基于时间序列变分贝叶斯理论的信号盲源分离

《基于时间序列变分贝叶斯理论的信号盲源分离》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于时间序列变分贝叶斯理论的信号盲源分离摘　要：研究信号盲源分离中源信号和混合矩阵估计问题。独立分量分析盲源分离的不足之处在于不能估计混合矩阵和源信号的能量及顺序；变分独立因子分析盲源分离的不足之处在于依赖参数初值。将一般变分贝叶斯理论用于时间序列，推导出时间序列的变分贝叶斯期望极大算法。将此算法用于信号盲源分离，同时将传感器噪声逆方差的分布取为Wishart分布，得到了理论上更合理的后验分布参数更新规则。仿真数据和实际语音信号盲源分离结果表明这种方法可以比较准确地估计混合矩阵和源信号，在一定程度上弥补了独立分量分析和变分独立因子分析盲源分离的不足。关键词：变分贝叶斯理论；盲源分离

2、；时间序列；期望极大算法SignalblindsourceseparationbasedontimeseriesvariationalBayesianstheoryAbstract：Westudytheissueofestimatingthesourcesignalandthemixingmatrixinblindsourceseparationofthesignals.Thedeficiencyoftheblindsourceseparationthroughindependentcomponentanalysisisthatitcannotestimatetheenergies

3、andordersofthemixingmatrixandthesourcesignals,whereasthedeficiencyoftheblindsourceseparationbasedonvariationalindependentfactoranalysisisitsstrongdependenceoninitialparameters.Here,thegeneralvariationalBayesianstheoryisappliedtothetimeseries,andanovelvariationalBayesianexpectation-maximization

4、algorithmforthetimeseriesisdeducedaccordingly.Moreover,theproposedmethodisappliedtotheblindsourceseparationofthesignals,andthenmorereasonablerulestoupdateposteriorparametersarededuced,wherethedistributionoftheinversevarianceofthesensornoisesisassumedasWishartdistribution.Theproposedalgorithmwa

5、sappliedtothesourcesofsimulationsignalsandrealspeechsignals,theresultsshowthattheadoptedmethodcanaccuratelyestimatethemixingmatrixandthesourcesignals,anditcanreducethedeficiencyoftheindependentcomponentanalysisandtheindependentvariationalfactoranalysistoacertaindegree.Keywords：variationalBayes

6、iantheory;blindsourceseparation;timeseries;expectation-maximizationalgorithm基于时间序列变分贝叶斯理论的信号盲源分离1　引　　言由多个信号源和多个传感器构成的系统，传感器上观测到的信号是各个信号源经过线性或者非线性混合后的结果，混合可能是瞬时的，也可能是延迟的，而且传感器本身也有相关噪声。盲源分离就是利用源信号、传感器噪声以及混合过程的某些性质将各个源信号分离出来，同时计算导致混合的因素。对于瞬时线性混合的情况，目前广泛使用的方法是独立分量分析(ICA)[1-2]。当传感器上无噪声时，ICA效果非常好，计算

7、速度极快。然而，一方面，随着传感器噪声方差变大，ICA效果变差；另一方面，ICA无法确定独立分量的能量、符号、顺序和混合矩阵[3]。而在实际问题中，往往需要从含有传感器噪声的观测数据中估计源信号和混合矩阵。为了解决传感器噪声问题，Attias提出独立因子分析(IFA)[4]。但是IFA对多信号源计算速度极慢。为了克服这一困难，Attias同时提出变分独立因子分析(VIFA)[4]。VIFA使用期望极大(EM)算法，估计出来的参数和源信号是局部最优，依赖于参数初值的选取