简析算法基于FastICA盲源分离算法结论

摘要：FICA是一种非常有效的盲信号分离算法，该算法比批处理甚至自适应处理具有更快的收敛速度。本文介绍了一种以四阶累计量为判据的固定点算法。运用matlab仿真，对四路不相关的源信号进行分离，仿真结果表明，该算法能有效的分离出四路源信号，获得了比较好的效果。
关键词：盲分离 独立分量分析 四阶累计量
1007-9416（2013）06-0140-02
1 引言
独立分量分析（independent component analysis，ICA）是近年来发展起来的一种新的信号处理技术。基本的ICA是指从多个源信号的线性混合信号中分离出源信号的技术。除了已知源信号是统计独立外，无其他先验知识，ICA是伴随着盲信源问题而发展起来的，故又称盲分离。
在复杂的背景环境中所接收的信号往往是由不同信源产生的多路信号的混合信号。ICA方法是基于信源之间的相互统计独立性。与传统的滤波方法和累加平均方法相比，ICA在消除噪声的同时，对其它信号的细节几乎没有破坏，且去噪性能也往往要比传统的滤波方法好很多。而且，与基于特征分析，如奇异值分解（SVD）、主成分分析（PCA）等传统信号分离方法相比，ICA是基于高阶统计特性的分析方法。在很多应用中，对高阶统计特性的分析更符合实际。
1997年芬兰学者Aapo Hyvarinen等人首先提出基于四阶累积量的固定点算法。其后，在1999年又提出了进一步的改进—基于负熵的ICA固定点算法。在2001年的著作中他们又作了进一步简化。由于这一算法比批处理甚至自适应处理，具有更快的收敛速度，因此又被称为“快速ICA算法”（fast ICA，FICA）。

2 Fast ICA的基本原理

2.1 数学模型

2.2 Fast ICA算法简介

2.1 四阶累计量判据

从观察得到的分离前与分离后的波形的比较，发现4个波形的信号基本相同，说明该算法能有效的分离出4个源信号，分离效果良好。
4 结语
本文提出一种基于四阶累计量的快速独立分量分析算法，通过实验证明该方法为一种可有效分离源信号的方法，该方法理论上还可以应用到其他的混合源信号的分离中，比如振动信号，但分离效果还需要进行验证，这是下一步要讨论的问题。
参考文献
Hyvarinen A， Erkki Oja.Independent component analysis：algorithm and app lication [J].Neural Networks，2000，13（425）：4112430.
杨福生，洪波.独立分量分析的原理与应用.北京.清华大学出版社，2006.1.
[3]王翔，范启富.基于FICA的盲语音信号分离方法研究.微计算机信息，2009.3.
[4]贾银洁，许鹏飞.基于FastICA的混合音频信号盲分离.2009.8.
[5]蹇柯，崔志涛.一种基于四阶累积量的改进快速ICA算法.广东工业大学学报，2008.12.

源于：论文书写格式www.udooo.com