参考独立分量分析算法及应用研究

【摘要】：独立分量分析(Independent Component Analysis, ICA)是近年来数字信号处理领域的一个活跃分支。它能在不知道源信号的分布类型和混合参数的情况下,仅利用源信号的混合信号去恢复源信号的各个独立成分,因此又被称作盲源分离(Blind source separation, BSS)。因其对先验知识要求低的突出优点,独立分量分析已广泛应用在无线通信、生物医学、语音分离和图像消噪等许多领域。 传统的独立分量分析方法通常以分离所有的源信号为目标。然而,许多实际应用中仅对一个或者几个源信号感兴趣。例如,在语音增强应用中,只需获得目标语音信号,而无须得到噪声信号。为此,参考独立分量分析(independent component analysis with reference, ICA-R)将源信号的部分先验知识以参考信号形式引入到传统ICA算法中,从而在一定的量度下仅抽取与参考信号最为接近的某个或某些期望的源信号。该方法具有需要先验知识少,运算速度快等优点,已有效地应用于fMRI(functional Magnetic Resonance Imaging)的数据分析中。 本文针对参考独立分量分析主要做了以下四方面工作:(1) 通过合理构建目标语音信号的参考信号,将参考独立分量分析有效地应用于加性噪声下的语音增强。其中,通过深入分析语音的特点及其与各类噪声的区别,基于语音基音周期和语音信号功率谱包络两种方法构造了目标语音信号的参考信号,比较了在相关和均方误差两种距离函数下参考独立分量分析算法对不同的入侵噪声污染的语音信号的分离性能。(2) 通过适当构建胎儿心电信号(Fetal electrocardiogram, FECG)的参考信号,应用参考独立分量分析方法从孕妇的心电信号中有效地抽取了胎儿心电信号。这不但实现了胎儿心电信号的非入侵性检测,而且也为参考独立分量分析算法在MEG和EEG等信号中的应用提供了有效解决方案。(3) 在应用参考独立分量分析的过程中,我们发现原始算法的目标函数复杂,存在矩阵求逆、矩阵乘法等复杂运算,影响了算法的收敛速度和稳定性。为避免这些问题出现,我们采用混合数据预白化和权矢量归一化的方法,有效地给出了原算法的改进算法。(4) 针对原有方法对初值敏感且需要人为选择步长的局限性,给出了参考独立分量分析的定点算法。大量的计算机仿真实验和性能分析结果均表明了本文四方面工作的有效性。本文关于参考独立分量分析的算法研究有助于提出新的半盲分离方法,在提取感兴趣信号方面则比传统独立分量分析方法更为直接有效。