崔艷

【摘 要】提出了一種基于負熵的無預(yù)白化的具有等變性的獨立成分分析算法。首先介紹了負熵的定義以及如何使用負熵作為代價函數(shù)來度量混合信號的非高斯性。詳細介紹了將分離向量和預(yù)白化矩陣結(jié)合得到了基于負熵的無預(yù)白化的迭代算法。最后通過選取4組非高斯向量作為信號源進行仿真實驗，結(jié)果顯示分離效果良好。

【關(guān)鍵詞】獨立成分分析;負熵;預(yù)白化

中圖分類號： TN97 文獻標識碼： A 文章編號： 2095-2457（2019）19-0080-003

DOI：10.19694/j.cnki.issn2095-2457.2019.19.037

0 引言

獨立成分分析（ICA， Independent Component Analysis）[1]是上世紀90年代為解決盲信號處理中的盲源分離問題而發(fā)展起來的一種有效的信號處理方法，其目的是從隨機線性混合的觀測信號中恢復(fù)出各個源信號。現(xiàn)已廣泛應(yīng)用于通信、金融、遙感、生物醫(yī)學、語音處理、地震預(yù)報、特征提取、數(shù)據(jù)挖掘[2-3]等領(lǐng)域。當假設(shè)源信號統(tǒng)計獨立時，獨立成分分析就等同于盲源分離模型。獨立成分分析算法的目的是得到一種搜索方法，目的是極大（極小）化代價函數(shù)，此函數(shù)是源信號非高斯性或獨立性的一種度量。白化是獨立成分分析的預(yù)處理，然而，基于預(yù)白化數(shù)據(jù)的獨立成分分析算法是沒有等變化特征[4]的。為了解決此問題，我們通過將預(yù)白化步轉(zhuǎn)化為一權(quán)正交約束條件，提出了一種新的具有等變化性的獨立成分分析算法。

4 結(jié)論

本文首先介紹了負熵的定義，由于預(yù)白化的過程影響收斂速度和分離的準確性。因此，我們提出了以負熵作為非高斯性度量的無預(yù)白化的獨立成分分析算法，此算法將白化和分離過程結(jié)合在了一起，將自相關(guān)矩陣引入到了約束中，使得分離矩陣應(yīng)當滿足權(quán)正交，克服了一般算法不具有等變化性的缺點。仿真實驗結(jié)果也表明此算法是有效的。

【參考文獻】

[1]Hyvarinen，A.，Karhunen，J.，Oja，E.：Independent Component Analysis.Wiley，New York（2001）.

[2]Girolami， M.： Self-Organizing Neural Networks： Independent Component Analysis and Blind Source Separation. Springer， London （1999）

[3]Amari， S.， Cichocki， A.， Yang， H.H.： A New Learning Algorithm for blind Souce Separation. In： Advance in Neural Information Processing Systems， vol. 8，pp. 757-763. MIT Press， Cambridge （1996）

[4]Cardoso，J.F.，Laheld，H.：Equivariant Adaptive Source separation.IEEE Trans.Signal Process.44（12），3017-3029（1996）

[5]Y. Jimin， H. Ting， New fast-ICA algorithms for blind source separation without pre-

Whitening， Commun. Comput. Inf. Sci. 225（2011） 579-585.

[6]T. Xingjia， Z. Xiufang， Y. Jimin. Adaptive Step-size Natural Gradient ICA Algorithm with Weighted Orthogonalization. Circuits Syst Signal Process （2014）33：211-221.

[7]Ying Tang. Independent component analysis employing exponentials of sparse antisymmetric matrices. Neurocomputing， 325，172-181（2019）.

[8]Yang Zheng， Xiaogang Hu. Interference removal from electromyography based on Independent component analysis. IEEE Transactions on Nerual systems and Rehabilitation Engineering， 27（5），（2019） 887-894.