资源描述：
《盲信号分离(2)_清华大学《现代信号处理》讲义_--张贤达》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、盲信号分离及其应用(续)报告人：张贤达清华大学自动化系email:zxd-dau@tsinghua.edu.cn1五、非线性主分量分析（PCA）目前基于非线性主分量分析的盲信号分离典型方法有递推最小二乘算法[1]和自然梯度的最小二乘算法[2]。非线性PCA准则[3][4]：P.Pajunnen和J.Karhunen从这个准则出发，借鉴Yang的子空间跟踪算法的推导[5]，给出了递推最小二乘算法：2Pajunnen的RLS算法3自然梯度RLS算法以上的RLS算法是从非线性PCA准则出发的一种随机梯度算法。Zhu和Zhang[2]从自然梯度角度出发提出了一种收敛速度更快的RLS算
2、法。首先利用正交约束下的自然梯度公式[6][7]：给出盲信号分离最佳权系数矩阵：4自然梯度RLS算法（续）然后再运用矩阵求逆引理[10]，便得到权系数矩阵更新的RLS算法：5六、卷积信道的盲信号分离实际信号的混合都是有时延的情况，如通信信道、语音信号的混合等，通常这样的混合模型简化如下：“*”是卷积运算，是多通道系统的脉冲响应。我们的目的就是设计一组逆滤波器使得：6卷积信道的主要方法对于卷积信道的盲分离目前主要存在着三大类方法：频域中的盲信号分离方法时域中的盲信号分离方法频域和时域相结合的盲信号分离方法在频域方法里，首先对接收到的混合信号做短时FFT变换，这样时域的卷积模型在
3、频域里就变成了瞬时混合模型：7频域盲信号分离因此在频域里我们可以应用瞬时混合信道的盲信号分离方法，例如将原来的Bell和Amari的ICA准则拓展到复数域就会分别得到频域里分离矩阵的两种更新公式：和频域的方法虽然简单，但是它存在两个固有的问题：位置（permutation）的不确定性和增益（gain）的不确定性。8频域盲信号分离（续）针对这两个问题，最近很多文章提出了结合阵列信号处理的解决方法，如[8][9]。9时域盲信号分离时域盲信号分离的方法目前主要是从反卷积的角度出发，文献[]给出高阶统计量准则：其中是的四阶累计量。从这个准则出发得到逆滤波器矩阵组的更新公式为（这里取L
4、阶的FIR来近似IIR系统）：其中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。11多策略盲信号分离12七、应用语音信号处理图象信号处理通信信号处理医学信号处理雷达13参考文献[1]P.Pajunnen,J.Karhunen,"Leas
5、t-SquaresmethodsforblindsourceseparationbasedonnonlinearPCA,"Int.J.ofNeuralSystems,Vol.8,pp:601-612,Dec.1998.[2]X.Zhu,X.Zhang,"AdaptiveRLSalgorithmforblindsourceseparationusinganaturalgradient,"IEEESignalProcessingLetters,Vol.9,pp:1-4,Dec.2002.[3]L.Xu,"Leastmeansquareerrorreconstructionprin
6、cipleforself-organizingneural-nets,"NeuralNetworks,Vol.6,pp:627-648,1993.[4]J.Karhunen,P.Pajunen,andE.Oja,"ThenonlinearPCAcriterioninblindsourceseparation:relationswithotherapproaches,"Neurocomputing,vol.22,pp.5--20,1998.14参考文献[5]B.Yang1995,"Projectionapproximationsubspacetracking,"IEEETran
7、s.onSignalProcessing43,1247--1252. [6]DouglasSC.Self-stabilizedgradientalgorithmsforblindsourceseparationwithorthogonalityconstraints.IEEETrans.NeuralNetworks,2000,11(6):1490-1497[7]AmariS.Naturalgradientlearningforover-andunder-completebasesinICA.Neural
