动态卷积混合信道的自适应盲辨识与源分离方法研究

多输入多输出信道的盲辨识与源信号的盲分离是当前信号处理学界的前沿研究课题，这种盲处理技术对于阵列模型失配具有很好的鲁棒性。绝大部分盲处理技术主要针对源信号瞬时线性混合的情况，本项目研究更符合实际环境且更具有挑战性的多输入多输出卷积混合信道盲辨识与源分离方法。在卷积混合的情况下，需要辨识的系统参数较多，因此传统的针对卷积混合的盲分离方法大多建立在时不变信道和平稳信源的假设下，其算法一般是批处理的，因此算法不能跟踪环境的变化。然而在具有严重多径衰落的复杂通信环境下，信道往往是时变的，而且对于语音等非平稳信号的盲分离，传统算法的性能也会严重降低。本项目着重研究更加稳健的自适应盲辨识与源分离方法，因此本项目的研究具有重要的理论意义和迫切的现实意义。

与瞬时盲信号分离相比，卷积混合的信道辨识和源信号分离需要估计更多的参数，本课题着重研究更加稳健的自适应盲辨识与源分离方法，因此本项目具有一定的挑战性。一方面，本项目通过短时傅里叶变换将卷积混合变换到时频域的瞬时混合，完成了信号模型的转换，提出了时频域联合零对角化的迭代算法，避免了联合零对角化收敛到病态解，提出了低复杂度的联合零对角化算法，降低了信道辨识的计算量。另一方面，本项目将时域卷积混合模型转换成多维独立分量分析模型，提出了可以避免病态解的快速联合块对角化算法，完成了在时域的分离滤波器估计，实现了时域卷积盲信号分离。此外，本项目还提出了联合对角化的自适应求解方法，这使联合对角化技术可以用于对非平稳的混合过程进行系统辨识和源信号恢复。因此本项目的研究成果对于解决卷积混合情况下的信道辨识和源信号恢复具有重要的指导意义。