无先验知识条件下基于统计学习的自适应盲分离技术研究

将统计学习方法引入盲信号分离技术中，研究一种无先验知识条件下的自适应盲源分离算法。该研究以统计学习方法作为工具，对无先验知识且不可观测的源信号进行动态的自适应估计，根据该估计建立高效的源信号的统计模型，并在此基础上建立混合系统与解混合系统的理论框架，得到需要优化的对比函数，采用矩阵优化方法，获得有实用价值的盲分离算法，同时在硬件平台上进行算法的实时实现，以验证所提出模型与算法的有效性。.此研究将统计学习的方法引入到盲分离问题中，使分离算法在对源信号无任何先验知识的件下也具有良好的自适应特性。基于统计学习的盲分离技术具有良好的自适应性和抗干扰能力，可以处理各种复杂场景下的盲分离问题，在雷达与声纳等阵列信号处理、语音处理、生物医学信号处理以及图像处理等领域中有着广阔的应用前景。

本项目将统计学习方法引入盲信号分离技术中, 研究一种无先验知识条件下的自适应盲源分离算法. 并且使用矩阵优化方法来获取有使用价值的分离算法. 首先, 研究了在信号源个数一定的条件下, 通过增加观测信号的个数, 使用过定模型来建模, 这样可以增加观测信息, 为未知信号提供更为丰富的信息, 提高未知信号提取的有效性. 其次, 采用扩展的自然梯度对盲分离问题的目标函数进行最优化分析, 通过对矩阵元素构成的Riemann空间的度量不变性进行分析, 将矩阵空间中的任意点变换到空间中的单位矩阵这一特殊点, 引出了扩展的自然梯度这一表达形式, 将其应用到盲分离问题中, 获得了新的分离算法. 此外, 将相对梯度思想引入到对比函数中, 将矩阵空间中点的绝对变化改为相对变化, 将目标函数对相对变化量进行求导, 获得了相对梯度,得到了新的分离算法. 同时, 利用相对梯度结合矩阵扰动方法来求解实时化的盲源分离问题, 对一些简单的混合信号的分离取得了一定的效果, 但在复杂背景与噪声环境下, 效果还有待改进. 另外, 还提出了求解一类矩阵方程的解析解的方法...此外, 还研究了将多传感器处理和多目标优化问题进行了结合, 尝试解决多目标优化问题, 提出了新的算法进行求解, 同时将多目标优化算法应用到分布式基站中的用户调度问题中. 同时申请了一项软件著作权专利, 使用非参数方法来自适应地估计出未知源信号的统计特性, 并使用了矩阵扰动方法来求解分离矩阵, 提出了有正交约束和无正交约束条件的分离算法, 并用Matlab成功实现了该算法, 该算法输入简单,仅需要输入混合信号以及最大迭代步长与收敛精度即可. 还申请了两项发明专利: (1) 基于独立成分分析的自适应混合图像分离方法; (2) 基于独立成分分析的自然场景去噪方法. 在专利(1)中, 将一维信号的盲分离推广到了二维图像分离问题中. 在专利(2)中,将原始的二维图像信号变换到独立分量域中, 利用独立分量的稀疏特性去除噪声.