盲信号分离

盲信号分离=盲源分离BSS Blind Signal/Source Separation
Herault、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.基本思想：
首先假定样本集由一组相互独立的基向量以及相应的混合矩阵相乘构成，然后利用相应的算法近似求出解混矩阵（混合矩阵的逆矩阵）。

2.应用领域：
已经用于生理数据分析、语音信号处理、人脸识别、数字水印、机械故障诊断等领域。

目前在机械故障诊断中的应用主要是用于振动信号降噪，特征降维，故障信号分离。

在特征提取中，着眼于最大化特征的非高斯性，可降低特征空间维数，减少计算复杂性。

能否利用从直接从机械故障振动信号中获取故障的特征信息是一个非常有价值的研究课题。

3.相关研究
黄晋英等2008
将ICA方法用于齿轮箱振动信号的预处理中，通过应用ICA技术，故障信息得到了增强；
[1] 黄晋英，毕世华，潘宏侠，等独立分量分析在齿轮箱故障诊断中的应用[J].振动、测试与诊断,2008,28(2):126-130,180
唐力伟等
将ICA用于瞬态声音信号的降噪处理，经过ICA对含有噪声的信号处理后，找到了故障特征。

[2] 唐力伟，田广，张彦，等独立分量分析在齿轮箱轴承故障诊断中的应用轴承[J].轴承，2010，9:48-50
胥永刚等
对现场采集到的多组振动信号用ICA进行分析，结果表明，ICA可以分离出独立的信号分量，能够用于故障诊断对信号进行预处理。

[3] 胥永刚，张发启，何正嘉独立分量分析及其在故障诊断中的应用振动与冲击[J].振动与冲击，2004.23(2):104-107
Widodo等
利用6个加速度传感器获取发动机的振动信号，对每个振动信号提取10个时域特征和3个频域特征，共得到78个特征，然后利用ICA对特征进行降维，最后利用支持向量机作为分类器进行识别，取得了较好的效果。

[4] Widodo A, Yang B-S,Han bination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors [J]. Expert Systems with Applications,2007,32(2):299-312.。