发布时间 : 星期五 文章信号分离的背景及意义更新完毕开始阅读
信号分离的背景及意义
在嘈杂的街道上，各种声音混杂在一起，突然身边有一枚硬币掉落在地上，我们能够清楚的从混杂的声音中听出硬币落地的声音。这就是著名的“鸡尾酒效应”。也就是在有嘈杂声音的环境下，人的听觉系统能够使人在众多的声音信号中跟踪一种自己感兴趣的声音，而忽略其他的声音。这种从众多混合信号或者观察信号中，提取未知信号源的过程，就叫做盲信号分离，也称为盲源分离。术语“盲”有两层含义：一、信号源不能被观测。二、信号源如何混合是未知的。显然，当没有信源和信道的先验知识的时候盲信号分离是一种很自然的选择。
如何分离在众多讲话人环境下麦克风所采集的混叠语音信号，是盲源分离研究中的一个重要课题和研究热点。例如，当前针对语音识别已有很多算法被提了出来，但是这些研究基本上都是基于较为纯净的语音环境，一旦待识别的环境中有噪声和干扰，识别率就会骤然下降。因为大多数语音识别的语音模板基本上都是在无噪和无混响的“纯净“环境中采集、转换而成。而现实环境中不可避免的存在干扰和噪声，包括其他人的声音和回声等，这些噪声有时很强，使语音识别系统的性能大大降低甚至瘫痪。已有的信号去噪、参数去噪和抗噪识别等方法都有一定的局限。如果能实现噪声和语音的自动分离，即在识别前就获得较为纯净的语音，可以彻底解决噪声环境下的识别问题。近年来取得很大进展的盲源分离技术为噪声和语音的分离提供了可能，从而
使得噪声环境下和众多讲话人情形下的语音识别的实现成为可能，增大了识别算法的鲁棒性和适应能力。除此之外，高质量的语音通信，助听器和远程会议系统都会得益于此项技术。因此，语音信号的盲分离技术研究具有非常重要的理论和应用价值。
盲源分离的研究现状
盲源分离研究工作是从Linsker发表的论文（1989）和Jutten与Herault提出创造性的H-J递归神经元网络（1991）开始的，用H-J神经网络解决了两个线性混合源信号的盲分离问题，但是缺乏理论解释。Tong和Liu在文献中分析了盲源分离问题的可辨识性和不确定性。法国学着J-F，Cardoso早期研究了四阶累积量的代数性质，提出了基于矩阵联合对角化的预白花JADE算法。Comon（1994）系统地分析了瞬时混迭信号的盲源分离问题，同时引入独立量分析（ICA）的概念，他的思想是把神经元网络中的主分量分析（PCA）加以扩展并提出了最小化输出传感器间的互信息的代价函数，通过对概率密度函数的高阶近似以提取出线性混合量中的独立分量。可以说，Comon的工作实际上使得对盲信号分离算法的研究变成了对独立量分析的代价函数以及其优化算法的研究。1995年Bell和Sejnowski提出了信息最大化准则（Infomax)的最大熵法的盲源分离方法。1997Hyvarinen等人根据峰度的概念，提出了基于独立分量分析的快速分离算法FaslICA。日本学者Armari于1998年提出了自然梯度算法，大大加快了算法的收敛速度。Lee、Girolami和
Sejnowski（2000）讲这些盲源分离方法在信息理论框架下进行了统一。
随着盲源分离的深入研究，研究范围不断拓展，一些学者开始对相关源信号的盲分离问题进行研究，提出了时-频分析方法。2004年Yuan Zhijian和Erkki Oja提出了一种非独立分量分析的FastICA算法。近年来，状态空间法得到了逐步的发展，它从控制工程的角度重新描述混合矩阵和解混矩阵，转换了盲源分离的研究思路。
国内对盲源分离问题的研究相对较晚，直到近几年，国内关于盲源分离的研究才逐渐多了起来。清华大学的张贤达教授在其1996年出版的《时间序列分析——高阶统计量方法》一书中，介绍了有关盲分离的理论基础，其后关于盲分离的研究才逐渐多起来。1999年，张贤达和保铮对盲源分离的理论、方法以及应用作了综述。上海交通大学的胡光锐、虞晓等研究了盲信号处理（BSP）在语音分离与识别领域的应用，在分析了最大熵算法和最小互信息算法基础上，提出了一种利用反馈结构的输出信号概率密度函数估计的增强ME算法，新算法比较传统的ME算法对解决卷积混合输入的盲信号分离问题时，具有更好的分离性能。东南大学的何振亚、汪军提出基于高阶谱的信号盲分离，利用三阶和四阶累积量研究了瞬时魂蝶去信号盲分离的问题，并提出了两种分离算法，实验证实了其有效性，然而该算法只适用于高信噪比和长观察数据的盲辨识与信号分离场合。刘琚等从信息论角度
出发的基于递归神经网络的盲分离，对传输中的信息损失分引入Hebbian项，该算法在保证最大化信息传输的同时也最小化输出互信息，从而使网络的输出相互独立。清华大学的杨富生教授等人编写的《独立分量分析的原理与应用》是一本导引性较强的基础著作。
早期的工作集中于信源简单线性组合的情况。近期除了进一步改进这一类情况的有关算法外，更注意探讨一些更深入难题的解决。如：各信号传递过程中的有延迟或与通道发生卷积、系数时变、稀疏组合以及非线性、非平稳等情况。
盲源分离的应用
盲源分离技术在许多领域都得都了广泛的重视，尤其是在医学信号分析与处理（EEG、MEG、ECG）、地球物理数据处理、数据挖掘、语音增强、图像识别以及无线通信领域方面。在这些实际应用中，大量传感器信号或者数据（它们来自不同的独立源分离信号的滤波叠加）是可以利用的，其目标就是要通过对这些数据进行处理，使处理的输出对应于不用的原始源信号。