung T P Independence component analysis in electro-encephalographic data 19967.Basak J;Amari S Blind separation of uniformly distributed signals:A general approach[外文期刊] 1999(5)8.Hyvarinen A Fast and robust fixed-point algorithms for independent component analysis[外文期刊] 1999(03)9.HERRMANN M;Yang H H Perspectives and limitations of self-organizing maps in blind separation of source signals 199610.Douglas S C;Cichocki A Adaptive step size techniques for decorrelation and blind source separation[外文会议] 199811.Amari S Natural gradient works efficiently in learning 199812.Cardoso J F;Laheld B Equivariant adaptive source separation[外文期刊] 199613.Cardoso J F Blind signal separation:Statistical principles[外文期刊] 1998(10)14.Cao X R;Liu R W A general approach to blind source separation 199615.Burel G Blind separation of .sources:A nonlinear neural algorithm[外文期刊] 199216.Bell A J;Sejnowski T J An information-maximization approach to blind separation and blind deconvolution 199517.张贤达;保铮通信信号处理 200018.Yang H H;Amari S Adaptive on-line learning algorithms for blind separation:Maximum entropy and minimum mutual information[外文期刊] 199719.Yang H H Series updating rule for blind separation derived from the method of scoring 199920.Yang B Projection approximation subspace tracking[外文期刊] 199521.Weingessel A;Homik K Local PCA algorithms[外文期刊] 200022.Veen A J;Talvar S;Paulraj A A subspace approach to btind spacetime signal processing for wireless communication systems[外文期刊] 1997(1)23.Torkkola K Blind separation for audio signalAre we there yet 199924.Tong L;Liu R W;Soon V C Indeterminacy and identifiability of blind identification 199125.Tan Y;Wang J;Zurada J M Nonlinear blind source separation using a radial basis function network [外文期刊] 200126.Taleb A;Jutten C;Olympieff S Source separation in post nonlinear mixtures:An entropy-based algorithm 199827.Papadias C B;Paulraj A A constant modulus algorithm for multi-user signal separation in presence of delay spread using antenna arrays[外文期刊] 1997(6)28.Pajunen P;Hyvarinen A;Karhunen J Nonlinear blind source separationby self-organizing maps 199629.Oja E The nonlinear PCA learning rule in independent component analysis 199730.Oja E Principal components,minor components,and linear neural networks[外文期刊] 199231.Amari S;Cichocki A Adaptive blind signal processing:Neural network approaches[外文期刊] 1998(10)32.Lin J K;Grier D G;Cowan J D Source separation and density estimation by faithful equivariant SOM [外文会议] 199733.Li Y;Wang J;Zurada J M Blind extraction of singularly mixed souree signals 200034.Leen T W;Girolami M;Sejnowski T J Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and superGaussian sources 1999INIOTIS D G;Papaparaskeva A partitional adaptive approach to nonlinear channel equalization[外文期刊] 1998(10)36.Kundur D;Hatzmakos D A novel blind deconvolution scheme for image restoration using recursive filtering[外文期刊] 199837.Karhunen J;Pajunen P;Oja E The nonlinear PCA criterion in blind source separation:Relations with other approaches[外文期刊] 199838.Karhunen J;Oja E;Wang L;Eigario R,Joutsensalo J A class of neural networks for independent component analysis[外文期刊] 199739.Karhunen J;Pajunen P Blind source separation using least-squares type adaptive algorithms[外文会议] 199740.Karhunen J;Joutsensalo J Representation and separation of signals using nonlinear PCA type learning[外文期刊] 199441.Jutten C;Heranlt J Blind separation of sourcesPart I:An adaptive algorithm based on neuromimetic architecture[外文期刊] 199142.Hyvarinen A;Pajunen P Nonlinear independent component analysis:Existence and uniqueness results 199943.Delfosse N;Loubaton P Adaptive blind separation of independent sources:A deflation approach 199544.Deco G;Brauer W Nonlinear higher-order statistics decorrelation by volume-censerving neural architectures 199545.Cruces-Alvarez S;Cichocki A;Castedo-Ribas L An iterative inversion approach to blind sourceon P Independent component analysis,a new concept? 199447.Cichocki A;Amari S I;Adachi M;Kasprzak W Self-adaptive neural networks for blind separation of sources[外文会议] 199648.Cichocki A;Unbehanen R;Rummert E Robust learning algorithm for blind separation of signals[外文期刊] 1994(17)49.Cichocki A;Unbehauen R;Moszczynski R;Rummaert E A new on-line adaptive learning algorithm for blind separation of source signals 199450.Choi S;Cichocki A;Amari S I Flexible independent component analysis[外文期刊] 200051.Cardoso J F;Souloumiac A Jacobi angles for simultaneous diagonalization[外文期刊] 199652.Cardoso J F;Souloumiac A Blind beamfomrming for non-Gaussian signals[外文期刊] 1993(6)1.夏淑芳.张天骐.李雪松.高清山基于变步长的混合图像自适应盲分离算法[期刊论文]-数据采集与处理 2011(2)2.杨晓梅基于稀疏表征的欠定盲源分离的研究[期刊论文]-科技信息 2011(1)3.林航.汤俊杰.谢玉川.钟臣一种带噪卫星测控信号分离算法[期刊论文]-指挥信息系统与技术 2010(6)4.邬诚变学习速率在线ICA算法在雷达信号分选中的应用[期刊论文]-现代雷达 2010(1)5.高辉.吴筱敏.高忠权.孟祥文.李根.黄佐华盲源分离法在火花塞离子电流信号分离中的应用[期刊论文]-西安交通大学学报 2010(1)6.李佰.刘辉粒子群算法用于盲信号抽取的研究[期刊论文]-电子器件 2010(1)7.艾延廷.费成巍.张凤玲.刘秀芳.孙晓倩.张宬ICA在航空发动机振动信号盲源分离中的应用[期刊论文]-振动、测试与诊断 2010(6)8.程娇.王晓凯.李锋独立分量分析可调速率相对梯度算法[期刊论文]-信息与电子工程 2010(2)9.张少刚基于数据挖掘的信号分离技术研究[期刊论文]-自动化与仪器仪表 2010(4)10.刘辉.李佰粒子群算法用于盲信号分离的研究[期刊论文]-现代电子技术 2010(17)11.夏淑芳.张天骐.苗圃.李雪松两种图像盲分离算法性能的比较与仿真[期刊论文]-电视技术 2010(4)12.吴亮.陈宗海基于独立分量分析的运动目标检测[期刊论文]-中国科学技术大学学报 2010(8)13.崔志涛.蹇科一种改进的自适应步长盲源分离算法[期刊论文]-科技信息 2010(18)14.徐欢基于独立分量分析的瞬时混合语音信号盲分离算法研究[期刊论文]-科技情报开发与经济 2010(11)15.王纪伟.高宝成一种盲信号分离算法的改进研究[期刊论文]-计算机与现代化 2010(2)16.廖旭晖一种基于负熵的快速定点盲源分离方法及其试验验证[期刊论文]-常州工学院学报 2010(1)17.朱艳萍.宋耀良.徐茂格一种基于改进粒子滤波算法的盲信号分离[期刊论文]-火力与指挥控制 2010(9)18.胡津津基于独立分量分析的瞬时混合语音信号盲分离算法研究[期刊论文]-安徽电子信息职业技术学院学报2010(4)19.周文.侯进勇基于独立分量分析的混沌信号盲分离[期刊论文]-现代电子技术 2009(21)20.余华.吴文全盲源信号分离EASI算法研究与改进[期刊论文]-计算技术与自动化 2009(4)21.余华.吴文全.刘忠自适应步长EASI算法研究及改进[期刊论文]-舰船电子工程 2009(10)22.乐剑.陈蓓一种雷达信号全脉冲数据特征提取方法[期刊论文]-中国电子科学研究院学报 2009(3)23.彭耿.黄知涛.姜文利.周一宇单通道盲信号分离研究进展与展望[期刊论文]-中国电子科学研究院学报 2009(3)24.由科军.冶继民超定盲信号分离RLS算法研究[期刊论文]-电子科技 2009(9)25.柴晓冬.尧辉明.柴靓采用基于独立分量分析的盲信号分离方法分离出FSK信号中的干扰信号[期刊论文]-中国铁道科学 2009(4)26.周治宇.陈豪空间同频电子侦察信号的盲分离[期刊论文]-中国空间科学技术 2009(3)27.杜元军.高勇ADS与Matlab协同仿真下的盲源分离实现[期刊论文]-现代电子技术 2009(13)28.王凌燕.侯文基于最大信噪比的潜艇振动信号盲分离算法[期刊论文]-机械工程与自动化 2009(3)29.吴建宁.王珏用独立分量分析去除大鼠模型脑电信号中的心电干扰[期刊论文]-测试技术学报 2009(4)30.邓兵.陶然.尹德强分数阶傅里叶域的阵列信号盲分离方法[期刊论文]-兵工学报 2009(11)31.马建仓.石庆斌.程存虎.赵述元航空发动机转子振动信号的分离测试技术[期刊论文]-振动、测试与诊断2009(1)32.杨杰.张家树基于聚类分析的实时语音信源数估计方法[期刊论文]-数据采集与处理 2009(2)33.王凌燕.黄公亮.侯文基于独立分量分析的潜艇振动信号盲分离技术[期刊论文]-计量与测试技术 2009(3)34.田其冲.郑卫国.孙大雷独立分量分析及其应用[期刊论文]-电脑知识与技术 2009(18)35.杨志聪基于矩阵对角化的盲源分离算法研究[期刊论文]-电脑知识与技术 2009(12)36.田其冲.郑卫国.孙大雷基于FastICA的语音分离与图像分离[期刊论文]-电脑编程技巧与维护 2009(16)37.贾崟.武俊义基于多层非负矩阵分解的工频干扰消除[期刊论文]-电力科学与工程 2009(4)38.周治宇.陈豪基于盲信号分离的同频信号的串行分离技术[期刊论文]-信息与电子工程 2009(4)39.王昆盲源分离问题的分析研究[期刊论文]-科技信息 2008(29)40.余华.刘忠盲信号分离的自适应算法研究[期刊论文]-计算技术与自动化 2008(4)41.杨柳绿.高勇基于训练序列的峭度盲源分离算法[期刊论文]-信息与电子工程 2008(5)42.邱天爽.毕晓辉稀疏分量分析在欠定盲源分离问题中的研究进展及应用[期刊论文]-信号处理 2008(6)43.刘秀芳.艾延廷.张宬基于独立分量分析的航空发动机振动信号盲源分离[期刊论文]-沈阳航空工业学院学报2008(5)44.李雪松.张天骐.杨柳飞.代少升基于图像单调特性的盲源分离算法[期刊论文]-计算机应用研究 2008(12)45.袁幸.段志善转子-轴承系统故障非线性振动响应识别方法的研究[期刊论文]-机床与液压 2008(4)46.余华.刘忠盲信号分离的自适应算法研究及比较[期刊论文]-化学工程与装备 2008(9)47.张玲基于PAST盲信号分离方法的仿真结果分析[期刊论文]-微计算机信息 2008(13)48.龚勤.张晓林.杨晓冬试论独立分量分析在民航空管系统上的应用[期刊论文]-科技创新导报 2008(5)49.马晓红.孙长富基于盲源分离的小波域多重音频水印方法[期刊论文]-电子与信息学报 2008(10)50.梁端丹.韩政.郝家甲独立分量分析及其应用研究[期刊论文]-现代电子技术 2008(3)51.聂凌烨.李雷.陈嘉明基于网络分量分析的盲源分离方法[期刊论文]-计算机应用 2008(z1)52.柴晓冬.叶学义.庄镇泉基于虹膜生物特征信息的图像加密方法[期刊论文]-计算机应用 2008(z1)53.纪祥鲲.王胜兵.艾小川线性独立成分分析的统一算法[期刊论文]-计算机与数字工程 2008(8)54.张晋东.秦贵和.崔月基于FastICA和SVM的EEG信号分类系统[期刊论文]-计算机研究与发展 2008(z1)55.徐桂芳.高勇基于训练序列的盲分离算法性能分析[期刊论文]-舰船电子工程 2008(8)56.石庆斌.马建仓盲源分离在机械振动信号分析中的应用[期刊论文]-测控技术 2008(5)57.骆鹿.樊可清快速定点独立分量分析在盲源分离中的应用[期刊论文]-科技信息（科学·教研） 2008(2)59.刘建强.冯大政.周祎基于多信道信号增强的卷积混迭语音信号盲分离的后处理方法[期刊论文]-电子学报2007(12)60.刘洋.邱天爽.毕晓辉基于独立分量分析和遗传算法的诱发电位提取新方法[期刊论文]-中国生物医学工程学报2007(3)61.孙云莲.罗卫华.李洪基于EMD的ICA方法在电力载波通信信号提取中的应用[期刊论文]-中国电机工程学报2007(16)62.李洪.孙云莲独立分量分析在多参数控制信号分离中的应用[期刊论文]-现代电子技术 2007(2)63.刘新艳.毋丹芳.李维勤基于NPCA的盲源分离算法[期刊论文]-无线电通信技术 2007(2)64.袁幸.段志善机械耦合振动响应双谱解卷积识别方法[期刊论文]-煤矿机械 2007(12)65.周成鹏.柴晓冬一种新的复波恢复方法——FastICA[期刊论文]-计算机工程与应用 2007(27)66.王宏志.贺利良.宋春鹏基于高阶统计量的MIMO系统辨识与信号分离算法[期刊论文]-吉林大学学报（工学版）2007(6)67.赵振兵.苑津莎.高强.罗广孝盲源分离在电气设备温度在线监测中的应用[期刊论文]-高电压技术 2007(8)68.邓智恒.罗伟栋实际语音盲分离客观评价指标研究[期刊论文]-电声技术 2007(9)69.曾燕芳.阔永红高噪声环境下的麦克风阵列VAD算法研究[期刊论文]-噪声与振动控制 2007(2)70.吴军彪.陶国良.陈进基于时频独立分量分析的Wigner-Ville分布交叉项消除法[期刊论文]-浙江大学学报（工学版） 2007(2)71.邬诚.李宏伟.王国庆一种新的变学习速率自适应独立分量分析算法[期刊论文]-计算机工程与应用 2007(1)72.王咏平.高俊未知数量稀疏源盲分离的一种新方法[期刊论文]-海军工程大学学报 2007(1)73.Xiaodong Chai.Chengpeng Zhou.Zhaoyan Feng.Yinhua Wang.Yansheng Zuo Complex-wave retrieval based on blind signal separation[期刊论文]-中国光学快报（英文版） 2006(1)74.蒋淑敏.宋瑞.高洪涛.胡育筑非负矩阵因子分解算法解析手性药物重叠峰的HPLC-DAD数据[期刊论文]-中国药科大学学报 2006(5)75.柴晓冬.左言胜基于盲信号分离的复波恢复方法[期刊论文]-仪器仪表学报 2006(10)76.蒋淑敏.戴冬梅.胡育筑手性药物联用色谱重叠峰的定性定量解析方法[期刊论文]-计算机与应用化学 2006(12)77.蒋淑敏.戴冬梅.胡育筑手性药物联用色谱重叠峰的定性定量解析方法[期刊论文]-计算机与应用化学 2006(12)78.刘海林基于广义特征值的病态混叠盲源分离算法[期刊论文]-电子学报 2006(11)79.王乐.顾学迈.王永建基于小波分析的卫星测控信号盲识别算法[期刊论文]-南京理工大学学报（自然科学版）2006(6)80.张永祥.明廷涛.王洪磊基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用[期刊论文]-机械设计与制造 2006(6)81.冶继民.张贤达.金海红超定盲信号分离的半参数统计方法[期刊论文]-电波科学学报 2006(3)82.李婷.邱天爽基于带参考信号的ICA算法的脑电信号眨眼伪差的分离研究[期刊论文]-中国生物医学工程学报2006(3)83.孙洪.安黄彬一种基于盲源分离的雷达信号分选方法[期刊论文]-现代雷达 2006(3)84.冶继民.金海红.楼顺天.张贤达未知源信号数目投影自然梯度盲信号分离算法[期刊论文]-西安电子科技大学学报（自然科学版） 2006(2)85.魏广芬.唐祯安.陈正豪.余隽.王立鼎.闫桂珍气体传感器阵列信号的盲分离研究[期刊论文]-高等学校化学学报2006(1)86.吴景田实时语音盲信号分离及声源定位研究[学位论文]硕士 200687.马晓红传声器阵列语音增强中关键技术的研究[学位论文]博士 200688.冯丹凤基于盲源分离技术的多目标辨识与定向技术研究[学位论文]硕士 200689.陈楚楚非协作情况下直接扩频信号扩频码盲估计研究[学位论文]硕士 200690.张旭秀盲源分离及其在脑电信号处理中应用的研究[学位论文]博士 200691.张华非平稳宽带有色信号盲卷积分离算法的研究[学位论文]硕士 200692.武建盲源分离研究及其在脑电信号分析中的应用[学位论文]硕士 200693.刘瑾基于盲源分离的语音增强方法研究[学位论文]硕士 200694.张鹏基于信号处理的压电自感知执行器解耦研究[学位论文]硕士 200695.丁小燕基于盲源分离的数字音频水印技术研究[学位论文]硕士 200696.梁忠杰数字音频鲁棒水印技术的研究[学位论文]硕士 200697.黄灿辉独立分量分析在盲信号分离中的应用研究[学位论文]硕士 200698.王毅.牛奕龙.陈海洋独立分量分析的基本问题与研究进展[期刊论文]-计算机工程与应用 2005(27)99.冯兆艳.柴晓冬基于密钥图像的加密技术[期刊论文]-信息安全与通信保密 2005(10)100.李小军.楼顺天.张贤达基于估计概率密度函数的独立分量分析方法[期刊论文]-西安电子科技大学学报（自然科学版） 2005(4)101.李舜酩转子振动故障信号的盲分离[期刊论文]-航空动力学报 2005(5)102.张梅.金施群ICA不确定性问题在圆度误差分离中的解决措施[期刊论文]-工具技术 2005(10)103.李舜酩.杨涛盲源信号分离及其发展[期刊论文]-传感器技术 2005(4)104.季忠.金涛.杨炯明.秦树人虚拟噪声通道在基于ICA消噪过程中的应用[期刊论文]-中国机械工程 2005(4) 105.李舜酩机械振动信号盲源分离的时域方法[期刊论文]-应用力学学报 2005(4)106.李小军.楼顺天.张贤达一种针对复值信号的独立分量分析方法[期刊论文]-西安电子科技大学学报（自然科学版） 2005(3)107.刘伟群.阳春华.易叶青JADE盲信号分离算法失效问题研究[期刊论文]-计算技术与自动化 2005(3)108.李婷.邱天爽.牛杰独立分量分析在脑电信号处理中的应用及研究进展[期刊论文]-北京生物医学工程 2005(3) 109.申永军齿轮系统的非线性动力学与故障诊断研究[学位论文]博士 2005110.梅铁民盲源信号分离时域与频域算法研究[学位论文]博士 2005111.林秋华基于盲源分离的图像与语音加密新方法研究[学位论文]博士 2005112.沈希忠盲信号处理的二阶和高阶分离算法研究[学位论文]博士 2005113.孔薇盲分离算法的研究及其在声信号处理中的应用[学位论文]博士 2005114.钟振茂基于盲源分离的声学故障特征提取方法研究[学位论文]博士 2005115.何培宇面向实时处理的自适应声学语音信号处理[学位论文]博士 2005116.易叶青基于进化算法的盲源信号分离[学位论文]硕士 2005117.谢朋朋车辆声频信号盲分离及遗传算法研究[学位论文]硕士 2005118.魏广芬基于微热板式气体传感器的混合气体检测及分析[学位论文]博士 2005119.刘洋独立分量分析及其在脑电信号提取中的应用[学位论文]硕士 2005120.王瑜空域处理语音增强方法的研究[学位论文]硕士 2005121.王翀数字音频水印技术的研究[学位论文]硕士 2005122.冶继民信源数目未知与变化时的盲信号分离方法研究[学位论文]博士 2005123.王明祥独立分量分析方法及在图像处理中的应用研究[学位论文]博士 2005124.张兼OFDM系统盲信道估计算法研究[学位论文]硕士 2005125.梁越卷积混合信号盲分离技术及应用研究[学位论文]硕士 2005126.孙战里盲源分离算法及其应用的研究[学位论文]博士 2005127.孙战里盲源分离算法及其应用的研究[学位论文]博士 2005128.施剑基于麦克风阵列的盲语音分离算法研究[学位论文]博士 2005129.康浔盲信号分离及在非线性混叠环境下的分离问题[学位论文]硕士 2005130.李先伟混叠卷积信号的盲反卷积研究[学位论文]硕士 2005131.梁丽丽麦克风阵列语音增强方法的研究[学位论文]硕士 2005132.潘丽丽独立成分分析及其在脑功能磁共振成像中的应用[学位论文]硕士 2005133.牛奕龙盲源分离算法研究[学位论文]硕士 2005134.李维勤基于混合信号概率密度函数估计的盲信号分离[学位论文]硕士 2005135.李婷独立分量分析及其在脑电信号噪声分离中的应用[学位论文]硕士 2005136.张荣强说话人识别中特征提取的方法研究[学位论文]硕士 2005137.何昭水瞬时线性混叠与卷积混叠盲分离研究[学位论文]博士 2005138.张发启盲源信号分离技术[期刊论文]-现代电子技术 2004(20)139.郑华.张粒子.谢莉.申景娜关于电力市场下系统边际价格概率模型的新研究[期刊论文]-中国电机工程学报2004(11)140.解静.李艳斌.陈建峰最大似然估计的独立分量分析法[期刊论文]-无线电工程 2004(7)141.李广彪.张剑云.毛云祥盲源分离的发展及研究现状[期刊论文]-航天电子对抗 2004(6)142.张梅.金施群圆度测量误差分离技术解决ICA的不确定性问题[期刊论文]-黑龙江科技学院学报 2004(5) 143.曹薇.高隽.胡学友一种有效的图像盲水印算法[期刊论文]-合肥工业大学学报(自然科学版) 2004(8) 144.刘盛鹏.方勇基于TMS320C64x DSP/BlOS Ⅱ的嵌入式语音采集与盲分离系统设计[期刊论文]-电子技术2004(4)145.李小军.朱孝龙.张贤达盲信号分离研究分类与展望[期刊论文]-西安电子科技大学学报(自然科学版) 2004(3) 146.张玲.何培宇.刘开文关于噪声环境中语音信号盲分离的研究[期刊论文]-四川大学学报(自然科学版) 2004(1) 147.申永军.杨绍普.刘献栋齿轮故障诊断中的信号处理技术研究与展望[期刊论文]-机械传动 2004(3)148.魏乐基于非负矩阵分解算法进行盲信号分离[期刊论文]-电光与控制 2004(2)149.张明键盲分离算法的研究[学位论文]博士 2004150.岳顺民配电市场价格分析及价格监管模式研究[学位论文]博士 2004151.王进军基于小波分析和人工神经网络对ECG信号滤噪和分类的研究[学位论文]硕士 2004152.李小军独立分量分析及其在阵列信号处理中的应用[学位论文]博士 2004153.李合生.赵明生.吴佑寿基于小波与傅里叶变换的一类短波盲信道自适应分离算法研究[期刊论文]-信息与控制 2003(4)154.金海红.冶继民未知源信号个数盲信号分离的半参数统计方法[期刊论文]-西安电子科技大学学报(自然科学版) 2003(6)155.李合生.赵明生.吴佑寿一种短波通信盲信道快速分离算法[期刊论文]-通信学报 2003(7) 156.刘洋.樊可清二阶盲辨识(SOBI)在模态分析中的应用[期刊论文]-微计算机信息 2010(31)本文链接：/Periodical_dianzixb2001z1010.aspx。
盲信号分离技术综述
P ( C M A ) 分离 , 虽然仿 真条件 比较理 想 出现 了一些相 关文献
积极 推动作用 !
2.卷积混合模型
设n个源信 号 , 有一个未知 的线 性混合 . 每 个分量在 不 同混合信 号里 的延迟均 不同 ! 这 时可将 滤波器 (通 常
是F R 滤波器 ) 或 者多项式作 为混合矩 阵A 的元 素 ! 卷积 I 混合信号的数学模型可 以用公 式 (3 )
峨 目 嘴 . .
专题 忘 汀 四 技术 O
S p 户c 扭 不 e h n o l g y l e o
/{ 洲, , , 甲只甲黔票赓卜
一一户尸洲- (州 ()从 . . 2 ()4 ) 万约 国 家附 3 . 一 研 花 发展 ;一 一一~ 入}二 棘棘藕哪嗽职粼赚姗 岛技 术 {划
解放 军理工大学通 信工程学院 总装航天研 发 中心
种非线性的依赖关系 其混合模型可 用式 (引 表示 :
(4 )
不 断的调 整分 离矩 阵W , 使得y t卜w x( )是源信 号的 ( t 一个尽可能准确的估计 ! 从 源 信 号 的混 合 方 式来 分
图] 盲源分离原理框图
x(t)= F 笼 )} s(t
其中
F 钾} 表示未知 的非线 性 函数 ! 非 线性混合 盲 在非线 性混 合的实 际问题
就可 以实现 S二 t +N (t 的估计 ( s) )
文将 盲源分 离技术应 用信息 安全领域 中 . 提 出一种新 的 基于 完全覆盖 策略 的数据保 密方法 : 李加文 李从心提 出 了在频 域利 用瞬 时盲分 离/主 成份分 析/瞬 时混 合盲 分
噪处理 完成对源 信号 的估 计 ! 有一种情 况 . 如果 噪声满 足盲信号 分离 中对源信号 的假设 条 , 且 源信号 与噪声 信号 的数 目总和 不大于接 收信号 的数 目时
本科毕业设计-信息处理课群综合训练与设计
学号：课程设计题目信息处理课群综合训练与设计—语音信号的盲分离学院信息工程学院专业通信工程班级通信1104姓名指导教师周建新2014 年 6 月20 日《信息处理课群综合训练与设计》任务书学生姓名：专业班级：通信1104 指导教师：周建新工作单位：信息工程学院题目: 语音信号的盲分离初始条件：Matlab软件、信号与系统、通信处理等要求完成的主要任务:设计任务根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。
选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。
设计要求（1）用matlab做出采样之后语音信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab 代码。
（4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
参考书：[1] 马建仓，牛奕龙，陈海洋.盲信号处理. 国防工业出版社, 2006.6[2] 赵艳.盲源分离与盲信号提取问题研究. 西安理工大学.2004.3[3] 马建芬.语音信号分离与增强算法的研究.电子工业出版社.2012.3时间安排：1、理论讲解，老师布置课程设计题目，学生根据选题开始查找资料；2、课程设计时间为2周。
（1）理解相关技术原理，确定技术方案，时间2天；（2）选择仿真工具，进行仿真设计与分析，时间6天；（3）总结结果，完成课程设计报告，时间2天。
指导教师签名： 2014年 6月10日系主任（或责任教师）签名：年月日目录摘要 (I)Abstract (II)1 绪论 (1)2 盲信号处理BSP (2)2.1 盲信号处理 (2)2.2 盲分离处理 (2)2.3 Matlab语音信号的采集 (3)2.3.1 语音信号的采集方法 (3)2.3.2三路语音信号的采集 (4)2.4盲信号分离的两种算法介绍 (4)2.4.1 PCA算法原理 (4)2.4.2独立分量分析ICA (5)3 语音信号的分离方案设计 (6)3.1 FAST-ICA算法分离 (6)3.1.1基于负熵最大的快速ICA (6)3.2 主分量分析PCA (9)3.2.1 主成分分析原理 (9)3.2.2 PCA算法原理 (10)3.3 主分量分析PCA和ICA比较 (11)4 语音信号的分离方案实现 (12)4.1 语音信号的混合 (12)4.2 语音信号的分离实现 (13)4.2.1 FAST-ICA算法分离 (13)4.2.2 主分量分析算法分离 (14)4.2.3 分离语音频谱分析及比较 (15)5 总结 (18)参考文献 (19)附录1 原始语音Matlab信号频谱程序 (20)附录2 预处理部分matlab程序 (21)附录3 算法的matlab程序 (23)（1）FAST-ICA算法 (23)（2）PCA算法分离 (24)摘要了解盲信号处理（Blind Signal Processing,BSP）的概念，并掌握语音盲分离技术和Matlab的运用。
盲信号分离(2) 清华大学《现代信号处理》讲义 -张贤达PPT课件
Wl (k 1) Wl (k) D [ f ( y(k L))vT (k L l)
y(k L)uT (k l)]
L
其中 u(k )
WT Lq
(k )
f
(
y(k
q))
q0
10
频域与时域相结合
频域方法与时域方法相比具有算法简单收敛速度快 等优点，但是其固有的位置和增益的不确定性问题解决 起来很困难；而时域的盲分离方法避免了这一点，但是 它算法复杂，收敛速度慢，只有在最优点附近才能快速 收敛。针对频域和时域方法的优缺点，Tsuyoki在[11]中 提出了一种多策略的盲信号分离方法，该方法是分两步： 第一步在频域里做盲分离；然后在时域里再进行分离。 下图是该方法的过程示意图。
[7] Amari S. Natural gradient learning for over- and under-complete bases in ICA. Neural Computation, 1999, 11(8): 1875-1883
[8] H. Saruwatari, T. Kawamura,etc., "Evaluation of fast-convergence algorithm for blind source separation of real convolutive mixture," Signal Processing, 2002 6th International Conference on, vol. 1, pp.346--349, Aug. 2002.
[15] 朱孝龙，张贤达，冶继民，基于自然梯度的递归 最小二乘盲信号分离分阶段学习的盲信号分离，中国科 学E辑，2003，33 (8)：741—748
盲源分离和盲反卷积
盲源分离和盲反卷积刘 琚1,何振亚2(11山东大学信息科学工程学院,山东济南250100;21东南大学无线电工程系,江苏南京210096) 摘 要: 盲信号处理是信号处理领域的热点研究问题,盲源分离和盲反卷积是盲信号处理的重要组成部分近年来取得许多重要进展.本文主要介绍盲源分离和盲反卷积的基本模型、数学原理和研究进展;分析了各种方法的特点并指出了进一步的研究方向.关键词: 盲源分离;盲反卷积;独立分量分析中图分类号: T N91117 文献标识码: A 文章编号: 037222112(2002)0420570207A Survey of Blind Source Separation and Blind DeconvolutionLI U Ju 1,HE Zhen 2ya 2(11College o f Information Science and Engineering ,Shandong University ,Jinan ,Shandong 250100,China ;21Department o f Radio Engineering ,Southeast University ,Nanjing ,Jiangsu 210096,China )Abstract : Blind signal processing is attractive in the community of signal processing.Blind s ource separation and Blind decon 2v olution are main components in blind signal processing and advances have been developed in recent years.We introduce the basic m odel of blind s ource separation and blind deconv olution ,the mathematical principle of them ,and the latest progresses in research.We then analyze the characteristic of typical alg orithms and point out the future development.K ey words : blind s ource separation ;blind deconv olution ;independent component analysis1 引言 近几年,盲源分离和盲反卷积方法的研究已经成为信号处理领域一个引人注目的热点问题.盲源分离(Blind S ource Separation 2BSS ),是指在不知源信号和传输通道的参数的情况下,根据输入源信号的统计特性,仅由观测信号恢复出源信号各个独立成分的过程.这一过程又称为独立分量分析(Inde 2pendent C omponent Analysis 2IC A ).现在所指的盲源分离通常是对观测到的源信号的线性瞬时混迭信号进行分离.当考虑到时间延迟的情况下,观测到的信号应该是源信号和通道的卷积,对卷积混迭信号进行盲分离通常称为盲反卷积(Blind De 2conv olusion 2BD ).盲源分离和盲反卷积方法的研究在语音、通信、生物医学工程和地震等各个领域具有非常重要的理论价值和实际意义.较早进行盲源分离方法研究的是Herault 和Jutten [1],他们提出了一种类神经盲源分离方法.该方法基于反馈神经网络,通过选取奇次的非线性函数构成Hebb 训练,从而达到盲源分离的目的.该方法不能完成多于两个混迭源信号的分离,非线性函数的选取具有随意性,并且缺乏理论解释.T ong 和Liu [2]分析了盲源分离问题的可分离性和不确定性,并给出一类基于高阶统计的矩阵代数特征分解方法.Cardos o [3]提出了基于高阶统计的联合对角化盲源分离方法,并应用于波束形成.C om on [4]系统地分析了瞬时混迭信号盲源分离问题,并明确了独立分量分析的概念.利用了可以测度源信号统计独立性的K ullbak 2Leibler 准则作为对比函数(C ontrast Function ),通过对概率密度函数的高阶近似,得出用于测度信号各分量统计独立的对比函数,并由此给出一类基于特征分解的独立分量分析方法.Sejnowski 和Bell [5]基于信息理论,通过最大化输出非线性节点的熵,得出一种最大信息传输的准则函数并由此导出一种自适应盲源分离和盲反卷积方法(In fomax ),当该方法中非线性函数的选取逼近源信号的概率分布时可以较好地恢复出源信号.该算法只能用于源信号峭度(kurtosis )大于某一值的信号的盲分离,所以它对分离线性混迭的语音信号非常有效.Amari 和Cichocki [6]基于信息理论中概率密度的G ram 2Charlier 展开利用最小互信息(Minimum Mutual In forma 2tion 2M MI )准则函数,得出一类前馈网络的训练算法,可以有效分离具有负峭度的源信号,算法具有等变(equivariant )特性,即不受混迭矩阵的影响.Hyvarinen [7]基于源信号非高斯性测度(或峭度),给出一类定点训练算法(fixed 2point ),该类算法可以提取单个具有正或负峭度的源信号.该类准则函数和算法与G irolami 和Fy fe [8]的外推投影追踪(Exploratory Projection Pursuit 2EPP )算法具有相似性.在对线性瞬时混迭信号盲源分离方法进行研究的同时,收稿日期:2000208202;修回日期:2001203215基金项目:国家自然科学基金(N o.30000041);山东省自然科学基金(N o.Y 2000G 12)第4期2002年4月电 子 学 报ACT A E LECTRONICA SINICA V ol.30 N o.4April 2002人们对卷积混迭信号盲分离(盲反卷积)方法也进行了研究. Platt和Faggin[9]将H2J算法推广到具有时间延迟和卷积混迭情况.Y ellin和Wensten[10]给出了基于高阶累计量和高阶谱多通道盲反卷积方法,通过递归特征分解可以同时进行盲系统参数辨识和盲反卷积.由于用到高阶累积量和需计算高阶谱,该方法所需运算量极大.Thi和Jutten[11]同样利用四阶累积量或四阶矩函数,给出了卷积混迭信号盲分离的自适应训练方法.K.T okkola[12]提出了一个反馈网络结构,将In fomax算法推广到更广泛的情况,即具有时间延迟的源的混迭或卷积混迭信号的盲分离.Lee和Bell[13]将基于信息最大传输或最大似然算法得出的盲源分离训练算法变换到频率域,并利用FIR 多项式代数技术进行盲反卷积.最近人们已经开始研究存在噪声的混迭和非线性混迭信号的盲分离问题.非线性盲分离比线性情况的分离难度更大.较早涉及的非线性混迭信号盲分离的是Burel[14],他用一个两层感知器和基于误差后向传输思想的无监督训练算法通过梯度下降算法优化统计独立的测度函数,得到一种盲分离算法,可以用于非线性混迭信号的盲分离.1996年Parra[15]提出一类前向信息保持非线性结构映射网络,通过最小化输出互信息,减小输出各个分量间的剩余度,从而可以得到非线性独立成分.Pajunen,Hyvarinen和K arhunen[16]用自组织映射(Self2organi2 zation Map2S OM)网络从非线性混迭信号中恢复源信号,该算法可以不考虑非线性混迭的形式,但其网络复杂性呈指数增长且在分离连续源时存在严重的插值误差.Y ang和Amari[17]利用两层感知器网络结构,通过最大熵和最小互信息作为测度独立的代价函数,提出了信息后向传输的训练方法.当合理选择非线性函数时该算法可以分离出一些特定非线性混迭的源信号.T aleb和Jutten[18]提出了一种非线性混迭信号盲分离算法,可以对被称为后非线性混迭的信号进行盲分离.由于存在噪声的分离是困难的,以上方法都没考虑噪声影响.有人把带噪声混迭看作一种非线性,所以现有的一些带噪声混迭信号盲分离方法都是利用非线性方法.M oulines和Cardos o[19]利用逼近最大似然方法进行带噪声混迭信号的盲分离和盲反卷积,其中用于处理不完全数据的期望最大化(Expectation Maximizing2E M)方法作为主要数学工具;Hyvari2 nen[20]指出,在混迭过程中存在噪声意味着观测数据和源信号的关系存在非线性,他们用了独立成分和混迭矩阵的联合最大似然估计方法.在盲源分离理论上的研究已经取得一定进展之后,人们开始研究盲源分离方法的实际应用.Lee和Bell[21]将基于信息最大传输或最大似然算法得出的盲源分离训练算法进行盲反卷积,并用于真实记录的语音信号分离.实验证明分离后的语音识别率得到提高.K arhunen和Hyvarinen[22]等将神经网络盲分离算法用于提取图像的特征和分离医学脑电信号. Makeig,Jung和Bell[23]等用盲源分离方法将从脑电(electroen2 cephalograpgic2EEG)信号中记录的事件相关的相应数据分解为与传感器数量相等的成分,同组的Mckeown[24]等还将IC A用于分析核磁共振成像数据集.Sahlin和Broman[25]在移动通信的手机中增加一个麦克风,用信号分离算法来改善通信中信号传输之前的信噪比.国内近期关于盲信号处理理论和应用技术的研究几乎是与国际上同步进行的.凌燮亭[26]和何振亚[27～30]在国内较早地注意了盲信号处理研究.凌燮亭[26]利用反馈式神经网络根据Hebbian的学习算法,实现了近场情况下一般信号的盲分离,并对算法的渐近收敛性和实现信号分离状态的稳定性进行了讨论.何振亚[27～30]在基于特征分析和高阶谱的盲源分离和盲反卷积方法研究中,提出了一系列新的基于高阶统计和信息理论的判据和算法.在盲系统参数估计和盲波束形成等方面的也取得许多很好的研究成果.最近胡光锐[31]也开始了盲语音分离问题的研究,并提出了基于高斯混合模型概率密度估计的语音分离方法.2 盲源分离和盲反卷积系统的数学模型 考虑如下线性瞬时混迭信号系统模型:x(t)=As(t)+n(t)(1)其中x(t)是M维观测信号矢量,s(t)为N维未知源信号矢量,n(t)为M维加性观测噪声,A为未知混合矩阵;每个观测信号x i(t)都是N个未知源信号s i(t)的瞬时线性组合.盲源分离问题就是求一分离矩阵W,使得通过它可以仅从观测信号x(t)来恢复出源信号s(t),设y(t)为源信号的估计矢量,则分离系统输出可通过如下数学模型表示:y(t)=Wx(t)(2)更一般地,传感器测得的信号是源及其滤波和延迟的混迭信号的线性组合,通常称为卷积混迭.无噪声多通道卷积混迭信号的数学模型可以用下式所示:x(t)=A(z)s(t)=∑∞k=-∞A(k)s(t-k)(3)式中x(t),s(t)同瞬时混迭式;A(k)为未知滤波混迭矩阵, A(z)为其Z变换;观测信号x(t)是源信号s(t)通过A(k)的卷积混合,所以矩阵序列{A(k)}又称为冲激响应.现有的多通道盲反卷积方法大都是仅通过观测信号x(t)估计通道冲激响应{A(k)}进而恢复源信号.我们可以直接给出盲反卷积(盲均衡)模型:y(t)=∑∞k=-∞W(k)x(t-k)=W(z)x(t)(4)其中y(t)为均衡输出矢量;W(z)称为均衡器,W(k)为均衡器系数矩阵.由于带有未知分布的噪声的混迭信号盲分离是困难的,在以上两类模型的研究中现在一般都暂不考虑它的影响.另外,除了线性瞬时和卷积混迭以外,实际系统中还存在更一般的非线性混迭情况.由于非线性混迭信号盲分离的复杂性,现在还仅对几类特殊的模型进行了研究,如Pajunen[16],Y ang[17]和Jutten[18]等的模型和算法.在盲源分离和盲反卷积问题中,由于源信号和混迭系统均未知,如果没有任何先验知识,要想仅从观测信号恢复出源信号是极为困难的.为使问题可解,根据实际存在的情况,文献[4],[32]分别分析了无噪声情况下瞬时混迭和卷积混迭模型并指出,在符合某些假设的条件下这两类问题都是可解的,175第 4 期刘 琚:盲源分离和盲反卷积但恢复信号各分量的幅度和排列次序同源信号相比是不确定的.3 典型方法综述311 盲源分离方法在已有的盲源分离方法中,都是利用了源信号统计独立的假设,主要的方法是基于高阶统计和信息理论的方法. 31111 基于高阶统计的方法 现有的大多数信号处理方法都是基于二阶统计的.对高斯信号,不相关和独立是等价的.但对非高斯信号,独立是比不相关更强的条件,它意味着在包含二阶统计在内的所有更高阶统计上相互独立.如果没有任何其他约束条件,仅通过二阶统计不足以解决盲源分离这一问题.所以从研究盲源分离问题的开始阶段,人们就试图寻求所熟悉的二阶统计之外的解决方案,并取得进展.Cardos o[33]较早地用四阶矩进行盲源分离(F ourth2Order Blind Identification-FOBI),提出了一种简单的正交和加权两步代数算法,独立源成分可以较容易地作为改进了的协方差的特征矢量被辨识出来,但该算法未能辨识相同概率分布的成分;T ong和Liu[2]等基于以上算法,首先通过正交变换,然后对观测到的混迭信号的四阶矩进行奇异值分解(S VD),得到一类扩展的四阶盲辨识(Extended FOBI2EFOBI)和多未知信号提取算法(Alg orithm for Multiple Unknown S ignals Extraction2A2 M USE);Cardos o[3]还提出了基于四阶累积量的联合对角化(Joint Approximate Diag onalisation of E igen2matrices2JADE)进行盲波束形成的方法,通过联合对角化累积量矩阵,使得对所有的累积量集合处理的计算效率同基于特征分解的技术类似.基于高阶统计的自适应盲源分离算法大致可分为两类:准则函数或训练算法中不明确含有高阶累积量的算法-称为隐累积量算法(Alg orithms Using Higher2Order Cumulants Implicit2 ly);准则函数或训练算法中含有高阶累积量的算法2称为显累积量算法(Alg orithms Using Higher2Order Cumulants Explicitly).隐累积量算法[1,33,34] 这类方法中较典型的是由Herault 和Jutten较早提出的神经网络算法[1],通常称为H2J算法.他们选用递归网络结构,分离网络输出为 y(t)=x(t)-W(t)y(t)其权系数训练公式为:dw ij(t)dt=μ(t)f[y i(t)]g[y j(t)](5)其中f[y i(t)]和g[y j(t)]为一类奇函数.H2J算法的得出没有明确的误差函数,使该误差函数的全局最小化就可以得问题的解.Cichocki[32]指出,严格来说H2 J算法实际上是类似的二阶算法的经验推广,他们还将这种算法推广到前馈线性网络结构,使算法鲁棒性(R obustness)增强.实际上,用非线性函数代替线性函数就是在算法中隐含地引入了高阶统计.显累积量算法[35～39]:这是一类以简单的高阶统计峭度(K urtosis)作为代价函数,利用随机梯度算法来得到分离阵W 的自适应训练算法,通常称为基于峭度极值的算法.设对第i 个源信号分量s i(t),它的没有归一化的峭度定义为:Kurt(s i(t))=c4[s4i(t)]=E[s4i(t)]-3{E[s2i(t)]}2(6)对高斯信号,峭度Kurt(s i(t))=0.当Kurt(s i(t))<0时,称源信号s i(t)为亚高斯(Sub2G aussian)的,其概率分布比高斯信号的要平;当Kurt(s i(t))>0时,称s i(t)为超高斯(Super2G aus2 sian)的,其概率分布比高斯信号的要尖.所以,峭度可以用来衡量信号的高斯性,定义峭度作准则函数,也就是用它来衡量信号与高斯分布的距离.这是因为在盲源分量问题中,观测信号是源信号的线性叠加,根据统计理论,其高斯性应增强;信号分离的过程,就是网络输出的各分量非高斯性增强的过程.这类算法通常需要预白化(pre2whiten),从而有四阶累积量c4[s4i(t)]=E[s4i(t)]-3.准则函数简化定义为:<(y(t))=∑Ni=1E[y4i(t)](7)对该准则函数的最大化(对正峭度源)或最小化(对负峭度源)可求得分离阵,但不能同时分离具有正峭度和负峭度的源信号,而且需预先知道峭度符号.目前已有的K arhunen等人提出的非线性PC A类算法[39]和Cardos o等的等变自适应算法[38]都属于此类算法.Oja和Hyvarinen提出的定点(fixed2 point)算法[7]虽解决了这个问题,但由于是串行工作,网络不能同时输出所有分离的信号,如需分离N个源需N次执行该算法.31112 基于信息理论的方法 盲源分离问题也引起人工神经网络社会的广泛关注[35～37,40～43].因为分离网络事实上为一线性前馈神经网络,完全可以用神经网络的理论和方法来求解.此时,盲源分离就是发展一个自适应权更新规则以使网络输出尽可能独立,所以这类网络又称独立分量分析网络.从信息科学的角度出发,信息论是解决这类问题的一个重要的理论工具,而且在生物信息处理的背景下可获得合理的解释.Linsker[44]认为,神经网络应从其输入中获取最大信息量并导出了无监督训练(In fomax)算法,以最大化神经网络输入和输出之间的互信息.这种信息最大化传输准则,在感知器处理的早期起着重要作用,它提供了动物感知神经对环境的自适应的一种模型.In fomax算法与Barlow[45]提出的在神经元中作为编码策略的冗余度降低原理密切相关,这种策略将每一个神经元编码为与整个输入整体中其他神经元尽可能独立的特征.Nadal和Parga[46]指出,在低噪声情况下,最大化一个神经网络输入输出之间的互信息就意味着输出分布是可以分解的,即多变量密度函数可以分解为各边缘概率密度函数的乘积.此时输出各分量相互独立.因此可以这样认为,通过独立分量分析进行盲源分离,就是使网络输入输出之间获得最大信息传输并使输出互信息为零.Bell和Sejnowski[5]率先将盲源分离问题放在信息理论框架之下.他们将In fomax原理,推广到相互独立的任意分布的非线性输入单元,针对单层线性前馈神经网络,得出一个可以进行盲源分离和盲反卷积的自适应随机梯度训练规则,从神经计算(神经信息处理)的角度看,这似乎比基于累计量的准则更具合理性.现阶段基于信息理论准则的自适应盲源分离算法研究大致可分为最大信息传输(In formation Maximization2In fomax),最大275 电 子 学 报2002年似然估计(Maximum Likelihood Estimation 2M LE )和输出互信息最小化(Minimum Mutual In formation 2M MI )三类.信息最大化(I nfom ax)算法[5]:利用信息最大化原理进行盲源分离就是最大化输出熵,所以又称最大熵(Maximum En 2tropy 2ME ).对一单层线性前馈神经网络,简单的最大化将使输出熵发散至无穷.实际的In fomax 盲分离算法是最大化经过非线性结点输出u (t )=g (y (t ))=g (Wx (t ))的熵.因此,准则函数定义为:<ME (W )=H (u )=H (g (Wx ))(8)式中H (u )为微分熵.[g (y )]i =g i (y i )为非线性函数,它将一实数映射到区间[0,1],并且为单调升函数.当源分离得以完全实现时,它就应该是源分量的概率分布函数.上式对W 最大化,可得权系数(分离阵)的更新规则:ΔW ∝[(W T )-1-φ(y )x T ](9)其中φ(y )T 为一梯度矢量.Bell [5]的In fomax 算法中选择非线性函数[g (y )]i =g i (y i )为固定的S igm oid 函数.这相当于预先限定了源信号的分布,所以该算法只能分离具有正峭度源的混迭信号.最大似然估计(MLE)算法:当源信号得以完全分离时,In fomax 算法中的非线性项就是假设的未知源信号的概率分布函数.Pearlmutter 和Parra [47]通过定义多变量密度函数和在线参数估计将最初的In fomax 算法进一步推广,得到最大似然估计算法,使得可分离源的类型范围得以扩大.最大似然估计是利用已经获得的观测样本来估计样本的真实概率密度p (x ).给定参数矢量θ,通过某一准则获得的估计密度^p (x ,θ)充分逼近真实密度p (x ).可以用测度两个概率密度之间距离的K ullback 2Leibler 散度K (・‖・)作为优化准则.考虑到x (t )=W -1y (t ),这一准则可以用如下似然函数表示:<M L E (W ,θ)=-log|W |-∑Ni =1log f i(y i;θi)(10)该准则和最大熵准则具有类似的形式,所以其权系数矩阵W 的更新规则同In fomax 训练算法,所不同的是最大似然准则的出发点是已知的观测样本,而且作为输出概率密度函数的估计,这儿的f i (y i ;θi )为一组高斯核函数的加权和.G aeta [48]提出了最大似然盲分离算法,该类算法或基于高阶统计或预先给定一个特定的分离函数.Pham [49]提出了和上述算法类似的多变量密度估计最大似然估计盲源分离算法.Cardos o [50]指出In fomax 和M LE 算法是等价的.基于最小互信息(MMI)算法:Amari [6]等将网络输出各个分量的互信息作为盲源分离的判据,得到一种自适应训练规则.算法中利用概率密度的G ram 2Charlier 展开来逼近各输出分量的边缘概率密度函数,引入了自然梯度(相对梯度)以提高训练效率和改善算法收敛性能.根据香农信息理论关于互信息的定义,考虑到线性关系y (t )=Wx (t ),可得基于最小输出互信息的准则函数:<MI (W )=∑Ni =1H (y i)-log|det (W )|-H (x )(11)该式的最小化得到分离矩阵W ,使y (t )趋于独立.当用梯度法求解时式中右边最后一项由于与W 无关可以被省去.除了用G ram 2Charlier 展开逼近概率密度函数.Amari 的主要贡献还在于算法的得出引入了自然梯度(Natural G radient )的概念(Cardos o [38]和Pham [49]称相对梯度-Relative G radient ).相对梯度或自然梯度定义为[38,49]:d W dt =-η(t ) <(W )W =-η(t )5<(W )5WW TW (12)根据自然梯度下降法,得到的基于最小互信息准则的盲源分离矩阵的训练规则:ΔW ∝[I -ψ(y )y T ]W (13)式中ψ(y )为根据G ram 2Charlier 展开得出的关于y (t )及其三阶和四阶累计量的函数.从信息理论的意义上分析,以上三种准则没有本质上的区别.Pearlmutter 和Parra [47]及Cardos o [50],已经指出In fomax 和M LE 算法是等价的.Obradovic [51]的分析表明,当In fomax 的输出非线性函数的参数足够丰富时,基于K ullback 2Leibler 作为信息冗余度测度的IC A 算法和In fomax 得到相同的解.由此,基于信息理论的三类主要算法ME (In fomax ),M LE 和M MI 是等价的,所以Lee 和G irolami [52]等将他们在信息理论框架下进行了统一.312 盲反卷积方法较早的盲反卷积方法可以追溯到Sato [53],G aodard [54]和Benveniste [55]等的Bussgang 类算法[56],他们的算法以及后来的盲均衡算法都是利用通信系统中数字信号的常模量(C onstant M odulus )特性,主要是针对单通道情况进行源信号的恢复.自从Herealt 和Jutten 的用于瞬时混迭信号盲分离的在线自适应算法[1]出现以后,大多卷积混迭信号盲分离方法都是瞬时混迭信号盲分离算法的直接扩展.Platt 和Faggin [10]以及N omu 2ra [57]将盲源分离方法H 2J 算法推广到具有时间延迟和卷积混迭的情况.Y ellin 和Wensten [10]给出了基于高阶累计量和高阶谱多通道盲反卷积方法,通过递归特征分解可以同时进行盲系统参数辨识和盲反卷积,但该方法由于用到高阶累积量和需计算高阶谱,运算量极大.Thi 和Jutten [11]同样利用四阶累积量或四阶矩函数,给出了卷积信号盲分离的自适应训练方法.T okkola [12]提出了一个反馈网络结构将In fomax 算法推广到更广泛的情况,即具有时间延迟的源的混迭或卷积混迭信号的盲分离.Lee 和Bell [13]将基于信息最大传输或最大似然算法得出的盲源分离训练算法变换到频率域,并利用FIR 多项式代数技术进行盲反卷积.H 2J 算法的扩展[9,57]:这类算法是瞬时混迭盲源分离H 2J 网络训练算法的直接推广.针对反馈分离网络和卷积混迭模型,卷积混迭信号的反馈分离网络输出为:y (t )=x (t )-∑Lk =0W (k )y (t -k )(14)Platt 和Faggin [9]为这类网络确定了用来进行优化的理论准则2最小输出功率原理,即当独立分量得以分离,则信号的功率达到最小,由此利用梯度下降法得到该网络的训练公式,它恰好是H 2J 算法的推广:Δw ij (k )=αy i (t )y j (t )(15)375第 4 期刘 琚:盲源分离和盲反卷积累积量算法的扩展[11] 这是一种基于互累积量消失的自适应盲反卷积算法.该算法利用了盲源分离的经验公式.直接将盲源分离的情况扩展到盲反卷积.公式在形式上和扩展的H2J方法类似,而H2J公式中的非线性函数用四阶互累计量c31(y3i(t)y j(t))和c13(y i(t)y3j(t))代替,训练公式为:Δwij(k)=-αc31(y i(t)y j(t-k))(16)信息理论算法扩展[12,57]:对瞬时混迭信号模型,In fomax 方法是较成功的盲源分离方法之一.T orkkola[12]将In fomax算法推广到卷积混迭的情况,得出了一个局部训练算法(仅有两个源的情况).该算法通过因果滤波器最大化输出熵来最小化两个输出之间的互信息,基于最大信息传输原理,可以得出直接滤波零延迟权系数,直接滤波非零延迟权系数和反馈交叉滤波权系数的训练公式.而对更一般的卷积混迭情况,Lee[13]给出了反卷积系统滤波器权系数的公式:ΔW(0)=α[(I+uy T)W(0)](17)ΔW(k)=β[uy T(t-k)W(k)](18)基于FIR多项式矩阵代数的分离矩阵的频域训练算法 Lambert[58]在他的博士论文中发展了FIR滤波器多项式代数的理论,并通过仿真实例表明该理论是解决多通道盲源分离问题的一种有效工具.应用FIR多项式矩阵代数的基本思路是扩展标量矩阵代数到时域的滤波器矩阵代数(或频域的多项式矩阵).利用这一理论可以得到频域扩展的In fomax算法:ΔW=α[W-H+FFT(u)X H](19)其中“H”表示复共轭;W为滤波器矩阵,X和Y为频率域多传感器信号块.313 非线性盲源分离方法在实际的环境里,观测到的混迭信号可能是经过非线性混迭得到的,此时线性混迭信号盲分离的方法不再适用,如果把非线性混迭模型仍视为线性混迭并利用线性IC A方法求解,可能导致错误的结果.因而,作为一般的模型,非线性混迭信号的盲分离问题的研究近来也引起许多研究者的注意[15,59～61].由于完全非线性混迭盲分离问题的复杂性,现有的非线性混迭信号盲分离算法研究的都是后非线性混迭(post2nonlin2 ear mixture2PN L)的情况,即对源信号线性混迭后再加以非线性.已经进行的研究可以分为两类:一类是直接将现有的线性混迭分离方法通过引入非线性进行扩展,使之适用于非线性混迭的情况.这一类算法主要针对后非线性混迭情况,对不同的目标函数进行优化.如T aleb和Jutten[18]提出了基于输出互信息的后非线性混迭信号的盲分离方法,该方法分别自适应地估计非线性和线性部分,它和Lee[59]提出的基于信息最大化准则的方法类似;Y ang[17]等提出的信息后向传输方法,包含了以上两种准则,但可以分离通道间存在交叉非线性混迭的情况,即对后非线性后再对f(s(t))进行线性混迭的信号作为观测信号,此仍然属于特定的混迭情况.另一类则是通过提取非线性特征等方法直接进行分离.网络的结构与源信号的拓扑结构等效时,在某些条件下自组织特征映射(Self2Organization Feature Map2S OM)表示了非线性混迭的逆.将观测信号映射到规则的输出网格,每一个S OM网络输出的坐标表示了一个源.这类方法不受混迭模型的限制,可以适用于完全非线性混迭的情况.例如,Pajunen[16]等利用S OM神经网络从非线性混迭的观测信号中提取源信号;Lin[60]等通过修改S OM 算法,发展了一个网络,可以提取源分布的局部几何结构,对超高斯源信号可以快速分离.基于S OM的方法的优点是它可以提供非参数解,但网络的复杂性随着源数目的增加呈指数增长,而且存在严重的插值误差[17].4 总结与展望 到目前为止,大多数从事盲信号处理研究的人都局限于方法的研究,还有许多理论上的问题需要解决,如盲分离算法的全局收敛性和渐近稳定性等问题的分析以及算法的鲁棒性研究等.要想取得理论上的突破,需要更多的基础理论方面的学者的参与.我们认为在今后应该对以下问题进一步研究:(1)带噪声混迭信号的盲分离问题.由于在盲信号处理中,存在太多的未知条件,带噪声的混迭信号盲分离是困难的.现在研究的大部分盲源分离或盲反卷积算法,大都假设无噪声情况或把噪声看作一个独立源信号.在高阶统计方法中,由于高斯信号高阶累积量为零,所以可以假设加性高斯噪声存在.已有的盲分离方法在什么情况下可以应用到一般的噪声混迭模型,是有待研究的问题.(2)虽然盲源分离是从所谓的“鸡尾酒会”问题引出的,但是这个问题还远没有很好地解决.由于这涉及到多通道卷积混迭系统和盲反卷积系统的稳定性和相位不确定性问题.尤其是源的数目未知时盲反卷积问题以及带噪声的情况,由于需要太多的参数来描述系统,这即使在非盲的情况下的反卷积的研究都是非常困难的,盲反卷积问题的研究远比线性瞬时混迭信号的盲分离要复杂得多.(3)无论是盲源分离还是盲反卷积,现在的研究都假设传感器的个数不少于源信号的个数,对源信号个数多于传感器个数的问题如何解是又一个困难的问题.(4)现在的非线性混迭信号盲源分离方法研究的只是在极特殊情况下的非线性混迭的情况.对更一般的非线性混迭信号的可分离性以及分离的充要条件需作进一步的研究.(5)非平稳混迭信号的盲分离问题.许多情况下源信号可能是非平稳的,例如源可能消失后再出现.如何利用信号的非平稳特性进行盲分离是解决这类问题的一个方向.参考文献:[1] Jutten C,Herault J.Blind separation of s ources,Part I:An adaptive al2g orithm based on neuromimetic[J].S ignal Processing,1991,24(1):1-10.[2] T ong L,Liu R,S oon V C,et al.Indeterminacy and Identifiability ofBlind Identification[J].IEEE T rans on Circuits and systems,1991,38(5):499-506.[3] Cardos o J F.Blind Beam forming for N on2G aussian S ignals[J].IEEProceedings2F,1993,140(6):224-230.475 电 子 学 报2002年。
(完整word版)盲信号总结
盲分离研究背景与数学模型简介：盲信号分离是当前信号处理领域最热门的技术之一。
由于其重要的理论价值和广泛的应用前景 ,盲信号分离在近 20 年引起了广泛的重视和研究。
盲信号分离起源于鸡尾酒会议问题 ,即在很多人同时说话的情况下(通常包含噪声),怎样从多个声音采集设备(如麦克风)采集到的声音信号中分离出所需要的各个说话者的声音?在这个过程中,各个信号源未知,信号混叠参数即传输信道的先验知识也未知,因此我们称这个过程是“盲”的。
目前,以盲信号分离为核心的盲信号处理技术已经成为重要的研究课题,并在许多领域,特别是在语音信号分离与识别、生物信号(如脑电图、心电图)处理、雷达、声纳、遥感、通信系统、噪声控制等领域,吸引了大量的研究和重视。
盲信号分离：是指在不知道源信号和传输信道特性的情况下,从一个传感器阵列的输出信号(也叫观测信号,混叠信号)中分离或估计出源信号的波形。
目标是如何最大化分离信号的独立性。
观测数据：是一组传感器的输出,其中每个传感器接收到的是源信号的不同混合。
源信号混合方式：有线性和非线性两种方式。
当混叠模型为非线性时,一般很难从混叠数据中恢复源信号,除非对信号和混叠模型有进一步的先验知识。
线性模型有三种：（1)线性瞬时混叠(2)延迟无回声混叠(3)回声混叠1，线性瞬时混叠模型：目前主要采用的工具是稀疏成分分析。
2，延迟无回声混叠模型：即每个传感器仅接收到每个源一次。
由于传输距离的远近及传输介质的影响，源信号到达每个传感器的时刻可能并不是同时的。
3，回声混叠：各个传感器不仅直接接收到每个源信号,而且还接收到每个源信号的回声信号。
根据混叠方式对盲信号分离进行分类：如果根据传感器个数M 和源信号个数N 来分类,则把M > N称为超定模型,M = N为适定模型,M < N称为欠定模型。
欠定模型比适定模型和超定模型更难求解。
对适定或者超定模型,只要能够估计出混叠矩阵,就能恢复源信号。
●按照未知信号源的混合形式，可以将盲处理分为线性混合和非线性混合两种类型，其中线性混合包括瞬时混合和卷积混合。
中科大_盲信号处理_第4章
(4-23)
Q D1/2 UT s
利用(4-24)式获得的 Q ，容易验证
(4-24)
E[Qy (t )y T (t )QT ] Q[R x (0) 2 I M ]QT I N
2 2
3）对于 i, j 1, 2,, N ， i j ， i (t ) / j (t ) 是时变的。
2 2
2. 分离准则与代价函数
在上述 3 个假设下，Matsuok 等人已经证明下列的一个重要结论： 设计一个分离矩阵 W ， y (t ) Wx(t ) WHs(t ) ，如果对于任意一个时刻 t ，都有
球化后的输出为
(4-25)
z (t ) Qx(t ) QHs(t ) Qn(t ) Vs(t ) Qn(t )
3. 利用单延时的 R z ( ) 估计正交矩阵 V 根据(4-24)式，有
(4-26)
0 ， R z ( ) VR s ( )VT
注意到 R z ( ) 是对称矩阵， R s ( ) 是对角矩阵。
(4-21)
其中， U s 是 M N 的矩阵， U n 是 M ( M N ) 的矩阵， [ U s U n ] 是正交矩阵， 是对 角矩阵，且
2 2 2 2 diag ( 12 , 2 ,, N , N 1 , , M )
(4-22)
噪声方差的估计为
2 2 ˆ 2 ( N 1 M ) / ( M N )
(4-3)
Rsi ( ) E[ si (t ) si (t )] E[ si (t )]E[ si (t )] 0
盲信号分离
盲信号分离=盲源分离BSS Blind Signal/Source SeparationHerault、Jutten 1985从多个观测到的混合信号中分析出没有观测的原始信号。
观测到的混合信号来自多个传感器的输出，且传感器的输出信号线性不相关。
文献：盲信号分离技术研究与算法综述_周治宇、陈豪1.盲信号分离的“盲”是什么意思？已知原信号和传输通道的先验知识时，通过滤波器的信号处理能够在一定程度上完成信号分离的任务。
但是在没有原信号和传输通道的先验知识时，上述通过滤波的信号处理方法无法完成信号分离的任务，必须通过盲信号分离技术来解决。
“盲”是指（1）原始信号并不知道；（2）对于信号混合的方式也不知道。
也就是仅根据观测到的混合信号估计源信号。
2.什么是“信号分离”？是信号处理中的一个基本问题。
从接收到的混合信号（感兴趣信号+干扰+噪声）中分别分离或恢复出原始信号。
各种时域滤波器、频域滤波器、空域滤波器或码域滤波器都可以看作是一种信号分离器，完成信号分离任务。
3.盲信号分离如何实现的？独立分量分析ICA Independent Component Analysis是为了解决盲信号分离问题而逐渐发展起来的一种新技术，是目前主要采用的方法。
将接收到的混合信号按照统计独立的原则通过优化算法分解为若干独立分量，这些独立分量作为源信号的一种近似估计。
4.盲信号分离结果存在两个不确定性分离结果排列顺序不确定、分离结果幅度不确定。
由于要传送的信息往往包含在信号波形中, 因此这两个不确定性并不影响在实际中的应用。
5.目前主要应用领域目前盲信号处理技术已经在生物医学信号处理、语音信号处理、雷达信号分选、电子侦察、数字波束形成、无线通信、地震信号处理、机械故障诊断、图像处理、数字水印、人脸识别和金融数据分析等领域得到了广泛应用。
独立分量分析ICA Independent Component Analysis一种有效的对高阶数据进行分析的方法不仅可以处理非高斯信号（？），而且可以用于解决非线性、非稳态信号的问题分析，在特征提取方面有着独特的优点和广阔的前景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课程设计任务书题目: 确定信号的盲分离初始条件：Matlab软件平台要求完成的主要任务:根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。
选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的信号。
设计要求：（1）用matlab做出采样之后信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。
（4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排：查阅资料2天仿真设计2天撰写报告1天指导教师签名:年月日系主任签名:年月日目录摘要 (I)ABSTRACT (II)1确知信号 (1)1.1确知信号的概念 (1)1.2确知信号的类型 (1)1.3常见的确知信号 (2)2盲分离原理 (3)2.1盲信号处理的基本概念 (3)2.2盲信号分离的分类 (3)2.3盲分离的目标准则 (4)2.4盲信号处理技术的研究应用 (5)3 独立分量分析（ICA）基础 (6)3.1ICA理论的概念和模型 (6)3.2ICA数据分析问题中的约束条件 (8)3.3ICA算法的分类与基本原理 (9)3.4F AST ICA算法 (11)4 MATLAB简介 (13)5 确定信号盲分离仿真与分析 (15)5.1原始信号的产生 (15)5.2原始信号的频谱 (16)5.3信号的混合 (17)5.4ICA算法实现 (20)6 小结体会 (26)参考文献 (27)附录1 程序 (28)摘要盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。
通常观测到的混合信号来自多个传感器的输出，并且传感器的输出信号具有独立性（线性不相关）。
盲信号的“盲”字强调了两点，一是原始信号并不知道，二是对于信号混合的方法也不知道。
独立分量分析（Independent Component-Analysis，简称ICA）是近年来由盲信元分解技术发展而来的多通道信号处理方法。
通过假定传感器阵列所采集到的信号是多个具有独立统计特性的内在信源信号的线性叠加，在采用某种特定的优化准则将所谓的独立分量一一分解出来。
本文重点研究了以确定信号为目标的盲处理方法，首先介绍了盲源分离的思想和数学模型，介绍了盲分离的几种准则。
然后对盲分离普遍采用的独立分量分析技术做了介绍，讨论了其多种算法，详细讨论了一种快速ICA算法，并在编程中利用这一算法对多路确定信号进行盲分离，根据结果对这一算法进行分析。
关键词：盲信号分离；独立分量分析；快速ICA算法；Matlab编程IAbstractBlind signal separation refers to analyze observations from multiple mixed-signal which was not observed in the original signal. Usually mixed signals observed from a plurality of sensor output and the sensor output signals have independent (linearly independent).The word 'blind'emphasized two points.First we don't know the original signal.Second,we don't know the signal mixing method.Independent component analysis (Independent Component-Analysis, referred ICA) in recent years by blind signal decomposition technique developed from the multi-channel signal processing methods. By assuming that the sensor array signal collected is more than an independent statistical properties inherent linear superposition of the source signal, the adoption of aspecific optimization criterion eleven so-called independent component decomposition.This paper focuses on the goal to determine the blind signal processing method,introduced the idea of blind source separation and mathematical models, introduced several blind separation criteria. Then the blind separation widely used independent component analysis techniques have been described, discussed its various algorithms discussed in detail a fast ICA algorithm, and use this in the programming algorithm to determine the multi-channel signal separation, according to the results of this algorithm for analysis.Key words: blind signal separation; Independent Component-Analysis; Fast ICA algorithm; Matlab programming.II11确知信号1.1 确知信号的概念确知信号是指其取值在任何时间都是确定的和可预知的信号，通常可以用数学公式表示它在任何时间的取值。
1.2确知信号的类型1.2.1 周期信号和非周期信号周期信号满足：+∞<<∞-+=t T t s t s ),()(0（式1）其中，0T 为此信号的周期，00/1T f =称为此信号的基频。
1.2.2 能量信号和功率信号在通信理论中，常把信号功率定义为电流在单位电阻上消耗的功率（归一化功率）。
)(/2222W I V R I R V P ====（式2）若信号的能量是一个正的有限值，则称此信号为能量信号。
在实际的通信系统中，信号都具有有限的功率、有限的持续时间，因而具有有限的能量，为能量信号。
但是，若信号的持续时间非常长，则可以近似认为它具有无限长的持续时间。
此时，信号的平均功率是一个有限的正值，但其能量近似为无穷大。
这种信号称为功率信号。
周期信号属于功率信号。
21.3常见的确知信号1.单位冲击函数)()(t t s δ=（式3） 2.单位阶跃函数⎩⎨⎧<>==0001)()(t t t u t s （式4） 3.常数1)(=t s （式5） 4.单边指数函数)()(t u e t s at -=（式6） 5.三角脉冲⎪⎪⎪⎩⎪⎪⎪⎨⎧<<-<<-+=其他00)1(0)1()(ττττt t E t t E t s （式7）2盲分离原理2.1盲信号处理的基本概念盲信号处理（Blind Signal Processing）是现代数学信号处理、计算智能学近年来迅速发展的重要方向。
在电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。
盲信号处理利用系统(如无线信道、通信系统等)的输出观测数据,通过某种信号处理的手段, 获得我们感兴趣的有关信息(如原来独立发射的信号等)。
盲信号的研究是当前学术界的一个研究热点，而盲信号分离则是盲信号研究中的一个重要的课题。
BSS是指从观测到的混合信号中分离出未知的源信号。
盲信号中的“盲”意味着两个方面：第一，对源信号一无所知或只有少许的先验知识。
第二，混合本身是未知的。
这看似是一个不可能的任务，然而理论和实际都证实了只需要相当简单的假设，就可以得到该问题的解。
这一特点使得BSS成为一种功能相当强大的信息处理方法。
如图1所示：图2.1 盲信号处理原理框图2.2盲信号分离的分类源信号进过传输通道的混合方式而言，其处理方法可分为线性瞬时混合信号盲处理、线性卷积混合信号盲处理和非线性混合信号盲处理三类。
3根据通道传输特性中是否含有噪声、噪声特性（白噪声、有色噪声等）、噪声混合形式，可分为有噪声、无噪声盲处理，含加性噪声和乘性噪声混合信号盲处理等。
按源信号和观测信号数目的不同可以将混合方式分为欠定、适定和超定情况;按源信号特性的不同分为: 平稳、非平稳、超高斯、亚高斯、超高斯和亚高斯混合分离等。
2.3盲分离的目标准则盲源分离的实现方法有多种，他们的原理主要可以归纳为以下四种准则：(1)独立分量分析(Independent Component Analysis,ICA)：当假设源信号各分量间彼此统计独立，且没有时间结构时，在某一分离准则下通过对神经网络权值的反馈调整，使得变换后信号的不同分量之间的相依性最小，也即输出达到尽可能的独立。
这种方法对多于一个高斯分布的源信号不适用(因为高斯信号的线性叠加仍是高斯信号)，这是近年来盲源分离的主要解决方法。
(2)主分量分析(Principal Component Analysis,PCA)的方法：在尽可能保持原始变量更多信息的前提下，导出一组零均值随机变量相对少的不相关线性组合（主分量），并由此恢复出对源信号的估计。
(3)二阶非平稳性：即采用非平稳性和二阶统计量。
由于源信号随时间有不同的变化，所以可以考虑利用二阶非平稳性，应用简单的解相关技术实现盲源分离。
与其他方法相比，它能够分离具有相同功率谱形状的有色高斯源，然而却不能分离具有相同非平稳特性的源信号。
(4)运用信号的不同多样性，典型的是时域多样性、频域多样性或时频域多样性，更一般的，即联合空间-时间-频率多样性，如果源信号具有不同的时频域多样性，信号的时频域特征不完全重叠，那么可以通过屏蔽时频域的单个源信号或干扰信号，并从一个(或多个)传感器信号中提取源信号，然后再在时频域中合成，然而这些情况下，通常需要一些源信号的先验知识，所以这种分离只能是一4种半盲分离。