独立分量分析的算法研究

《独立分量分析的算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文摘要盲信号分离是最近兴起的一个新的研究领域，它在实际中有着非常广泛的应用。在不知道源信号和混合矩阵的情况下，只需假设源信号是独立的，独立分量分析算法能够很好的解决盲分离问题。本文的主要工作围绕着独立分量分析算法展开，对它进行了研究。本文介绍了盲信号的背景和发展的历史，给出了独立分量分析的概念和理论，讨论了几种独立分量分析算法及其特点，对先验知识在独立分量分析中的应用进行了总结。在独立分量分析算法的预处理中，白化是相当重要的。对于白化过程，研究了它方差。同时对算法中得到的矩阵进行正交化对某些独立分量分析算法是必不可少的。在对已有的正交算法分析的基础上进行了推广，提出了更高收敛速度的新

2、算法。本文对现有的相对梯度进行了推广，提出了广义梯度的概念并将它应用于独立分量分析算法中。对于任何算法稳定性是必须的要保证的，本文对独立分量分析算法中的稳定性的推导将现有的几个稳定性的结论进行了统一．在独立分量分析中，如何确定源信号的概率密度函数是相当关键的。本文讨论了三个方法：使用固定的概率密度函数，自适应的调节概率密度函数和逼近品质函数。最后本文研究了在何种线性变换下概率密度函数是不变的。关键词：盲信号分离、独立分量分析、矩阵正交化、白化过程、广义梯度、稳定性、品质函数、K—L距离AbstractBlindsigmaseparationisanewresearchfieldrece

3、ntlyrisingandithasawidelyapplicationinpractice．Undertheconditionwithoutknowingthe．SOUrCeandmixingmatrix，independentcomponentanalysiscansolvetheproblemofblindsignalseparationsoundlywiththeassumptionthatthesour∞saremutualindependent．Theworkofthispaperisextendedfromindependentcomponentanalysisalgor

4、ithm．Inthisthesisthebackgroundandthehistoryofblindsignalisintroducedandthetheoryaswellasconceptsofindependentcomponentanalysisaregiven．Someindependentcomponentanalysisalgorithmsandtheirtraitsarediscussedandthepriorsusedinindependentcomponentanalysisaresummarizedinthisthesis．Amongtheprimeprocesso

5、findependentcomponentanalysis，whiteningisratherimportant．Forthewhiteningprocess，itsvarianceisstudied．Atthesametime，forsomeindependentcomponentanalysisalgorithmsitisdispensabletoorthogonalizetheiroutputmatrix．11拎existingorthogonalizationalgorithmisgeneralizedbasedonitsanalysisandthenewalgorithmwi

6、thhigherconvergencespeedisproposed．Inthisthesistheexistingrelativegradientisgeneralizedandthenewconceptofgeneralizedgradientanditsapplicationintheindependentcomponentanalysisalgorithmsareproposed．Foranyalgorithmitsstabilitymustbeguaranteed,thedeductionofthestabilityofindependentcomponentanalysis

7、algorithminthisthesisunifiedsomeresultsonstability．Inindependentcomponentanalysis，howtodecidetheprobabilitydensityfunctionsofthesourcesisverycritical．Threemethodsarediscussed：usingfixedprobabilitydensityfunction,adaptiveprob