一种任意信号源盲分离的高效算法
基于独立分量分析的PCMA信号盲分离算法
基于独立分量分析的PCMA信号盲分离算法PCMA信号是一种数字脉冲编码调制信号，它通过对模拟信号进行采样和量化，再使用脉冲编码的方式进行传输。
在传输过程中，PCMA信号可能会受到噪声和其他干扰的影响，导致信号的失真。
因此，需要使用信号盲分离算法对混合信号进行处理，以提取出原始信号的信息。
1.数据预处理：首先对混合信号进行预处理，包括对信号进行去噪、滤波和归一化处理。
这一步骤旨在将混合信号的统计特性变得符合ICA的假设。
2.ICA模型建立：建立ICA模型，将混合信号表示为独立成分的线性组合。
假设混合信号的模型为X=AS，其中X是混合信号矩阵，A是混合矩阵，S是独立成分矩阵。
利用ICA的统计特性，目标是通过矩阵A的估计，还原出独立成分S。
3.目标函数优化：通过优化目标函数，得到矩阵A的估计值。
常用的目标函数是最大化非高斯性，即最大化独立成分的非高斯性，使得独立成分在统计上更加独立。
常用的优化方法包括最大似然估计和信息论准则。
4.盲分离：根据得到的矩阵A的估计值，对混合信号进行分离处理，提取出独立成分。
可以通过矩阵运算将混合信号转换为独立成分信号。
5.信号重构：对分离得到的独立成分进行重构，得到原始信号的近似估计。
可以使用逆变换将独立成分信号转换为原始信号的形式。
基于独立分量分析的PCMA信号盲分离算法在提取混合信号中独立成分方面具有一定的优势。
它不需要先验知识，可以自动地从混合信号中提取出独立成分，适用于复杂的信号分析和处理任务。
然而，该方法也存在一些限制，如对混合信号的独立性假设较强，对信号噪声敏感等。
综上所述，基于独立分量分析的PCMA信号盲分离算法能够有效地提取混合信号中的独立成分，对信号分离和降噪具有一定的应用价值。
在实际中，可以根据具体的应用场景选择适合的优化方法和参数设置，以提高信号分离的精度和可靠性。
利用深度学习技术进行盲源分离算法研究
利用深度学习技术进行盲源分离算法研究近年来，深度学习技术在信号处理方面应用越来越广泛。
其中，盲源分离技术是一种十分重要的信号处理方法，它通过分离混合信号中的不同成分，从而提取出原始信号。
深度学习技术具有自适应性和鲁棒性等优点，在盲源分离算法中的应用也越来越多。
一、盲源分离算法简介盲源分离算法是在不知道混合过程的情况下，通过分离混合信号中的各个成分，得到原始信号的一种方法。
常见的盲源分离算法包括独立成分分析（Independent Component Analysis，ICA）、非负矩阵分解（Nonnegative Matrix Factorization，NMF）以及稀疏表示（Sparse Representation，SR）等。
ICA是一种基于统计独立性的盲源分离算法。
该算法假设混合信号的各个成分是独立的，通过最大化信号的非高斯性，从而实现混合信号的分离。
NMF则将信号矩阵分解成非负的因子矩阵的乘积，从而得到原始信号，是一种基于矩阵分解的盲源分离算法。
SR则是利用过完备字典将信号表示为稀疏线性组合的方式进行盲源分离。
二、深度学习技术在盲源分离算法中的应用深度学习技术在盲源分离算法中的应用主要包括两个方面：一是采用深度神经网络构建盲源分离模型，二是利用深度学习技术进行特征提取和信号预处理。
1. 基于深度神经网络的盲源分离模型深度神经网络被广泛应用于图像和音频等领域，可以学习到复杂的特征表示，对盲源分离问题也有很好的应用前景。
近年来，研究者们提出了基于深度神经网络的盲源分离模型，如深度卷积神经网络分离声源模型(DCSE)。
Deep Clustering(DC)是一种基于深度学习的盲声源分离方法，其核心思路是将说话者的分布嵌入到单频滤波器频率系数的向量空间。
DC算法中，将滤波器系数表示为一个二维矩阵，其中每一行对应一个频率带，每一列对应一个时间帧。
同时，为了提高DC 方法的性能，可以采用类似与图像超分辨的深度残差网络模型，实现语音特征高维表示和非线性映射。
盲源分离
盲源分离
盲源分离是指在信号的理论模型和源信号无法精确获知的情况下,如何从混迭信号(观测信号)中分离出各源信号的过程。
盲源分离和盲辨识是盲信号处理的两大类型。
盲源分离的目的是求得源信号的最佳估计，盲辨识的目的是求得传输通道混合矩阵。
1 引言
盲源分离主要分为线性混叠和非线性混叠两种。
非线性混叠的主要有通过对线性模型的扩展和用自组织特征映射的方法[8]。
对于振动信号的盲分离，从2000年才开始受到重视[9]，并且研究的范围主要在旋转机械和故障诊断中。
2 盲源分离基本概念
盲源分离问题可用如下的混合方程来描述[4]：。
gibbs 单通道盲源分离算法
gibbs 单通道盲源分离算法"Gibbs单通道盲源分离算法"，以中括号内的内容为主题，写一篇1500-2000字文章，一步一步回答引言随着科学技术的迅猛发展，信号处理领域也取得了突破性进展。
盲源分离（BSS）算法是信号处理领域中的一项重要技术，通过对混合信号进行分析和处理，可以有效地分离出独立的源信号。
在众多的BSS算法中，Gibbs单通道盲源分离算法引起了广泛的关注。
本文将一步一步介绍Gibbs单通道盲源分离算法的原理、优缺点以及应用场景。
第一部分：Gibbs单通道盲源分离算法的原理Gibbs单通道盲源分离算法是一种基于贝叶斯推理的盲源分离算法。
该算法通过对混合信号中的独立源信号进行估计，从而实现分离。
其具体原理如下：1. 参数模型选择在使用Gibbs单通道盲源分离算法时，首先要选择合适的参数模型。
通常情况下，可以选择高斯混合模型（GMM）或是学生t分布模型（TMM）作为参数模型。
2. 数据预处理为了提高分离算法的准确性，需要对混合信号进行预处理。
常见的预处理方法包括滤波、归一化和降噪等。
3. 独立源信号估计基于参数模型和预处理后的混合信号，可以通过概率分布估计方法对独立源信号进行估计。
Gibbs单通道盲源分离算法使用马尔科夫链蒙特卡洛（MCMC）方法进行估计，通过采样和迭代的方式，逐步逼近真实的独立源信号。
4. 收敛判定和分离结果算法迭代至收敛条件后，可以得到最终的独立源信号估计结果。
通过分析和比较估计结果与真实源信号的相关性，可以评估算法的准确性。
第二部分：Gibbs单通道盲源分离算法的优缺点Gibbs单通道盲源分离算法具有以下优点：1. 算法简洁高效：Gibbs单通道盲源分离算法的迭代过程相对简单，不需要过多的参数调整和计算复杂度。
2. 可适应多种参数模型：该算法可以根据实际情况选择不同的参数模型，并且对于复杂信号的分离效果较好。
3. 适用于实时应用：Gibbs单通道盲源分离算法的计算时间较短，可以适用于实时信号分离场景，如音频信号处理等。
matlab 盲源分离 jade算法
Matlab 盲源分离 JADE 算法一、引言盲源分离是信号处理中的一个关键问题，用于从混合信号中分离出各个独立的源信号。
在实际生活中，混合信号往往是通过各种传感器或者设备采集得到的，源信号可能是声音、图像等各种形式的信息。
而盲源分离的任务就是从这些混合信号中还原出源信号，为后续的分析和处理提供基础。
JADE（Joint Approximate Diagonalization of Eigenmatrices）算法是一种经典的盲源分离算法，本文将介绍如何使用Matlab实现JADE算法，并探讨其在实际应用中的效果。
二、JADE算法的原理JADE算法是一种高阶统计方法，主要用于盲源分离和独立成分分析。
其基本思想是通过对数据的高阶统计特性进行分析，从而实现对独立源信号的估计和分离。
具体来说，JADE算法利用了信号的高阶统计独立性来实现盲源分离，通过对数据进行协方差矩阵的估计和特征值分解，进而得到信号的独立成分。
三、Matlab实现JADE算法的步骤使用Matlab实现JADE算法通常包括以下几个步骤：1. 数据准备：首先需要准备混合信号的数据，可以是从传感器采集得到的音频数据、图像数据等各种形式的信号数据。
2. 数据预处理：对采集到的数据进行预处理，包括降噪、滤波、归一化等操作，以保证数据的质量和稳定性。
3. JADE算法实现：利用Matlab提供的相关函数或者自行编写代码，实现JADE算法的核心步骤，包括协方差矩阵的估计、特征值分解等。
4. 结果分析：对JADE算法得到的分离后的独立成分进行分析和评估，包括信噪比的计算、频谱分析等。
四、JADE算法在实际应用中的效果JADE算法作为一种经典的盲源分离方法，在实际应用中取得了广泛的应用。
以语音信号分离为例，利用JADE算法可以将混合的多个说话人的语音信号分离成独立的单一说话人的语音信号，为语音识别、语音合成等应用提供了重要的基础。
另外，在无线通信、生物医学信号处理等领域，JADE算法也发挥了重要作用。
Matlab中的盲源信号分离方法与示例分析
Matlab中的盲源信号分离方法与示例分析引言：随着科学技术的发展，信号处理在各个领域中扮演着重要的角色。
其中，盲源信号分离（Blind Source Separation，BSS）作为一种重要的信号处理方法，用于从混合信号中恢复出原始信号的成分，已经在音频处理、图像处理、生物医学工程等多个领域得到了广泛的应用。
在本文中，将介绍Matlab中的盲源信号分离方法以及相关示例分析。
一、盲源信号分离方法介绍1.1 独立成分分析（Independent Component Analysis，ICA）独立成分分析是一种基于统计原理的盲源信号分离方法。
其核心思想是假设混合信号是通过独立的源信号进行线性叠加得到的。
通过对混合信号的统计特性进行分析，可以估计出源信号的独立成分，从而实现信号的分离。
1.2 因子分析（Factor Analysis）因子分析是一种基于概率模型的盲源信号分离方法。
它假设混合信号是通过一组共享的隐变量与线性映射关系得到的。
通过对混合信号的协方差矩阵进行分解和对隐变量的估计，可以恢复出源信号的成分。
1.3 主成分分析（Principal Component Analysis，PCA）主成分分析是一种常见的线性降维方法，也可以用于盲源信号分离。
其基本思想是通过找到数据中最大方差的方向，将原始数据映射到一个低维的子空间中，从而实现信号分离。
二、示例分析2.1 音频信号的分离在音频处理中，盲源信号分离方法可以用于提取出不同的音频源，例如乐器音轨、人声等。
下面以一个示例进行分析。
首先，我们随机选择两段音频，分别为X1和X2，并将它们混合产生一个混合音频Y。
然后，利用盲源信号分离方法对Y进行处理，尝试将其恢复出X1和X2。
在Matlab中，可以使用FastICA工具箱实现独立成分分析。
具体步骤如下：（1）读取音频文件，并将音频信号转化为时间序列的形式。
（2）利用FastICA函数对混合音频Y进行处理，得到分离后的音频信号S。
基于盲源分离的数字信号处理研究
基于盲源分离的数字信号处理研究数字信号处理（DSP）是指将连续信号转换成数字序列，并使用数字信号处理器对其进行处理的一种信号处理技术。
由于数字信号具有易于存储、传输和处理等优势，因此在现代通信、图像处理、音频处理等领域应用广泛。
盲源分离（BSS）是指从混合信号中恢复出原始信号的一种信号处理技术。
本文将介绍基于盲源分离的数字信号处理研究，并分析其在通信、图像处理、音频处理等领域中的应用。
一、数字信号处理的背景在过去的几十年中，由于半导体工艺、微处理器、计算机算法等技术的飞速发展，数字信号处理技术得到了极大的发展，同时也促进了通信、图像处理、音频处理等领域的发展。
在通信领域，数字信号处理技术的应用使得通信质量得到了极大的提高，同时也降低了通信成本。
在图像处理领域，数字图像处理技术的应用使得图像处理变得简单、高效、准确。
在音频处理领域，数字信号处理技术的应用使得音乐、语音等音频内容的处理更加清晰、平衡、自然。
数字信号处理技术已经成为现代信息处理和传输的核心技术之一。
二、盲源分离的基本理论盲源分离是指从混合信号中恢复出原始信号的技术，它是一种无监督的信号处理技术。
基于盲源分离的数字信号处理研究主要涉及两个方面：一是从混合信号中恢复出原始信号的方法，二是检测混合信号中的源信号是否相互独立的方法。
其中，独立性检验是盲源分离的核心问题之一，其主要目的是判断在一组混合信号中是否存在多个源信号，且这些源信号之间是相互独立的。
盲源分离的算法包括独立成分分析（ICA）、盲源分离（BSS）、单极性分解（SSA）等。
其中，独立成分分析是一种利用统计分析方法对混合信号进行分离的方法，它利用高阶统计量来推断独立性。
而盲源分离和单极性分解则是一种基于时域分析、频域分析和信号变换等技术对混合信号进行分离的方法。
三、基于盲源分离的数字信号处理在通信领域的应用在通信领域，基于盲源分离的数字信号处理技术主要应用于多用户检测、自组织网络可靠性分析、功率控制和无线信号的定位等方面。
通信信号盲源分离的高效算法研究
（） １
Ｆ ｓＩ Ａ算 法 Ｉ 建立 在使 提取 信号 的非 高斯 性最 大化 基础 上 的一种 串行 更新 的 自适 应算 法 ， 算 ａｔＣ ３ 是 “ 该 ＥＥｇ（ ｚ ］ ＥＥ ｗＴ ） 甜 ｚ ｗＴ ） 一 ｇ （ ｚ ］
一
式 中 叫 表示 叫 新后 的值 ． 了提 高解 的稳定 性 ， （ ）对 进 行 了归一 化处 理． 更 为 式 ２ 对 于 自然梯 度算 法 ， 如果源 信 号数 目是 未知 的 ， 用超 定方 式接 收 ， 混合 矩 阵是 × 矩阵 ， 采 则 分离 矩 阵 为 ｍ ×ｍ 方 阵 ， 时输 出的 ｍ 路 信号 中 除了存 在 路源 信号 的拷 贝外 ， 此 还有 ｍ— 路 冗余信 号 ， 它们 是 源信 号 的线性 变换 ， 常 以噪声 的形 式输 出． 种 情况 下 ， 信息 的极 小值 点并 不是算 法 的平衡 点 ， 通 这 互 无法稳 定收 敛． 另外 ， 自然 梯度 算法 需要 源信 号 的概率 密度 函数 估 计 ， 噪声 影 响 下或 者 源信 号 本 身 比较 复 杂 的 在
２ 自然 梯度算 法 和 Ｆ ｓ Ｃ ａｔ Ａ算 法的 仿真分 析 Ｉ 下面 通取 如 下 ４路 源 信 号 ： ＡＳ 调制 信 号 、 Ｆ Ｋ 制 ２ Ｋ ４Ｓ
信号 （ Ｍ） １ ＱＡＭ 调 制信 号 、 ５ Ｐ 、６ ２ ６个 子载 波 选用 ＱＰ Ｋ 映射 的 ＯＦ Ｓ ＤＭ 信 号 ． 号 的 采样 点 数 为 １ ０ 信 ００ ０
№ ． ４
陕 西 科 技 大 学 学 报
Ｊ ＯＵＲＮＡＬ ＯＦ Ｓ ＨＡＡＮＸＩＵＮＩ ＶＥＲＳ ＴＹ ＣＩ Ｉ ＯＦ Ｓ ＥＮＣ ＆ ＴＥＣＨＮＯＬＯＧＹ Ｅ
Ａｕ ２ １ ｇ． ０１
・
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
An Effective Algorithm for Blind Sep aratio n of Arbitrary So urce Signals
ZHANG Hong2yuan1 ,2 ,SHI Xi2zhi2
( 11 Department of Advanced Technology , Technology Center , ZTE Corporation , Shenzhen , Guangdong 518057 , China ;
213 相对梯度 EASI 算法
其中 s ( t ) = [ s1 ( t ) , …, sn ( t ) ] T 是一 n × 1 的矢量 , 其分量分 别为来自各个信号源的原始信号 . 类似的 , x ( t) 为混合信号 矢量 , 而矩阵 A 为 n ×n 的混合矩阵 , 其各元素为混合系数 . 信号源的盲分离问题就是仅仅由观测到的混合信号 x ( t) 和 原始信号矢量 s ( t ) 各个分量之间的统计独立性假设 , 并借助 某些对原始输入信号的概率分布的先验知识来恢复出原始的 输入信号矢量 s ( t ) , 有时也需要对混合矩阵 A 作出估计 . 信号源盲分离问题可以描述为计算一个 n ×n 的分离矩 阵 W 使其输出 ( 2) y ( t) = Wx ( t) 为对原始信号矢量 s ( t) 的一个估计 . 信号源盲分离问题存在 两个内在的解的不确定性 [ 6 ] . 一个是排列顺序的不确定性 , 即 无法了解所抽取的信号应是原始信号矢量 s ( t ) 中的哪一个 分量 . 另一个是信号幅度的不确定性 , 即无法恢复信号波形 的真实幅值 . 由于信息主要包含在信号的波形中 , 所以这两种 不确定性并不影响盲分离技术的应用 . 212 求解原理 信号源的盲分离是一个非常困难的问题 , 首先考虑这一
21 State Key Laboratory for Vibration Shock and Noise , Shanghai Jiaotong University , Shanghai 200030 , China)
Abstract : A new blind source separation algorithm called DBBSS ( Density Based Blind Source Separation) is proposed. In2 stead of using nonlinear functions ,the DBBSS algorithm use nonparametric kernel density estimation to directly estimate the score func2 tions of the signals. The key advantage of the proposed method over many existing blind source separation algorithms is its ability to separate hybrid mixtures that contain both super2Gaussian and sub2Gaussian sources. The DBBSS algorithm is also very simple in im2 plementation. Simulations show good performance of the proposed algorithm. Key words : blind source separation ;independent component analysis ;probability density estimation
n. 有 xi ( t ) = ∑
n j=1
aijsj ( t ) , 可以用矢量和矩阵表示为 x ( t ) = As ( t ) ( 1)
∑ 1 lo表明许多基于对照函数的信号源盲分离方法 , 包括累积 量最小化法和熵最大化法都可以看作是最大似然法 的 特 例 [4 ] . 为了便于信号源盲分离问题的求解 , 一般在进行分离以 前先对混合信号作一些适当的预处理以简化整个分离过程 . 一个非常有用的预处理方法是白化 , 即对混合信号 x ( t ) 作线 性变换 v ( t) = Vx ( t) , 使得变换后的新矢量 v ( t) 的各个分量 之间互不相关 , 即 E{ vi ( t) vj ( t) } = E{ vi ( t) } E{ vj ( t) } . 信号源的盲分离一般还假设原始信号的均值 ( 数学期望 ) 为零 , 所以在预处理过程中通常还需要除去信号的均值 .
摘 要: 提出了信号源盲分离的 DBBSS 算法 . 利用随机变量概率密度函数非参数估计的核函数法 ,对混合信号 的概率密度函数及其导数进行估计 ,并由此估计信号的评价函数 ( score function) . 解决了现有信号源盲分离算法中 ,普 遍存在的非线性函数只能凭经验选取 ,以及混合信号同时包含超高斯信号和亚高斯信号时 ,算法失效的问题 . 该方法 非常简单 ,可以直接应用于所有以非线性函数代替评价函数的信号源盲分离算法 . 仿真结果验证了算法的有效性 . 关键词 : 信号源盲分离 ; 独立分量分析 ; 概率密度函数估计 中图分类号 : TN911172 文献标识码 : A 文章编号 : 037222112 (2001) 1021392205
问题的可解性条件 . 已经证明 [ 2 , 6 ] , 当混合矩阵 A 列满秩 , 原始信号矢量 s ( t) 的各分量 si ( t) 之间两两独立 , 并且 s ( t) 的所有分量中 , 服从 高斯分布的分量不多于一个时 , 盲分离问题可解 . 若能够找到 矩阵 W 使其输出 y ( t ) = Wx ( t ) 的各个分量之间也两两独立 , 则 y ( t ) 就是原始信号矢量 s ( t ) 的完好的恢复 , 此时矩阵乘积
第 10 期
张洪渊 : 一种任意信号源盲分离的高效算法
1393
所测量的各个随机变量之间两两统计独立时 , 函数取得其最 大值或最小值 . 可以说 ,Comon 的工作实际上使得对信号源盲 分离算法的研究变成了对独立分量分析的对照函数及其优化 算法的研究 . 基于独立分量分析的原理 ,先后出现了信息最大 化、 鲁棒神经网络 、 非线性主分量分析 、 极大似然法 、 自然梯度 法以及非线性 Hebbian 类学习和反熵最大化等信号源盲分离 算法 . 由于源信号未知 ,现有信号源盲分离算法中普遍采用非 线性函数代替信号的评价函数 [1 ,3 ] ( score function) . 对于统计 特性未知的信号源 ,非线性函数往往只能凭经验选取 . 更重要 的是 ,对于超高斯 ( super2Gaussian) 信号和亚高斯 ( sub2Gaussian) 信号 ,需要选取不同的非线性函数 . 因此 ,当混合信号中同时 存在超高斯信号和亚高斯信号时 , 利用非线性函数代替信号 评价函数的算法就无法实现信号源的盲分离 . 本文利用概率 密度函数非参数估计的核函数法 , 直接对信号的评价函数进 行估计 ,并由此对现有的某些信号源盲分离算法进行改造 ,成 功地解决了这类算法存在的问题 .
1 引言
信号源盲分离是一种功能强的信号处理方法 . 对信号源 盲分离问题的早期研究始于二十世纪八十年代中后期 . 由于 信号源盲分离在无线通信 、 图象处理 、 地震 、 声纳 、 语言和生物 医学等领域具有广泛而诱人的应用前景 , 在过去短短的十几 年时间里 ,有关的理论和算法研究得到了较快的发展 . 包括信 号源盲分离问题本身的可解性以及求解原理等方面的基本问 题已经在一定程度上得到了解决 ,并提出了一些在分离能力 , 内存需求 ,计算量等方面性能各异的有效的信号源盲分离算 法 . 目前 ,信号源盲分离问题已经成为国际上信号处理和人工 神经网络等学科领域的一个研究热点 . 一般认为 ,对信号源盲分离问题的最早研究是由法国的 J . Herault 和 C. Jutten 在 1985 年左右开始的 ,现在常称他们的 方法为 H2J . 算法 . H2J . 算法中提出了一种针对两个源信号和 两个混合信号的递归连接的人工神经网络 , 通过利用梯度下 降的算法调整网络权值来对网络输出信号的残差进行最小化 并实现信号源的盲分离 . 在 Herault 和 Jutten 之后 ,不少学者对
收稿日期 :2000205215 ; 修回日期 :2001204211 基金项目 : 国家自然科学基金 (No. 69772001)
H2J . 算法的收敛特性进行了系统的研究 , 在只存在两个源信
号和两个混合信号的最简单情况下的收敛性问题已经得到了 完满的解决 . 之后 ,L. Tong 等在 1991 年对信号源盲分离问题的解的不 确定性即可辨识性进行了较为系统的研究 , 并指出信号源盲 分离问题实际上是一个多解问题 , 该问题的多解性可以用一 个任意的满秩矩阵进行参数化 . Tong 等指出 ,当参数化信号源 盲分离问题的满秩矩阵可以分解为一个满秩对角矩阵和一个 排列矩阵 ( 即初等矩阵 ) 的乘积时 , 盲分离问题的不确定性就 反映在源信号的真实幅度和原始排列顺序两方面 . 此时信号 源的波形可以得到恢复 , 并由此定义了信号源盲分离问题的 可解性 . Comon 在 1994 年证明了在源信号矢量的各个分量相 互统计独立 ,并且各个源信号中服从高斯分布的分量不多于 一个时 ,该变换矩阵可以分解为一个满秩对角矩阵和一个排 列矩阵的乘积 . Comon 还将盲解卷积中的对照函数 ( contrast function) 的概念借用到了独立分量分析当中 . 对照函数实质上 是一个随机变量的概率密度函数的泛函 , 当且仅当对照函数
T L ( y , W) = - 015log[ det ( WW ) ] -
2 信号源盲分离
211 问题描述
盲信号源分离 [ 1～8 , 12 ] (BSS :Blind Source Separation) 是指从 若干观测到的混合信号中恢复出无法直接观测到的原始信号 的方法 . 通常 , 观测信号来自一组传感器的输出 , 其中每一个 传感器接收到多个原始信号的一组混合 . 最简单的是传感器的数目和原始信号的数目相同的情 况 . 由于原始信号分别来自不同的信号源 , 因此认为各个原始 信号之间是相互独立的 , 也就是认为存在来自 n 个信号源的 统计独立的信号 s1 ( t) , …sn ( t) 以及同样多的观测到的混合 信号 x1 ( t) , …xn ( t) , 混合是线性和瞬时的 , 即对 i = 1 , 2 , …,