盲源分离 开题报告
盲源分离问题的分析研究
成实现 Ｂ Ｓ的学习算 法。根据分离 系统 的网络模型 、 Ｓ 描述该模型 的网
对 比 函 数实 际 上是 随机 变 量 概 率 密 度 函 数 的 泛 函 ， 有 当 随机 变 只 这 类 方 法 的 目的 就 是利 用 不 同 的优 化 方 法 估 计 出解 混 矩 阵 Ｗ ， 并 量 相 互独 立 时 ． 比 函数 才 能 达 到 最 大 值 或 最 小 值 。 Ｂ Ｓ问题 中 ， 对 在 Ｓ 对 使所选取的对 比函数（ 目标函数）达到最大（ Ｊ 或最小） 。 ． 比 函 数 的 选 取 主 要 依 据 独 立 分 量 分 析 【 论（ Ａ ， ｌ ｌ 理 Ｉ ） 即利 用 高 阶 统 计 工 Ｃ （ ） 于 随机 梯 度 法 的 Ｂ Ｓ算 法 ａ基 Ｓ 具 和 信息 论 的知 识 分 析 信 号 的统 计 独 立 性 ， 而 在 多 维 的 观 测 信 号 中 从
ｉ
经 在 控 制 、 列 、 音识 别 、 号处 理 和 通 信 等 领 域 得 到 广 泛 应 用 和 研 阵 语 信 究。
ＪＹ＝ ｕ ￣ ｉ （ 高 信 ／ ）∑Ｋｒ ）Ｍｎ 超 斯 号） （
ｉ
２ＢＳＳ 的基 本 原 理 ．
（ ） 熵 ： 据 其 定 义 ， 选 取 对 比 函 数 为 Ｊ（ ） 日Ｇｙ 一 ｙ ｊ ｂ负 根 可 ４ｙ ＝ （） Ｈ（ ） ２１混 合 模 型 ． Ｍａ． 于 负 熵 计 算 起 来 比较 困难 ， 此 常 采 用 高 阶 累 积 量 近 似 ， ｘ由 因 即 设 混 合 模 型 为 ： ＡｓⅣ 式 中 ， 相 互 统 计 独 立 的 ｎ维 信 号 源 矢 ＝ Ｊ ＋ ｓ为 ， ２ １ ， 量， ｘ为 观测 到 的 ｍ 维 混 合 信 号 矢 量 ， 为 ｍ 维 加 性 观 测 噪 声 矢 量 ； （ ＝ Ｅ ３＋ Ｎ Ａ ｙ 告 ｛｝— ｕ（‘ ，机 量ｙ 假 为 均 单 ） ｙ ｋｔ） 随 变 被 设 零 值、位 ｒｙ式中 为 未 知 的 ｍ ｎ列 满 秩 混合 矩 阵 。有 噪 声 的 Ｂ Ｓ实 现 起来 比较 困 难 ， ｘ Ｓ 为 方 差 。然 而 这 种 近 似对 非 鲁棒 性 非 常 敏 感 。故 通 常 采 用 另一 种 基 于 最 简 单 起 见 ． 般 不 考 虑 噪声 的 影 响 ， 其 混合 系 统模 型 可变 为 ： ＝ ． 一 故 Ｘ ＡＳ ２ 大熵 原理的近 似 ， 即 （ ： ｙ） 【 Ｌ ）一 ￡（） ｌ式 中 ， 零 均 Ｅ｛ （ ）Ｅ（ 口 ｝ ｖ是 ２２解 混模 型 和 不 Ｅ＆Ｔ Ｃ Ｎ Ｏ Ｆ ＭＡ Ｉ ＣＥ Ｃ Ｅ Ｈ ＯＬ ＧＹＩ ＯＲ ＴＯＮ Ｎ
基于信号峭度的复值盲分离算法研究的开题报告
基于信号峭度的复值盲分离算法研究的开题报告题目：基于信号峭度的复值盲分离算法研究一、研究背景随着科技的进步和社会的发展，人们对信号处理技术的需求越来越高。
在信号处理领域，信号分离是一个重要的问题，其目的就是将混合在一起的信号分离出来，以便进一步的分析和处理。
在实际应用中，常常出现复值信号混合在一起的情况，如多天线无线通信、生物医学信号处理、图像处理等领域。
因此，研究复值盲分离算法具有重要的理论和实际意义。
二、研究内容本文将基于信号峭度的复值盲分离算法展开研究。
具体内容包括以下几个方面：1. 复值信号的基本概念和特点，复值信号混合和复值信号分离的问题。
2. 信号峭度及其应用，主要包括峭度的定义、峭度与信号分离的关系、峭度的算法等方面。
3. 基于信号峭度的复值盲分离算法的研究，主要包括算法的原理、数学模型、分析和改进。
4. 算法的仿真与验证，利用MATLAB平台，仿真验证算法的可行性和有效性，并与已有的其他分离方法进行比较。
三、研究意义及预期结果本文的研究意义在于：1. 对复值信号分离技术进行深入的研究，从理论上深入了解复值信号及其分离方法。
2. 在信号分离领域中，为复值信号混合和分离问题提供了新的解决方案。
3. 探索了信号峭度在复值信号分离中的应用价值，同时为信号处理领域提供了新的思路。
预期结果是设计出基于信号峭度的复值盲分离算法，并进行仿真验证，从而证明算法的有效性和可行性。
同时，能够提出算法的改进方案，优化算法的性能和精度。
四、研究方法本文采用理论和实验相结合的方法，主要包括以下几个方面：1. 理论分析、文献调研，深入分析复值信号分离技术的发展、现状和面临的问题。
2. 进行分析和建模，利用信号峭度等理论工具，建立复值信号分离的数学模型。
3. 设计算法并进行仿真，着重在MATLAB平台上进行算法的仿真实验，对比分析算法与其他方法的优缺点。
4. 对算法进行改进优化，提高算法的性能和准确度。
五、研究进度安排本文研究进度预计安排如下：1. 第一至第三个月：深入阅读相关文献，对复值信号及其分离技术进行初步了解。
基于SCA的盲源分离开题报告2
3、研究内容及方案（1）学术构想与思路、主要研究内容、拟解决的关键问题及预期目标学术构想与思路本论文研究内容着重是针对UBSS中混合矩阵估计部分。
概述了欠定盲源分离的基础理论，在前人工作基础之上主要研究在源信号稀疏性较弱的情况下，通过增强时频域中观测信号的稀疏性，降低所要求信号的稀疏度标准，从而更好的估计混合矩阵，并与传统的一些估计混合矩阵方法进行性能比较，同时借助估计矩阵分离出源信号。
主要研究内容本文在对国内外研究现状深入分析的基础之上，主要针对源信号稀疏性较弱的情况，主要研究内容为：(1)通过分析欠定盲源分离方法相关基础知识，介绍了信号稀疏度与常用稀疏变换方法，并在对传统混合矩阵估计方法研究的基础上，分析总结传统方法的局限性并对传统方法进行改进；(2)针对信号在不同变换域中稀疏程度的差异研究，提出单源时频点方法增强信号的稀疏性。
针对传统聚类算法需要已知源信号数量的问题，提出基于密度空间聚类的自动分类方法预估源信号个数及混合矩阵，并结合霍夫变换方法修正聚类中心；(3)提出基于局部方向密度检测的混合矩阵估计算法。
对稀疏性较弱的信号进行单源点处理后，采用局部方向密度检测方法判别并去除孤立时频点，实现混合信号线性聚类特性增强，通过判断局部极大值点来确定源信号数目同时估计出混合矩阵；(4)对所研究的方法利用不同语音信号进行实验仿真，并与传统聚类算法估计所得的混合矩阵进行对比，并在此基础上恢复源信号；同时对比采用压缩感知理论结合K均值奇异值分解模型重构所得的源信号。
实验结果证明本文研究的方法能够较大程度减少误差。
拟解决的关键问题(1)信号的稀疏化问题在欠定盲源分离的“两步法”中，第一步混合矩阵的估计精度依赖于观测信号散点图的线性聚集的程度。
此线性聚集程度依赖于信号的稀疏性。
稀疏性是实现欠定盲源分离的一个重要前提，但是在实际问题中，稀疏性程度可能不够高，甚至没有稀疏性，因而会较大程度影响算法的性能，此时采用何种方式或工具对信号进行稀疏化也成了需要解决的必要问题。
生物信号分析中的盲源分离算法研究
生物信号分析中的盲源分离算法研究一、引言生物信号分析是生物医学工程领域中的重要研究方向之一，其核心问题之一是如何提取信号中的有效信息。
生物信号如脑电信号、心电信号等通常包含多个信号源（比如肌肉电位、眼电信号等），这就给信号处理带来了巨大的挑战。
盲源分离算法（Blind Source Separation, BSS）是一种重要的信号处理方法，将成为本文的研究焦点。
二、盲源分离算法的基本原理盲源分离算法的基本原理是从混合信号中分离出原始信号，实现“盲”状态下的信号分离。
盲源分离算法是非常重要的生物信号分析方法，可应用于降噪、分离多模态数据、提取生物学信号的有效信息等领域。
在具体实现中，人们通常采用独立成分分析(Independent Component Analysis, ICA)作为盲源分离算法的方法。
在不同的领域，盲源分离算法的应用不同。
在语音信号分析中，盲源分离算法可以用于电话信号的分离和音频去混响；在图像处理领域，可以用于提取图像的先验信息和去除图像的噪声；在生物信号分析领域，可以用于提取脑电信号中的事件相关电位、心电信号中的Q波和P波等信号成分。
三、盲源分离算法的研究进展随着生物医学工程领域的发展，盲源分离算法的研究也在不断深入。
传统的ICA算法在实际应用中存在一些缺陷，比如局部收敛问题和易受噪声等因素影响。
因此，人们提出了多种改进算法来解决这些问题。
1、FastICA算法FastICA算法是最常用的ICA算法，它能够快速、有效地分离信号。
FastICA算法采用了基于极大似然估计的方法，可以处理非高斯型信号，包括经典的ICA问题。
该算法在信号处理中广泛应用，但它的局部收敛问题仍然是许多研究者关注的焦点。
2、SOBI算法Second Order Blind Identification(二阶盲辨识)算法,简称SOBI （Second-Order Blind Identification）。
该算法主要是针对二阶脑电信号进行盲源分离。
无线电信号处理中的盲源分离技术研究
无线电信号处理中的盲源分离技术研究1.引言无线电信号处理是现代通信系统中的重要环节之一，其中盲源分离技术是一项关键技术。
盲源分离技术可以将接收到的混合信号分离成源信号，而无需了解源信号的具体信息。
本文将重点介绍无线电信号处理中的盲源分离技术的研究进展和应用。
2. 盲源分离技术的基本原理盲源分离技术采用数学模型和信号处理算法，通过对混合信号进行处理，将其分解为源信号的线性组合。
具体而言，盲源分离技术利用信号的统计特性或者信息的相互独立性等性质来实现信号的分离，并通过适当的算法估计出源信号。
这样，在不了解混合信号的具体信息的情况下，我们能够得到源信号的估计值。
3. 盲源分离技术的常见方法在实际应用中，盲源分离技术有多种方法和算法。
其中最基本的方法是独立成分分析（Independent Component Analysis, ICA）。
ICA在信号处理领域广泛应用，其基本原理是假设混合信号是源信号的线性组合，并且源信号是相互独立的。
通过对混合信号进行统计分析和矩阵运算，ICA可以实现混合信号的分离。
除了ICA，还有一些其他的盲源分离方法，如非负矩阵分解（Non-negative Matrix Factorization, NMF）、盲识别算法（BlindIdentification Algorithm, BIA）等。
这些方法在不同的应用场景中可以选择使用，以满足对源信号分离的要求。
4. 盲源分离技术的应用领域盲源分离技术在无线电信号处理中有广泛的应用。
其中一个重要的应用领域是语音信号处理。
通过盲源分离技术，可以将混合的语音信号分离为单个说话者的语音信号，从而实现语音信号的识别和分析。
这在语音识别、语音增强等领域具有重要意义。
另一个应用领域是图像信号处理。
盲源分离技术可以用于处理混合的图像信号，将其分离为原始的图像信号。
这在图像去噪、图像恢复等方面具有重要应用。
此外，盲源分离技术还可用于无线通信中的信号分离和信号提取。
生物医学信号处理中的盲源分离算法研究
生物医学信号处理中的盲源分离算法研究生物医学信号处理在高科技时代已经变得越来越重要。
从波形分析到应用振动学，信号处理一直是生物医学工程领域核心研究之一。
信号分离是其中一个重要环节。
在生物医学信号处理中，盲源分离技术是一种重要的信号可以分离技术。
随着计算机科学的日新月异，人们开始更加关注此类技术。
首先，盲源分离实际上是一种通过卷积和线性混合模型来实现的基础知识。
在此类模型中，要求无法观测到源信号的原始值。
这就意味着分离过程必须通过直接观察混合信号来进行。
一种常见的盲源分离算法是独立成分分析（ICA）算法。
这种方法是一种将非高斯信号分离的方法。
与其他传统的线性信号分离技术相比，ICA算法有许多优点。
首先，ICA算法具有很高的灵活性，可以应用于多种信号分离任务。
其次，ICA算法具有强大的适应能力，可以适应各种噪声处理模型。
最后，ICA算法可以直接利用输入数据来进行盲源分离，无需用户进行先验知识的指导。
然而，ICA算法也存在一些缺点。
首先是过度拟合的问题。
当ICA算法用于分离具有相似空间结构的多个源信号时，很容易出现过度拟合。
其次是ICA算法对数据归一化的依赖性。
最后，在处理高阶信号时，ICA算法经常产生不稳定的结果。
除了ICA算法，其他近年来开发的算法也在盲源分离领域取得了成功。
其中的一种算法是基于主成分分析（PCA）的混合样本自适应批处理ICA算法。
该算法可以通过正交旋转解决GAICA算法中固有模糊性的问题。
此外，这种算法的效果也要比ICA算法好。
还有另一种算法，就是基于周期扫描的ICA算法。
该算法最初用于分离声音信号。
即使在面对复杂和不稳定的混合信号时，该算法仍然能够提供非常清晰的分离结果。
总的来说，盲源分离算法是生物医学信号处理的重要环节。
ICA算法是一种常见的盲源分离技术，它具有很高的灵活性和适应性。
但是，ICA算法也存在一些缺点，如过度拟合的问题和数据归一化的依赖性。
通过开发新的算法来改进和弥补这些缺点，可以更好地应用和完善这一技术。
盲源分离问题综述
盲源分离问题综述盲源分离问题综述摘要：盲源分离，是从观测到的混合信号中恢复不可观测的源信号的问题。
作为阵列信号处理的一种新技术，近几年来受到广泛关注。
本文主要阐述了盲源分离问题的数学模型、典型算法以及盲源分离的应用，并结合盲源分离问题的研究现状，分析了其未来的发展方向。
主题词：盲源分离;盲源分离的典型算法1. 引言盲信号分离问题起源于人们对“鸡尾酒会”问题的研究。
在某个聚会上，我们正在相互交谈，同一时刻同一场景下其他人的交谈也在同时进行着，可能还有乐队的音乐伴奏，这时整个会场上是一片嘈杂。
但是非常奇妙的是，作为交谈对象的双方，我们能够在这混乱的众多声音中很清晰的听到对方的话语，当然，如果我们偶尔走神，将精力放在乐队奏出的音乐时，我们也同样可以听清楚音乐的主旋律。
这种可以从由许多声音所构成的混合声音中选取自己需要的声音而忽视其他声音的现象就是鸡尾酒会效应。
如何在这种从观察到的混合信号中分离出源信号的问题就是所谓的盲分离（Blind Signal Separation, BSS）问题，有时也被称为盲源分离（Blind Source Separation）问题。
1986年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现两个独立源信号混合的分离，这一篇开创性论文的发表使盲源分离问题的研究有了实质性的进展。
随着数字信号处理理论和技术的发展以及相关学科的不断深入,大量有效的盲分离算法不断被提出,使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一,在无线通信、图象处理、地震信号处理、阵列信号处理和生物医学信号处理等领域得到了广泛的应用。
2. 盲源分离问题的数学模型盲源分离是指在不知道源信号和信道传输参数的情况下,根据输入信号的统计特性,仅由观测信号恢复出源信号各个独立成分的过程。
盲源分离研究的信号模型主要有三种:线性混合模型、卷积混合模型和非线性混合模型。
基于SCA的盲源分离开题报告1
1、立论依据课题来源及研究的目的和意义：信号处理技术在实际应用中一直具有非常重要的作用，随着科技的飞速发展，信号处理技术面临巨大的挑战，比如在移动通信技术中，发射端发射未知信号，称之为源信号[1]，怎样只根据接收端接收的信号判别同时提取出源信号，成为一项值得深入探索的难题，为此产生了盲信号处理理论，称之为盲源分离(Blind Source Separation,BSS)[2]。
盲源分离理论来源于“鸡尾酒会”模型，即在酒会上众多人讲话声音与音乐声以及其它各种声音混杂在一起，致使我们难以得到感兴趣的某些声音信号，这类问题的显著特点就是源信号与传输信道参数均是无法预知的，要想从麦克风采集到的混叠声音中获取我们想要得到的声音信号，具有很大难度。
但是盲源分离可以解决此类问题，从而可以从麦克风的混叠声音中分离出想要得到的声音信号。
由此可得，盲源分离[3-5]可以解释为在源信号和传输信道模型参数均为不可预知的情况下，按照所输入信号数学特征，只通过观测所得混合信号来重构并分离得到源信号的过程。
传统解决盲源分离的算法有主成分分析法(Principal Component Analysis,PCA)、独立分量分析法(Independent Component Analysis,ICA)[6-7]等方法，尤其ICA较大程度促进了盲源分离的进步，许多学者在此算法基础上进行改进并创新。
欠定盲源分离(Underdetermined Blind Source Separation,UBSS)是盲源分离中的一种特殊情况，即观测信号的数目少于源信号的数目。
欠定盲源分离模型的系统为不可逆的，因而研究起来比较困难，解决欠定盲源分离问题已经不能使用传统解决盲源分离的方法。
在实际应用中许多信号在一定条件下具备稀疏特性，该稀疏特性可以体现在时域或变换域中[8]，因此有学者提出稀疏分量分析方法(Sparse Component Analysis,SCA)，有的称为稀疏表示(Sparse Representation)[9-10]解决欠定盲源分离问题。
- 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)。
一、研究背景及意义语音信号的分离近年来成为信号处理领域的一个研究热点，它在电话会议、助听器及便携设备、机器的语音识别方面有很多的应用与影响。
而语音信号常使用盲信号处理的方法分离。
盲信号处理(Blind Source Processing)作为一种新兴的信号处理方法，逐步发展并得到了越来越多的关注。
盲信号处理与现代信号处理朝向非平稳、非高斯、非线性的发展方向相吻合，有利于复杂信号的分析以及处理，其研究对象主要为非高斯信号。
它在传统信号处理方法的基础上结合了信息论、统计学和人工神经网络的相关思想。
如图1所示，所谓的“盲分离”是指在没有关于源信号本身以及传输信道的知识，对数据及系统参数没有太多先验知识的假设的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。
它能适用于更广泛的环境，为许多受限于传统信号处理方法的实际问题提供了崭新的思路。
图1 盲分离的概念在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合，如通信信号、图像、生物医学信号、雷达信号等等。
例如经典的“鸡尾酒会”问题，在一个充满宾客的宴会厅里，我们每个人都会听到来自不同地方的声音，如音乐，歌声及说话声等，正常的人类拥有在这种嘈杂环境下捕捉到所感兴趣的语音的能力。
可以看到，盲信号处理同传统信号处理方法最大的不同就在于用它致力于用最少的信息得到理想的处理结果。
盲信号分离可以有不同的分类方法。
根据所处理信号的不同，可以分为声纳信号盲分离，雷达信号盲分离，通信信号盲分离，语音信号盲分离，脑电信号盲分离等。
根据盲处理领域的不同，可以分为时域盲分离和频域盲分离。
根据传输信道的情况，可以分为无噪声，有加性噪声，有乘性噪声等。
根据源信号在传输信道中被混合方式的不同，可以分为瞬时混合，卷积混合，非线性混合等。
根据源信号和观测信号数目的不同，可以分为正定盲分离，欠定盲分离，过定盲分离等。
本文研究的主要内容是正定不含噪的卷积混合语音信号的频域盲分离方法。
总的来说，盲信号分离是一种仅利用观测到的混合信号来估计源信号的方法，它是以独立分量分析(Independent Component Analysis,ICA)为理论基础的。
与传统信号处理方法如FIR 滤波，小波分析等不同的是，它不要求有关于源信号本身以及信号传输通道的知识。
受益于这种“盲”的条件，盲信号分离对多个领域有很大的促进作用，特别是它在声纳、雷达、通信、语音、图像等方面的应用对军事，国防科技的发展起着非常重要的作用。
近十多年来，各国学者在盲信号分离领域展开了深入的研究，有了一系列的成果。
本课题就是在这样的背景下对语音信号进行盲分离的研究，以探索新的算法，新的应用。
二、研究的基本内容，拟解决的主要问题1.研究的基本内容本课题详细研究语音分离的基本理论，重点研究卷积混合频域解法模型框架下的语音信号分离算法。
基于时域实值瞬时混合模型的盲分离算法已经研究的比较充分，但是在语音信号在现实中往往是卷积混合，而且在频域分离方法中信号是复值的，本文将研究利用复值信号特征的瞬时混合盲分离算法，对不同的复数域盲分离算法进行了编程实现，并且研究卷积混合模型频域盲分离中的次序不定问题，提出一种基于分离矩阵初始化的次序对准算法，并通过实验进行了性能比较和分析。
卷积混合语音信号的频域盲分离算法的主要思想是利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。
这样就可以运用目前已经发展相对比较成熟的瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，就可以方便地得到时域的解卷积滤波器，从而恢复出源信号。
2.拟解决的主要问题频域盲分离算法存在两个问题：第一，在盲分离中有着幅值的不确定性，它会使在各个频段分离的信号在频域上的幅值有偏差，导致信号频谱的变形。
第二，盲分离中次序的不确定性会导致在各个频段分离出的信号不能正确的连接在一起，使得分离失败。
不确定性是盲分离算法的固有问题，其对于时域信号而言并不会严重的影响到分离结果。
但对于频域信号来说，在完成每个频率点的盲分离后，直接对各个频率点的分离矩阵进行逆傅立叶变换，不能够保证每个输出通道对应着同一个源信号的成分，很有可能夹杂了其它信号，从而使解卷积失败。
解决次序不确定的方法又被称为次序对准算法。
本课题将研究相关系数法和波达估计法，并编程实现波达估计法的次序对准算法，对波达估计法的性能以及其对最终分离结果的影响进行分析。
频域盲分离的次序不定是一个棘手的问题，本课题还会介绍利用信号频域相依性的新的频域盲分离模型，其理论上可以从本质上回避次序不定问题。
三、研究步骤及方法本课题旨在研究基于独立分量分析的盲信号分离理论以及其在卷积混合语音信号盲分离等方面的应用。
围绕这个主题，本课题的研究步骤及方法安排如下：1，研究瞬时混合信号盲分离的基本概念和模型，研究和分析几种重要的瞬时混合盲分离算法，并通过实验进行仿真与性能分析。
瞬时混合信号盲分离的模型基本等同于线性ICA 的基本模型，即：（3-1）其中，是统计独立的不同源信号，而是由其线性组合再加上噪音。
2.研究卷积混合频域盲分离的模型，将卷积混合盲分离转变为频域中的瞬时混合盲分离。
首先利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。
然后运用瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，得到时域的解卷积滤波器，从而恢复出源信号。
3.研究算法中的幅值不确定性和次序不确定性问题。
频域情况对不确定性的数学描述如下：（3-2）其中，D为对角矩阵，P是置换矩阵，当我们用盲分离算法对观测信号首先进行初步分离后，可以得到对于一个求得的分离矩阵W( f )。
对于幅值不确定性，通过对W f )矩阵的范数归一来解决。
利用相关性参数法和波达估计法解决次序不定性问题。
给出一种基于分离矩阵初始化的次序不定解法框架。
最后通过实验进行不同算法的比较和分析，并完成二路语音信号的分离。
四、研究工作进度第1—3周：收集资料，熟悉课题内容，查找参考书，确定设计思路；第4—7周：高级语言学习及程序设计中使用的算法的理解和熟悉；第8—11周：编制处理程序，并上机进行软件程序调试和优化；第12—14周：实验结果整理及其总结；第15—17周：论文书写，课题总结，准备答辩。
五、主要参考文献[1] A. Cichocki, S.Amari, Adaptive Blind Signal Image Processing: Learning Algorithm and Application, John Wiley & Sons, 2002.[2] Simon Haykin, Unsupervised Adaptive Filtering; John Willey & Sons, 2000.[3] A. Hyvärinen, J. Karhunen, E. Oja, Independent Component Analysis, John Wiley & Sons, 2001.[4] J. Benesty, S. Makino, J. Chen, Speech Enhancement, Springer, 2005.[5] Simon Haykin, Zhe Chen, “The Cocktail Party Problem”, Neural Computation, 2005．[6] Jutten C., Herault J,, “Blind separation of source, part I: An adaptive algorithm based on neuromimetic architecture”, Signal Processing, 1991.[7] J. F. Cardoso and A. Souloumiac, “Blind beamforming fornon-Gaussian signals,” Proc. Inst. Elect. ,1993.[8] Pierre Comon, “Independent component analysis, A new concept?”, Signal Processing, 1994.[9] A. Hyvärinen, E. Oja, “A fast fixed-point algorithm for independent component analysis”, Neural Computation, 1997.[10] Platt C., Faggin F., “Networks for the separation of sources that are superimposed and delayed”,Advances in Neural Information Processing System, 1991.[11] D. Yellin and E.Weinstein, “Mult ichannel signal separation: Methods and analysis”, IEEE Trans. On Signal Processing, 1996. [12] Thi H N., Jutten C., “Blind source separation for convolutive mixtures”, Signal Processing, 1995.[13] Tokkola K., “Blind separation of delayed sources based oninformation maximization”, in Proc of ICASSP, 1996.[14] 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。
[15] 杨行峻等，人工神经网络与盲信号处理，北京，清华大学出版社，2003。
[16] 张贤达，时间序列分析：高阶统计量方法，北京，清华大学出版社，1996。
[17] 杨绿溪，何振亚等，“线性Infomax 自组织算法的性能分析”，数据采集与处理，1998。
[18] 刘琚，梅良模等，“一种基于非平稳特性的前馈神经网络盲源分离方法”，山东大学学报，19993。
[19] 冯大政，史维祥，“一种自适应信号盲分离和盲辨识的有效算法”，西安交通大学学报，1998。
[20] 刘鹏，“基于独立分量分析的语音信号分离算法研究”，上海交通大学，2008。