文獻標識碼： A
文章編號： 0258-7998(2012)02-0101-04
近年，盲信號分離BSS（Blind Source Separation）的研究已經成為信號處理領域的一個研究熱點，涌現出許多盲分離的算法。盲信號分離是在源信號和傳輸信道參數未知的情況下，僅根據源信號的統計特性，從觀測信號中分離源信號的過程[1]。盲信號分離所研究的混疊模型主要分為瞬時混疊和卷積混疊兩類。瞬時盲分離已經得到廣泛而成熟的研究，聯合塊（JBD）對角化是解決瞬時盲分離的有效方法[2-4]。然而，傳感器接收到的信號通常是源信號與多徑傳輸信道的卷積混疊信號，這使得卷積盲分離受到越來越多的關注[5-7]。
與瞬時混疊模型相比，卷積混疊信號模型及其求解更為復雜。在現有方法中，基于高階統計量的時域算法[8-9]是解卷積混疊盲信號分離問題的一類直觀且有效的方法。作為時域算法，它不需要解決頻域算法[10-11]中所固有的又不得不解決的尺度模糊和排列模糊問題；同時，對一組高階累積量矩陣同時進行JBD又可以有效地抑制高斯噪聲的影響。鑒于這兩點，本文提出一種基于高階累積量的JBD時域算法，來解決卷積混疊盲信號分離問題。
1 問題描述
盲信號分離的目的是把通過一未知混合系統后的觀測信號分離開來。在卷積混合情況下，假設源信號通過一個線性有限脈沖響應FIR濾波器，也就是說觀測信號是由它們的延遲所組成的線性組合，即：
用參考文獻[14]中所提到的自然梯度算法來分離卷積混合的源信號,最后分離出來的信號波形如圖3所示。
從兩種算法分離出的信號波形圖中很難明顯看出其性能的差別，下面通過兩個性能指標來客觀地分析一
陣。在此基礎上通過使代價函數最小化的方法來使累積量矩陣成為塊對角矩陣，進而實現盲分離。計算機仿真結果表明，本文算法與自然梯度算法相比有分離精度高及分離速度快的特點。
參考文獻
[1] HAYKIN S. Unsupervised adaptive filtering, vol I: Blind source separation[M]. New York: Wiley Press, 2000:21-23.
[2] SIDIROPOULOS N D, BRO R, GIANNAKIS G B. Parallel factor analysis in sensor array processing[J]. IEEE Trans Signal Process, 2000,48(8):2377-2388.
[3] VANDER V A J. Joint diagonalization via subspace fitting techniques[A].In Proc.ICASSP’01[C]. Piscataway,NJ:IEEE Press, 2001:2773-2776.
[4] ARIE Y. Non-orthogonal joint diagonalization in the leastsquares sensewith application in blind source[J]. IEEE Trans Signal Process, 2002, 50(7):1545-1553.
[5] ABED-MERIAM K, BELOUCHRANI A. Algorithms for joint block diagonaliztion[A]. In Proc. EUSIPCO’04[C]. Vienna:EURASIP Press,2004:209-212.
[6] FEVOTTE C, THEIS F J. Orthonormal approximate joint block diagonalization[R].Technical Report GET/Télécom Pairs, 2007D007, 2007.
[7] 胡可,汪增福.一種基于時頻分析的語音卷積信號盲分離算法[J].電子學報,2006,34(7):1246-1254.
[8] BUCHNER H, AICHNER R, KELLERMANN W. A generalization of blind source separation algorithms for convolutive mixtures based on second-order statistics[J]. IEEE Transactions on Speech and Audio Processing, 2005,13(1):120-134.
[9] GHENNIOUI H, FADAILI E M, MOREAU N T, et al. A nonunitary joint block diagonalization algorithm for blind separation of convolutive mixtures of sources[J]. IEEE Signal Processing Letters, 2007,14(11): 860-863.
[10] SAWADA H, MUKAI R, ARAKI S, et al. A robust and precise method for solving the permutation problem of frequency-domain blind source separation[J]. IEEE Transactions on Speech and Audio Processing, 2004,12(5): 530-538.
[11] HE Z S, XIE S L, DING S X, et al. Convolutive blind source separation in the frequency domain based on sparse representation[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2007,15(5):1551-1563.
[12] GOROKHOV A, LOUBATON P. Subspace based techniques for second order blind separation of convolutive mixtures with temporally correlated sources [J]. IEEE Trans.Circuit Syst., 1997，44(9):813-820.
[13] BOUSBIAH-SALAH H, BELOUCHRANI A,ABED-MERAM K. Jacobi-like algorithm for blind signal separation of convolutive mixtures[J]. Electron. Lett.,2001(37):1049-1050.
[14] AMARI S, DOUGLAS S, CICHOCKI A,et al. Multichannel blind deconvolution and equalization using the natural gradient[J]. In Proc. 1st IEEE Workshop Signal Processing Advanced Wireless Commun., Paris, France, 1997(4):101-104.