基于独立分量分析的盲分离算法研究

• 作 者: 廖滔
• 发表日期: 2012年期
• 关键词: 盲源分离 独立分量分析(ICA) 小波ICA 自适应步长 混沌ICA

盲信号处理发展至今已有好几十年的时间,它可以分为三大类：盲辨识、盲反卷积、盲源分离。目前,用于盲源分离的主要方法是独立分量分析方法(ICA),它是近二十年来发展起来的一种高效盲信号分离方法,它是指在源信号和混合矩阵均未知的情况下,仅利用源信号统计独立等容易满足的先验条件,于监测到的混合信号中恢复出各源信号。独立分量分析方法已被广泛地应用于语音信号处理、医学信号处理、图像处理、阵列信号处理等领域。本文介绍了盲源分离的研究现状及独立分量分析的研究现状,阐述了独立分量分析的概念、基本模型、求解限定条件及解的不确定性。然后,按独立分量分析的一般求解步骤介绍了预处理方法、目标函数、优化算法、分离性能评价函数。接着,介绍了小波域ICA方法在图像盲分离中的应用,并将小波ICA运用至一维的语音或人工信号盲源分离问题中,通过计算机实验仿真发现小波ICA方法也有利提高语音或人工信号的分离性能。针对自然梯度算法对于步长的依赖性,提出了一种改进的基于双曲正切函数自适应步长方法。它采用性能指数(PI)的思想,设定一个新的评判目标函数L(w)达到最优的标准。并通过小波域ICA图像盲分离计算机实验仿真,证实了其优越性能。针对自然梯度算法具有爬坡能力差,容易陷入局部极值的缺点,而又考虑到混沌具有随机性、规律性、遍历性等特点,故将混沌思想与自然梯度算法相结合得到混沌ICA方法。通过图像盲分离实验和语音盲分离实验对混沌ICA方法进行验证,并与普通自然梯度算法分离结果相比较分析,结果表明混沌ICA方法分离效果更加优越。