基于分阶段学习的盲信号分离.pdfVIP

( E 辑) 第32 卷 第5 期 SCIENCE IN CHINA ( Series E ) 2002 年 10 月 基于分阶段学习的盲信号分离* 张贤达 朱孝龙 保 铮 ( 西安电子科技大学雷达信号处理重点实验室, 西安 710071; 清华大学自动化系智能技术与系统国家重点实验室, 北京 100084) 摘要 首先定义了描述信号分离状态的信号相依性测度, 并利用此测度将传统算法 中的学习速率参数推广至二维矩阵, 从而提出了一种基于分阶段学习的盲信号分离算 法, 即整个信号分离过程被分成三个阶段进行: 初始阶段 捕捉阶段和跟踪阶段, 每个 阶段的学习速率由信号的分离程度自适应选取. 理论分析表明, 该算法满足等变化性 和分离矩阵的非奇异性条件. 仿真结果证实, 新算法具有比使用固定和其他自适应学 习速率的算法更快的收敛速度 更好的稳态性能和更高的数值稳定性. 关键词 盲信号分离 独立分量分析 神经计算 自适应学习 在源信号和传输信道未知情况下, 只利用接收天线的观测数据抽取源信号, 称为盲信号 分离. 盲信号分离不仅是信号处理界 而且也是神经网络界的研究热点课题, 在无线数据通 信 雷达 图像 语音 医学以及地震信号处理等领域都具有广阔的应用前景. [1] 盲信号分离算法有离线和在线之分. 现有的离线算法中, Hyvarinen 的快速定点算法 性 1) 能卓越, 收敛也最快, 但不能适应实时应用的需要, 而且信源个数增加时, 性能会明显变差 . [2] [3,4] 在线盲信号分离通常有三种技术: 熵最大化法 非线性主分量分析法 以及独立分量分析 法[5~14] (independent component analysis, ICA), 其中, 独立分量分析尤其吸引了广泛的研究兴 趣, 已成为当前盲信号分离的主流方法. 独立分量分析已有很多有效的算法, 如Amari 等人的自然梯度算法[8,13] Cardoso 和Laheld [7] [10] [11] [12] 的EASI 算法 广义ICA 算法 灵活ICA 算法 和迭代求逆ICA 算法 等等. 虽然具体 形式不同, 但这些算法都可归类为 LMS 型算法, 存在一个学习速率参数的优选问题, 这也是 本文研究的核心问题. 当学习速率或步长参数取常数时, LMS 型算法存在收敛速度和稳态性能之间的矛盾: 步 长小, 算法的稳态性能( 即源信号的恢复质量)好, 但算法收敛慢; 反之, 则收敛快, 但稳态性 能差. 解决上述矛盾的最简单做法是令学习速率随时间递减[9,13,14] , 但这又会产生新的问题: 如果信号没有能分离而学习速率又降至很小时, 未分离的信号会因学习速率太小而长时间甚 至永远得不到分