论文部分内容阅读
信号的盲分离(Blind Source Separation,BSS),是指在不知源信号和传输信道参数的情况下,根据输入源信号的统计特性,仅由观测信号恢复出各个源信号的过程。通常为了研究方便,盲分离算法大都要求混叠是完备或超完备的,即观测信号的数目等于或大于源信号的数目。然而,由于实际条件所限,不可避免地会出现观测信号的数目小于源信号的数目的情况,即欠定情况,因此寻找有效的欠定盲分离方法意义重大。另一方面,目前混叠信号的盲分离大多是建立在没有噪声的环境中,然而实际中,不可避免会受到周围环境噪声的影响,因此寻找有效的混有噪声的解决方法具有非常重要的理论价值和实际意义。独立分量分析(Independent Component Analysis,ICA),是一种新兴的盲分离技术,但是ICA的大多算法都不考虑欠定的情况。稀疏表征(Sparse Representation)作为一种有效的信号表征手段,近年来一直是热门的研究课题。信号的稀疏性给信号处理带来很大的方便。一般的信号在时域中并不是稀疏的,因此在很多应用中需要寻找有效的稀疏表征来进行信号处理。稀疏分量分析(Sparse Component Analysis,SCA)就是基于稀疏表征的一种信号处理方法,与ICA不同的是它是通过估计使得输出的信号尽可能地稀疏,它能有效地解决欠定情况下的盲源分离问题。通过分析和总结前人的研究工作,本文对ICA的基本理论、其在信号处理中的应用进行了分析和探讨,并针对欠定瞬时线性混叠模型下的有噪盲分离算法从稀疏规划的角度进行了研究和探索,主要做了以下几个方面的研究:1,对基于稀疏表征的“两步”欠定混叠信号盲源分离方案进行了总结和扩充。2,在“两步”法的源信号估计阶段,结合稀疏分析与线性规划提出了稀疏规划,来处理混叠中含有噪声的情况。仿真实验表明利用本方案进行分离,取得了较好的结果。