文獻標識碼: A
文章編號: 0258-7998(2013)01-0116-03
盲源分離BSS(Blind Source Separation)是信號處理領域的熱點,有著廣泛的應用前景。盲源分離是在對信源和通道先驗知識甚少的情況下,僅由觀察信號推斷信源和通道特性,從線性混合的觀測信號中分離出獨立的信號源。傳統(tǒng)的盲源分離往往關注于信號的一階統(tǒng)計量,研究信號間的相互關系,如主分量分析PCA(Principal Component Analysis)分解出的分量只是相互正交,具有明顯局限性。獨立分量分析ICA(Independent Component Analysis) [1-2]則基于信號的高階統(tǒng)計量,利用高于二階的統(tǒng)計信息正確實現(xiàn)源信號分離和恢復,并從多通道測量所得到的由若干獨立信源線性組合的觀察信號中,將這些獨立成分分解開來,具有更實際的物理意義。
在諸多ICA算法中,固定點算法(也稱FastICA)以其收斂速度快、分離效果好被廣泛應用于信號處理領域。該算法是基于定點遞推算法得到的,對任何類型的數(shù)據(jù)都適用,能很好地從觀測信號中估計出相互統(tǒng)計獨立的、被未知因素混合的原始信號,它的存在對運用ICA分析高維的數(shù)據(jù)成為可能。FastlCA算法本質上是一種最小化估計分量互信息的神經網(wǎng)絡方法,是利用最大熵原理來近似負熵,并通過一個合適的非線性函數(shù)g使其達到最優(yōu)。該算法具有很多神經算法的優(yōu)點如:并行的、分布的、計算簡單、要求內存小。近年來對ICA的研究在統(tǒng)計信號處理領域得到了廣泛的關注, 尤其在語音處理[3]、生物醫(yī)學信號處理[4]、圖像處理[5]等多方面的研究進展迅速。
1.2 預處理
為了計算方便,在進行ICA 處理之前,需要對觀測矢量x進行預處理,把x變?yōu)橹虚g輸出z,主要過程包括中心化和白化。
從表1所示的峰值信噪比的比較中可以看出,基于改進的FastICA算法進行圖像盲分離的效果得到顯著提高。同時從平均迭代次數(shù)對比中也可以看出,改進的FastICA算法迭代次數(shù)略多于傳統(tǒng)的FastICA算法。
本文在系統(tǒng)研究FastICA算法的基礎上,引入了一種綜合考慮峰度和偏度新的、簡單的目標函數(shù),并且對FastICA算法流程中的正交化過程作了改進。實踐證明,改進的算法顯著提高了獨立分量的分離效果,并且在圖像盲分離中得到了應用。
參考文獻
[1] COMON P. Independent component analysis, a new concept[J]. Signal Processing, 1994,36(7):287-314.
[2] CICHOCKI A, AMARI S. Adaptive blind signal and image processing:learning algorithms and applications[M]. John Wiley & Sons, 2002.
[3] TAKATANI T, et al. Blind separation of binaural sound mixtures using SIMO-model-based independent component analysis[C]. Acoustics, Speech and Signal Processing,2004.
[4] FLEXER A, et al. Using ICA for removal of ocular artifacts in EEG recorded from blind subjects[J]. Neural Networks, 2005,18(7):998-1005.
[5] FUNARO M, OJA E, VALPOLA H. Independent component analysis for artefact separation in astrophysical images[J]. Neural Networks, 2003,16(3): 469-478.
[6] HYVARINEN A, et al. Independent component analysis[M]. John Wiley & Sons, 2001.
[7] HYVARINEN A, OJA E. Independent component analysis:algorithms and applications[J]. Neural Networks, 2000,13(4-5):411-430.