设为首页 加入收藏 期刊导航 网站地图
  • 首页
  • 期刊
    • 数学与物理
    • 地球与环境
    • 信息通讯
    • 经济与管理
    • 生命科学
    • 工程技术
    • 医药卫生
    • 人文社科
    • 化学与材料
  • 会议
  • 合作
  • 新闻
  • 我们
  • 招聘
  • 千人智库
  • 我要投搞
  • 办刊

期刊菜单

  • ●领域
  • ●编委
  • ●投稿须知
  • ●最新文章
  • ●检索
  • ●投稿

文章导航

  • ●Abstract
  • ●Full-Text PDF
  • ●Full-Text HTML
  • ●Full-Text ePUB
  • ●Linked References
  • ●How to Cite this Article
Optoelectronics 光电子, 2011, 1, 1-5
http://dx.doi.org/10.12677/oe.2011.11001 Published Online September 2011 (http://www.hanspub.org/journal/oe/)
Copyright © 2011 Hanspub Oe
A Review on the Blind Source Separation Algorithm
Dandan He, Runjie Liu, Jinyuan Shen, Yuanyu an Chen
Schools of Information Engineering, Zhengzhou University, Zhengzhou
Email: dandanhebaby@163.com
Received: Sep. 10th, 2011; revised: Sep. 20th, 2011; accepted: Sep. 22nd, 2011.
Abstract: This paper studies the theory and application of Blind Source Separation (BSS). First, the back-
ground and the development prospects of BSS are described. Then, we briefly introduce and evaluate the
definition of BSS, and summarize the classification of the algorithm; and finally, we discuss the application
about the BBS algorithm in many different fields, in order BSS algorithm can be better applied in the future.
Keywords: Blind Source Separation; Separation Algorithm; Classification of the Algorithm; BSS Application
盲信号分离算法综述
何丹丹,刘润杰,申金媛,陈园园
郑州大学信息工程学院,郑州
Email: dandanhebaby@163.com
收稿日期:2011年9月10 日;修回日期:2011年9月20 日;录用日期:2011 年9月22日
摘 要:针对盲信号分离(BSS)方法的原理和应用进行了研究。首先,对盲分离的产生背景和发展前景
作出概要的叙述;其次,介绍和评述了盲分离的定义,以及对算法的分类进行了归纳总结;最后,对
BSS 的算法在不同领域的实际应用进行了讨论,以便BSS 算法在未来可以得到更好的应用。
关键词:盲信号分离;分离算法;算法分类;盲分离应用
1. 引言
盲分离(BSS)算法最早就是从“鸡尾酒会”的问题
引出来的。“鸡尾酒会”问题可以描述成为从许多混乱
无章的谈话声音和噪声背景中获得所需要的某个或者
几个谈话人的语音,而 BSS 所要解决的问题就是如何
从麦克风的阵列中记录到的混合语音信号中分理处每
个说话者的声音信号,进而识别出某个谈话者的声音。
盲信号分离是近几年才发展起来,用于解决从多个
混合观测信号中分离源信号的一门信号处理技术[1]。通
常观测信号来自于一族传感器的输出,其中每一个传
感器接收到的是多个源信号的一组混合,然而,一般
情况下并不知道信号时怎样混合的,因此只能利用观
测的混合信号,采用一定的算法对混合系统进行
求解,从而实现盲信号的分离[2]。本文将从算法原理
入手,研究分析盲信号分离的常用算法的优缺点,如
独立成分分析(ICA)法,熵的最大化方法,主成分分析
(PCA)法[3-5],非线性主成分分析(非线性 PCA)法等。
同时,针对算法的分离结果进行分析评价,并根据盲
分离算法目前的发展状况,指出未来的研究重点和发
展方向。
2. 盲信号分离(BSS)基本理论
2.1. 数学模型
盲信号分离的处理过程是指从若干观测到的多个
混合信号中分离或恢复出无法直接观测到的源信号。
分离原理如图1所示,其中,S为源信号向量,A为
何丹丹 等盲信号分离算法综述
2 |
A W
学习算法
S X Y
Figure 1. Block diagram of blind sign al se paration
图1. 盲信号分离原理框图
混合矩阵(即传输信道),x是观测信号向量,W为分
离矩阵。
需要注意的是,在使用该模型解决问题时需要以下几
个假设条件[6]:
(1) 各源信号之间是相互统计独立的;
(2) 所有的源信号间的混合方式是线性的;
(3) 混合矩阵A需要满足列满秩(N ≤ M)或者可逆
的条件;
(4) 在所有的源信号中最多只能有一个源信号服
从高斯分布。
2.2. 原理描述
一般情况下,

x
t

1, 2,
是通过 N个传感器获得到的N
个观测信号

,
i
x
i
j
Sj
N



1, 2,
,而且每个观测信号xi是
M个独立源信号 的线性混合。整个
问题可以使用以下的混合方程来进行描述:
,M
 
x
tAstnt (1)
式中,
 
12
,,, T
N
x
txtx t

xt
 
12
,,, T
M

为观测矢
量;

s
tsts t


st 为源信号矢量;A
为N × M的未知混合矩阵;n(t)为N × 1 的噪声矢量。
目前,在研究盲信号分离问题时,一般情况下不考虑
观测噪声,可以认为不存在噪声或噪声在进行盲分离
之前已经通过其他方法降低到了可以忽略的程度。因
此,式(1)可以写为:



x
tAst (2)
从观测到的信号矢量中分离出源信号的过程就称为解
混合,经过解混合之后的输出信号为:



y
tWxt (3)
式中,W为M × N的分离矩阵,
为输出信号矢量。这
里的输出 y(t)可以看作是对源信号向量s(t)的拷贝或估
计。因此,可以知道,在进行盲信号分离过程中,最
核心的问题是要求解出分离矩阵W,或是分离矩阵的
学习算法。
 
12
,,, T
M
ytytyt

yt
3. 盲分离算法
在实际中,运用盲分离算法解决问题时,现已使
用的算法有很多,对现有的方法分类归纳如图 2所示。
盲分离算法在现阶段,对提到的算法一般分为三
大类,即独立分量分析(ICA)算法[7-[9],熵的最大化法
[10],以及非线性主分量分析(非线性 PCA)算法[11]。一
般情况下,在使用 ICA 算法的时候,对信号之间采用
不同测度时,所得到的最终的算法也是不一样的;熵
的最大化方法的要求是迫使输出尽可能的均匀散布在
超立方体中;而在使用非线性主分量分析算法解决问
题的时候,则要求在正交约束下来实现信号的分离。
在运用这些算法对信号进行处理的过程中,前两
种方法都是基于互信息和熵来进行分析的,而在互信
息和熵之间又存在如下的关系:



;
 

1
;
n
i
i
I
WHyW HyW

  (4)
式(4)中


;;log;d
H
yWp yWp yWy

是输出向量y各元素的联合熵,这里的




;;log;
iii
d
i
H
yWpyWpyW y

表示的则是边缘熵。从以上式子中可以看出,对于盲
分离算法中,可以将熵的最大化方法归结到独立分量
分析(ICA)方法中。因此经常对盲信号分离算法分为两
类:ICA 和非线性 PCA 算法。
在对分离矩阵W进行求解时,可用的算法形式很
多,但是具体的推导思想却是大同小异。盲信号处理
盲
分
离
算
法
独立分量分析方法
熵的最大化法
非线性主分量分析方法
EASI 算法
迭代求逆算法
固定点算法
自然梯度算法
随机梯度算法
基于一般梯度的RLS
基于自然梯度的RLS
预白化和 RLS结合的算法
Figure 2. Classification of blind source separation algorit h m
图2. 盲分离算法分类
Copyright © 2011 Hanspub Oe
何丹丹 等盲信号分离算法综述3
|

问题的基本框架是根据某种优化准则,首先去选择合
适的对比函数,然后采用某种优化方法来求解出所需
的分离矩阵。这个框架可以使用下面的等式来进行描
述说明:
BSS 算法 = 对比函数 + 优化方法
因此,选用不同的对比函数的时候,相对应的得到的
分离算法也是不同的。
3.1. 独立分量分析(ICA)
这里独立分量分析(ICA)方法采用最小互信息作
为对比函数进行目标的分离。它的基本思想是选择变
换矩阵 W,使最终输出y = Wx各分量信号之间的相依
性最小化。用输出y的联合概率密度函数
和边缘概率密度函数的乘积
之间的 Kullback-Leibler 散度
来表示输出y的相依性,即


1
;,,
n
pyW pyy


1
;...
n
pyWpy py


 






1
11
1
;|| ;
,...,
,...,d...d
...
n
nn
n
IDpy py
py y
pyyy y
py py
 



WWW
(5)
从上式可以看出,互信息是一个非负的值,即I(W)
≥ 0,而且当且仅当输出y的各分量相互独立时,互信
息的值才为零。因此,I(W)是独立分量分析方法的对
比函数。根据对分离矩阵的不同的更新迭代方法,现
介绍几种典型的算法。
(1) 随机梯度算法
这里对分离矩阵的迭代过程中使用瞬时或随机梯
度进行计算,可以得到随机梯度算法,即




1TT
ttttytx


 WW Wt
t
(6)
式中,η(t)是学习速率或步长。
但是此算法的缺点是收敛速度慢,而且在计算过
程中涉及到分离矩阵的求逆运算,如果W(t)在更新过
程中条件数变差的话,算法就可能会分散。
(2) 自然梯度算法
在随机梯度算法的基础上通过演变,用自然梯度
来代替随机梯度,即可得到自然梯度算法如下所示:





1T
tttIytyt

 WW W (7)
其中,非线性变换函数为




23
34 34
,,
ii ii
iiiiii
ykkykk
 
y
这里,

  
34334
22
344 34
19
,24
13 3
,62 4
iii ii
i
iii ii
i
akkk kk
kkk kk

 
 
其中的


3
3,
i
ik
kEy及

4
4,
3
i
ik
kEy

分别表示 yi偏度
和峰度。偏度即是衡量一个信号的分布偏离对称分布
的歪斜程度,而峰度不仅可以用来区分高斯和非高斯
信号,还可以进一步的对亚高斯和超高斯信号进行区
分。在对偏度和峰度进行更新的时候,采用下面公式
进行:

3
3, 13,3,,
ii i
kk ki
kkuTky
 
k

4
4, 14,4,,3
ii i
kk kik
kkuTky



自然梯度算法最早是由Cichocki 等人提出来的,
但是后来Amari 也只是在理论上对该算法进行了证
明,证实了它的有效性。
(3) EASI 算法
该算法是借助于独立性的等变化的一种自适应分
离方法:



 



 

 
1T
TT
tttIyty
ytytyt ytt



 




WW
W
t
(8)
在这里,对分离矩阵的计算过程中引入的是相对梯度,
一般的随机梯度在计算代价函数是相对于权矩阵的绝
对变化量的,但该算法的不同之处在于计算权矩阵的
相对变化量。
(4) 迭代求逆运算
与前面所提到的算法不同的是,如果取两个不同
的非线性变换函数 和
 

11
,, T
nn
fyf yfy




T
nn
g
 
11
,,gyg gg





,那么就有迭代求逆算
法:





1T
tttIfytgyt


 


WW Wt
(9)
这里的非线性变换函数分别取为

 



2
sgnRe .sgnIm
iii i
ii ii
fyyy
yyj

gy
其中 sgn()是符号函数。
上面提到的算法,都只适合于亚高斯和超高斯信
Copyright © 2011 Hanspub Oe
何丹丹 等盲信号分离算法综述
4 |
号单独存在的情况,如果两者同时存在的情况,可以
使用广义的 ICA 自适应算法,但是一般情况下,这种
算法都比较复杂。
3.2. 非线性 PCA
运用非线性 PCA 算法实现对非高斯信号的分离
的基本思想是,需要首先对观测数据做非线性变换,
引入高阶统计量,然后再进行主分量分析。由于引入
的是高阶统计量,所以需要先对数据进行预处理,是
对数据的一阶和二阶距标准化。
令X(t)是原始观测数据,则使其各分量白化成单
位方差的白噪声的步骤如下所示:
 

X
tXtEXt
 


12
T
Vt EXtXXt


通过上面两个式子分别进行零均值化和协方差矩阵化
为单位矩阵的过程。
对数据进行预白化处理以后,需要对分离矩阵进
行自适应更新,将合适的非线性函数引入到标准 PCA
算法的准则函数中就可以得到非线性 PCA的准则函
数,即:
 


2
T
JE VtWgVtWW


(10)
其中 W是分离矩阵,g(.)是非线性函数。然后就可以
利用随机梯度型算法进行自适应更新。
非线性 PCA 算法经过多年的发展,形成了好多成
熟的算法,主要是以经典的RLS 算法为主,下面就简
单介绍一下几种典型的算法。
(1) RLS 算法
在这个算法里,只要是引入了遗忘因子λ,它的
作用是强化当前观测数据对参数估计的作用,消弱先
前数据的影响,是一种渐消记忆的方法。因此该算法
的准则函数为:
 

2
1
1
tti T
i
J
Viigi Vi



 

WWW (11)
基于非线性 PCA的最小二乘 RLS 算法相对于梯
度型的 LMS在收敛速度上有了很大的提高,而且稳
定性更好。
(2) 非线性PCA 子空间学习算法
这里提到的算法是从鲁棒 PCA 子空间学习算法
中改进而来的,在其迭代算法中引入非线性函数 g(.)
就能够得到非线性 PCA 子空间分离矩阵迭代计算公
式为:





 


1T
tttVtgYg

 


WWW Y (12)
其中的分离矩阵W的自适应更新过程需要满足正交。
在运用非线性PCA 来解决问题的时候,还有一些
是在 RLS算法的基础上通过对遗忘因子进行更新,得
到一种可变遗忘因子的非线性PCA 算法[12]。
4. 盲分离算法的应用与发展
盲信号分离算法在最近几年已经获得了很好的发
展,在若干理论和方法方面都得到了改进和提高,如
本文所提到的在优化准则,以及对比函数方面。随着
盲信号分离算法的不断发展,它在很多方面都得到了
十分广泛的应用。最初就是把盲分离应用在盲多用户
检测问题中,需要使用盲分离算法的理论进行求解,
从与多个发射器相对应的天线中所接收到的混合信号
中,恢复出各个通信的源信号;在语音识别方面,接
收的语音指令会不可避免的带有各种环境噪声,这就
需要运用盲分离算法去解决这种“鸡尾酒会”的问题,
去分离识别正确的语音信息;在生物医学信号处理方
面,盲信号分离也应用的非常多,主要在脑电信号、
脑磁信号、心电信号以及核磁共振成像信号等方面都
有着广泛的应用,对信号的提取问题方面取得了非常
好的效果[13-15]。
除此以外,还在图像滤波、声纳问题、无线电频
谱管理以及光纤通信方面都有应用。
5. 展望
目前为止,盲分离算法在很多领域都有了实际性
的应用,但是也还有许多理论上的问题需要解决,例
如可以通过研究使算法在全局收敛性上得到提高,令
算法的收敛速度增快,以及对算法的稳定性以及鲁棒
性方面都可以进行更加深层次的研究。未来在应用方
面,可以尝试把盲分离算法应用在电磁信号的分离去
噪方面,研究分析提取电磁辐射信号的效果。
Copyright © 2011 Hanspub Oe
何丹丹 等 | 盲信号分离算法综述
Copyright © 2011 Hanspub Oe
5
6. 致谢
这篇论文的完成我要衷心感谢我的恩师申金媛老
师和刘润杰老师,从选定题目,到指导修改论文,老
师们时刻关注着我的学术成长,对我寄予了深深的厚
望,感谢老师!还要感谢所参考和引用文献的作者,
你们的成果是我研究的基础,没有你们的努力,就没
有我的成果。最后,真心的感谢《光电子》期刊对本
论文的认可及接纳。
参考文献 (References)
[1] 张贤达, 保铮. 盲信号分离[J]. 电子学报, 2001, 29(12A):
1766-1771.
[2] 夏冰. 基于非线性 PCA 的胎儿心电信号提取算法研究[D]. 郑
州: 郑州大学, 2009.
[3] 李文娟, 郭晓静, 吴小培. 结合 ICA和PCA 方法的胎儿心电
提取[J]. 计算机技术与发展, 2007, 17(8): 223-225.
[4] 周宗谭, 董国华, 胡德文等. 独立分量分析[M]. 北京: 电子
工业出版社, 2007.
[5] A. Weingessel, K. Homik Local PCA algorithms. IEEE Transac-
tion on Neural Networks, 2000, 11: 1242-1250.
[6] 李木森, 毛剑琴. 盲信号分离的现状和展望[J]. 信息与电子
工程, 2003, 3(1): 69-79.
[7] 胡学友. 盲信号分离技术及其应 用研究[D]. 合肥: 合肥工业
大学硕士学位论文, 2003.
[8] A. Hyvarinen, E. Oja. Independent component analysis: Algo-
rithms and applications. Finland Neyral Networks, 2000, 13(4-5):
411-430.
[9] 杨竹青, 李勇, 胡德文. 独立成分分析方法综述[J]. 自动化学
报, 2002, 28(5): 762-772.
[10] 李小军, 朱孝龙, 张贤达. 盲信号分离研究分类与展望[J]. 西
安电子科技大学学报(自然科学版), 2004, 31(3): 399-404.
[11] 高鹰, 谢胜利. 基于非线性 PCA 准则的两个盲信号分离算法
[J]. 计算机工程与应用, 2005, 22: 24-26.
[12] X. L. Zhu, X. D. Zhang. Adaptive RLS algorithm for blind
source separation using a natural gradient. IEEE Signal Process-
ing. Letters, 2002, 9(12): 432-435.
[13] D. H. Li, M. Diao, and X. F. Dai. Blind separation algorithm for
audio signal based on genetic algorithm and neural network.
Shanghai: IEEE Computer Society, 2008, 436-440.
[14] 张承钰. 通信信 号盲分离方法研究[D]. 合肥: 中国科学技术
大学, 2009.
[15] 刘清欣. 胎儿心电信号提取的算法研究[D]. 郑州: 郑州大学,
2007.

版权所有:汉斯出版社 (Hans Publishers) Copyright © 2012 Hans Publishers Inc. All rights reserved.