信号的稀疏性分析

在工程应用中，许多信号统计上都服从或者近似服从广义Gaussian分布（GGD：Generalized Gaussian Distribution）.着重讨论了广义Gaussian信号的稀疏性问题.首先，针对广义Gaussian信号，推导出了反映信号稀疏性的数学公式.按照这个公式，Laplacian信号的度量值为1，Gaussian信号度量值为2.通过计算信号的度量值，并将其与Laplacian信号和Gaussian信号的度量值进行比较，可以很直观地知道该信号的稀疏程度.同时，给出了一些稀疏盲分离实例.仿真结果表明：（1） 在源信号极其稀疏的情况下，比如稀疏性度量值只有0.083（仿真1），借助稀疏性能够很好地实现欠定盲分离（UBSS：Undetermined Blind Source Separation）；（2） 当观测信号数目比较少的情况下，如仅有3个观测信号，只有当源信号比Laplacian信号更为稀疏时，如稀疏度量值为0.7012（仿真2），对于欠定盲信号分离问题，才可能取得较好的盲分离效果.     

SIMO信道的卷积盲分离新算法

提出了一种"逐次替代"卷积混叠盲信号分离方法。针对观测信号数目多于源信号数目的混叠情形,基于最小均方误差准则,将问题转化为求解一个关于信道参数和源信号的优化问题。通过代价函数对未知参数求导数,分别得到关于信道参数和源信号的两个表达式,通过对两个表达式的相互逐次替代来寻求源信号。由此给出了"逐次替代"卷积混叠盲分离方法。逐次替代盲解卷算法无需设置迭代步长,容易编程实现。仿真表明,该算法对于FIR SIMO情形能得到较好的效果。     

基于稀疏元分析的欠定混叠自适应盲分离方法

传统盲分离理论假设源信号相互独立，通常采用独立元分析方法等实现盲分离，无法解决实际应用中出现的欠定混叠、相关源信号混叠等挑战性盲分离问题．稀疏元分析是国际上最近出现的一个新的研究热点，稀疏元分析盲分离方法具有实现欠定混叠盲分离和相关源信号混叠盲分离的能力，因而为广大研究人员所关注．但到目前为止，对于稀疏元分析的研究还很不成熟，特别是非常欠缺有效的算法．仅有的少数几个算法仍然面临许多问题，比如：基于Lewicki和Sejnowski（2000）所给Lewicki—Sejnowski自然梯度的稀疏元分析方法，是目前讨论欠定混叠盲分离的一种有效自适应算法，它较通常的K-均值聚类法有更多的优势．但Lewicki—Sejnowski自然梯度只是一种近似表示，缺乏严格的理论依据．由稀疏元分析代价函数出发，基于矩阵理论以及文中所建立的一个新的数学公式，从理论上导出了一个新的且严格的自然梯度，从而为这类稀疏元分析方法提供了严格的理论基础．在此基础上，给出了稀疏信号欠定混叠的新自适应盲分离算法．该方法具有实现欠定混叠和相关源混叠盲分离的能力（见仿真1）．仿真结果表明，所给的新自然梯度比Lewicki—Sejnowski自然梯度更为稳定可靠，同时算法具有较好的抗噪性．     

盲信号分离模型的混叠矩阵估计算法

针对传统盲信号分离方法通过估计分离矩阵实现盲信号分离难以同时适应适定、欠定和过定模型的问题,给出了一种新的方法,直接估计混叠矩阵实现盲分离.首先给出估计混叠矩阵的梯度学习公式,并分析了该梯度算法对适定模型的有效性,然后将它推广到过定混叠和欠定混叠模型,从而得到了一种适用于各种盲分离模型的混叠矩阵估计算法.仿真例子检验了所提出的算法在适定情形下与原有算法有类似的特性,而又可以同时适应过定和欠定模型.     

稀疏表示与病态混叠盲分离

Bofill（2001）等人首次针对两个传感器的稀疏信号盲分离问题进行了讨论. 但也正如Bofill自己所指出的那样, 此方法存在局限性, 特别是其中的势函数的参数选择缺乏理论指导, 而且此方法不宜推广到具有三个或更多的传感器的情形. 因此这里回避Bofill势函数方法, 建立了K-PCA方法（即K-聚类与主成分分析PCA相结合的方法）. 新方法克服了Bofill方法参数选择的困难, 可以方便地应用于三个及其以上传感器的情况, 而且具有实现简单、混叠矩阵估计精度高的特点. 另外, 为了检验混叠矩阵A的估计是否一定有效, 给出了相应的判别准则. 仿真结果表明了该方法的可行性和准确性.