确定信号的盲分离信息处理课群综合训练与设计89092740
基于模拟退火粒子群的实时语音信号盲分离
基于模拟退火粒子群的实时语音信号盲分离
罗涛华;张聪
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)023
【摘要】针对现有的盲分离算法大多存在收敛速度慢、优化精度低的问题,提出了一种新的基于模拟退火粒子群的盲分离算法.该算法以分离信号的负熵为目标函数,根据分离信号的状态、粒子的惯性权值随退火温度及适应度的变化自适应地调节,既基本保持了粒子群算法简单容易实现的特点,又改善了其摆脱局部极值点的能力,提高了算法的收敛速度、分离精度和稳定性能.仿真对比结果表明,新算法性能明显优于自然梯度卷积混合盲分离算法和小渡变换快速独立分量分析算法,很好地实现了实时语音信号的分离且提高了分离性能.
【总页数】4页(P5067-5070)
【作者】罗涛华;张聪
【作者单位】武汉工业学院计算机与信息工程系,湖北,武汉,430023;武汉工业学院计算机与信息工程系,湖北,武汉,430023
【正文语种】中文
【中图分类】TN912.3
【相关文献】
1.基于Givens-Hyperbolic双旋转的多路语音信号卷积盲分离 [J], 张华;左健存;戴虹;桂林
2.基于单声矢量传感器的语音信号时频掩蔽盲分离改进算法 [J], 陈晓屹;王英民
3.基于最小二乘方的语音信号实时盲分离 [J], 张辉;杜利民
4.基于记忆模拟退火与粒子群的多点小孔泄漏信号盲分离方法 [J], 郝永梅;覃妮;邢志祥;岳云飞;严欣明;钟成
5.基于记忆模拟退火与粒子群的多点小孔泄漏信号盲分离方法 [J], 郝永梅;覃妮;邢志祥;岳云飞;严欣明;钟成;
因版权原因，仅展示原文概要，查看原文内容请购买。
盲信号分离入门.doc
图1 应用解混合算法将把混合图像分离，如图 3，图 4：
图2
图3 原来的图像是，图 5，图 6：
图4
图5 图6 图像的解混合是把混合后的图像进行分离，如以上的图所表示的那样 为了把一维信号处理应用到图像处理方面，现在假设该一维信号是声音信号，分析图像和声音 的数据的组织的区别 声音是一个波，是声音的振幅随时间改变而改变的函数 表示成声音（时间，振幅）=（T,F） 图像中数据包括位置信息和灰度信息（只考虑灰度图像） ，为了做出对应，
其中 z(t)=W*x(t) W 是“球化矩阵” ，作用是让 E{z(t)*z(t)’}=I 下边是求 W 的求法，假设 x 的尺寸是 n*T，
t=1,2,……,T x=[x(1),x(2),……,x(T)] x(t)*x(t)’是对阵矩阵， t=1,2,……T， x(t)*x(t)’可以被对角化[2]， x(t)*x(t)’=UDU’,U 则 设 是酉矩阵[3]，U*U’=I,则 W=1/sqrt(D)*U’ 验证如下： z(t)*z(t)’=W*x(t)*(W*x(t)’)’ =W*x(t)*x(t)’*W’ =W*U*D*U’*W’ 当 U 是酉矩阵，把 W=1/sqrt(D)*U’带入 W*U*D*U’*W’ 得到 z(t)*z(t)’=I，注意的是，E{z(t)*z(t)’}=I，是统计特征，同一个 U 是不能让每个时刻都 对角化，所以要对 x(t)取平均，在实践中，一般对角化 x*x’/T。 z(t)=W*x(t) =W*A*s(t) 令 W*A=G，则 z(t)=G*s(t) Rzz(k)=E{z(t)*z(t+k)} =E{G*s(t)*(G*s(t+k))’} =E{G*s(t)*s(t+k)’*G’} =G*E{s(t)*s(t+k)}*G’ =G*Rss(k)*G’ 如果 s 的各个分量互相独立，均值为 0，并且 s 是随机过程，那么由随机过程的讨论得到 Rss(k)是 对角阵。 从而得到这样的结论，球化矩阵 z 的自相关矩阵 Rzz(k),k=0,1,2,……,k 令 Rzz(k)取值有意义，可 以被同一个矩阵 G 对角化。基于这个原因，提出 AMUSE[4]方法，具体如下： 注意，下边的过程为了解释的方便忽略了噪声的影响，如果考虑噪声要修改下边的算法的步骤 3： 。 1：求观察值 x 自相关矩阵 ，观察时间从 1 到 T， Rxx(0)=x(t)*x(t)/T。 2：对 Rxx(0)作主分量分解： Rxx(0)=U*D*U’,其中 D 是 Rxx(0)矩阵的特征值组成的对角阵 假 设 y(1),y(2),……,y(N) 是 Rxx(0) 的 特 征 值 ， u(1),u(2),……,u(N) 分 别 是 y(i),I=1,2,……,N.对应的特征向量。 U=[u(1),u(2),……,u(N)] 3：球化阵 W=1/sqrt(D)*U’， 球化输出 z(t)=W*x(t). 4：球 z(t)的自相关矩阵 Rzz(k)=E{z(t)*z(t+k)’}，然后为了更好地进行数据处理， Rzz(k)=(Rzz(k)+Rzz(k)’)/2 对 Rzz(k)做主分量分解 Rzz(k)=Uz*Dz*Uz’ Uz,Dz 解释同步骤 2： 有人建议 k 的选取是让 Dz 中没有重复元素 由前边的讨论[5]，Uz=W*A 从而得到 A=inv(W)*Uz 5： 因为 W*A*s(t)=z(t)=W* inv(W)*Uz*s(t)=z(t)=Uz*s(t) 所以 s(t)=Uz’*z(t).
信息处理课群课程 陈强
课程设计任务书学生姓名：专业班级：指导教师：工作单位：信息工程学院题目: 频分复用初始条件：具备数字信号处理，通信原理，Matlab等学科的知识。
要求完成的主要任务:用Matlab采集两路以上的信号（如语音信号），选择合适的高频载波进行调制，得到复用信号。
然后设计合适的带通滤波器、低通滤波器，从复用信号中恢复出所采集的语音信号。
设计中各个信号均需进行时域和频域的分析。
(1)用Matlab做出采样之后信号的时域和频域波形图(2)选择合适的高频载波，得到复用信号，并做出其频谱图(3)设计合适的带通滤波器，并画出带通滤波器的频率响应图(4)对滤波后的信号进行解调，画出解调后各路信号的频谱图(5)设计合适的低通滤波器，画出低通滤波器的频率响应，做出恢复后信号的时域和频域波形图。
时间安排：第19周周一、周二共2天，查找资料，了解相关专业知识第19周周三、周四共2天，根据已有专业知识，设计流程图第19周周五、周六、周日共3天，根据流程图设计，进行代码编写第20周周一、周二、周三共3天，进行系统仿真及调试第20周周四进行最后的整理工作，撰写课程设计报告第20周周五（2014年7月4日）完成课设答辩（答辩，提交报告，演示）指导教师签名：年月日系主任（或责任教师）签名：年月日摘要本文介绍了基于MATLAB仿真的频分复用系统设计。
系统利用MATLAB 函数采集三路语音信号，分别以4000Hz、11000Hz、18000Hz高频载波进行DSB 调制，经加法器将三路信号相加得到复用信号。
在接收端以椭圆滤波器进行带通和低通滤波，从复用信号中恢复出所采集的语音信号。
以MATLAB自带的信号处理函数对各个信号进行时域和频域仿真。
仿真结果表明各项波形显示正确，录音的声音在经过调制和解调后的信号与原来相比较为接近，达到预期效果。
关键词：MATLAB、DSB、椭圆滤波器、频分复用武汉理工大学《信息处理课群综合训练与设计》报告书AbstractThis article describes the frequency division multiplexing system design based on MATLAB simulation. MATLAB functions were used to collected three way of speech signal. 4000Hz, 11000Hz and 18000Hz high-frequency carrier were brought in respectively to conduct DSB modulation. And the three-way signal multiplexed signal was obtained by adding an Adder. At the receiving end, elliptical band pass filter and low-pass filter were used to restore the voice signal from the acquired multiplexed signal. Signal processing functions of MATLAB were employed in time domain and frequency domain simulation. Simulation results show the waveform display correctly, sound recordings through modulating and demodulated signal compared with the original closer, and achieved the desired effect.Keywords：MATLAB 、DSB、Elliptic filter、FDMII目录摘要 (I)Abstract (II)1 设计任务及要求 (1)1.1 设计任务 (1)1.2 设计要求 (1)2 系统原理及方案设计 (2)2.1 FDM系统模型 (2)2.2 语音信号采样 (3)2.3调制与解调 (4)2.4滤波器设计 (6)2.5 信道噪声 (8)3 Matlab仿真 (10)3.1 语音信号的时域和频域仿真 (10)3.2 复用信号的频谱仿真 (11)3.3 加入噪声的复用信号频谱仿真 (11)3.4 带通滤波器仿真 (12)3.5 解调信号的频谱仿真 (12)3.6 低通滤波器仿真 (13)3.7恢复信号的时域与频域仿真 (13)4 心得体会 (17)参考文献 (18)附录 (19)1 设计任务及要求1.1 设计任务根据频分复用的通信原理，运用Matlab软件采集两路以上的语音信号，选择合适的高频载波进行调制，得到复用信号。
确定信号的盲分离信息处理课群综合训练与设计
确定信号的盲分离信息处理课群综合训练与设计课程设计任务书学生姓名：专业班级：指导教师：工作单位：题目: 确定信号的盲分离初始条件：Matlab软件平台要求完成的主要任务:根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。
选取合适的盲信号分离算法（如独立成分分析ICA 等）进行训练学习，求出分离矩阵和分离后的信号。
设计要求：（1）用matlab做出采样之后信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。
（4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排：查阅资料2天仿真设计2天撰写报告1天指导教师签名: 年月日系主任签名: 年月日目录摘要 (I)ABSTRACT ................................................................................................................................................. I I 1确知信号 .. (1)1.1确知信号的概念 (1)1.2确知信号的类型 (1)1.3常见的确知信号 (2)2盲分离原理 (3)2.1盲信号处理的基本概念 (3)2.2盲信号分离的分类 (3)2.3盲分离的目标准则 (4)2.4盲信号处理技术的研究应用 (5)3 独立分量分析（ICA）基础 (6)3.1ICA理论的概念和模型 (6)3.2ICA数据分析问题中的约束条件 (8)3.3ICA算法的分类与基本原理 (9)3.4F AST ICA算法 (11)4 MATLAB简介 (13)5 确定信号盲分离仿真与分析 (15)5.1原始信号的产生 (15)5.2原始信号的频谱 (16)5.3信号的混合 (17)5.4ICA算法实现 (19)6 小结体会 (25)参考文献 (26)附录1 程序 (27)摘要盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。
盲信号分离基础知识(推荐文档)
专业课程设计学习材料源信号分离Source Signal Separation第一部分 简单介绍一、 目标我们的目标就是学习源信号分离理论的基础知识和源信号分离时涉及的相关学科知识，最终从观测信号中将源信号分离开来。
注意：此时信号源和混合形式可能是未知的。
-1.5-1.0-0.50.00.51.01.5-1.5-1.0-0.50.00.51.01.500.050.10.150.20.250.30.350.40.45图1 源信号波形-2.0-1.5-1.0-0.50.00.51.01.52.000.050.10.150.20.250.30.350.40.45-2.0-1.00.01.02.000.050.10.150.20.250.30.350.40.45图2 混合信号波形-2.0-1.5-1.0-0.50.00.51.01.52.0-2.0-1.5-1.0-0.50.00.51.01.52.0图3 分离信号波形二、分离方法1、FFT 法；条件：不同源信号占有不同的频带2、自适应滤波方法；条件：已经信号的某些特征3、盲信号分离方法；条件：遵从某些统计假设条件三、盲分离的基本模型盲信号分离的基本模型如图（1）所示。
)(1t )(2t y )(t y m图1 盲信号分离的基本模型其中：)(1t s ，)(2t s ，……，)(t s n 为n 个源信号；)(1t x ，)(2t x ，……，)(t x m 为m 个观测信号；)(1t y ，)(2t y ，……，)(t y n 为待求解的n 个分离信号；)(1t n ，)(2t n ，……，)(t n m 为m 个噪声信号，T t ,,2,1 =。
将其分别写成矩阵形式为：T 21)](,),(),([)(t s t s t s t n =s （1）T 21)](,),(),([)(t x t x t x t m =xT 21)](,),(),([)(t y t y t y t n =yT 21)](,),(),([)(t n t n t n t m =n向量)(t s 、)(t x 、)(t y 、)(t n 分别称作源信号、观测信号、分离信号、噪声信号。
“信号分析与处理”课程培养学生创新精神的教学改革与探索
“信号分析与处理”课程培养学生创新精神的教学改革与探索李慧，郭飞，王睿（北京航空航天大学仪器科学与光电工程学院，北京100191）一、“信号分析与处理”课程固有教学模式“信号分析与处理”是本科生必修课，是测控技术与仪器、信息工程（光电信息工程）以及探测制导与控制等专业，很重要的专业基础课。
学生学习掌握信号分析与处理的基础理论知识、原理、方法和技术，是为了适应当前信息技术迅速发展的需要，同时也是为了适应现代与未来航空航天测控技术领域对综合性、创新型技术人才的基础知识、素质和能力全面发展的需要。
“信号分析与处理”课程内容包含：信号的基本概念和运算，模拟信号的傅里叶分析；离散信号的傅立叶变换、Z变换、快速傅立叶变换；连续时间线性非移变系统的信号分析方法；滤波器的分类、性能指标、设计方法及实现。
作为一门重要的基础课，在教学中旨在使学生掌握信号处理的理论分析问题和解决问题的能力。
可见，“信号分析与处理”课程教学对于学生今后开展与信号处理相关的技术研究和工程应用具有重要的意义。
然而，“信号分析与处理”理论知识较多，并且大多数概念抽象，晦涩难懂，重点难点不突出，感觉都是重点难点；另外数学公式多，推导复杂，理解掌握难度都大，要求学生的数学基础好，因此学生大都感觉概念比较抽象、实际运用时不知从何入手，学习没有明确的目标。
目前教学方法中公式推导的理论分析与例题展示，虽然可以使学生对所学知识有感性认识，有一定的理解，但缺乏学生动脑思考的环节，使得学生的印象不够深刻。
而且不利于学生形成科学研究需要的多方面综合知识体系，课程知识的收获大大降低。
另外，对于所学知识的应用也认识不明确、不深刻。
而且在平时教学中若只是灌输知识就会使得课堂教学变得乏味，难以激发学生的创新思维与科学研究的意识。
要让学生在有限的课堂教学时间内能够学有所成，能够将知识内化于心，在实际实验中具有操作能力，从而让他们具有解决具体问题以及在此基础上创新的能力，现有教学的模式还难以实现。
盲信号分离
盲信号分离作者：张贤达， 保铮作者单位：西安电子科技大学雷达信号处理重点实验室,陕西西安,710071刊名：电子学报英文刊名：ACTA ELECTRONICA SINICA年，卷(期)：2001,29(z1)被引用次数：155次1.Amari S A theory of adaptive pattern classifiers 19672.The fast-ICA MATLAB package3.Zhang Q;Leung Y W A class of learning algorithms for principal component analysis and minor component analysis[外文期刊] 20004.Yang H H;Amari S;Cichocki A Information-theoretic approach to blind separation of sources in nonlinear mixture[外文期刊] 1998(3)5.Murata N;Muller K R;Ziehe A;Amari S Adaptive on-line learning in changing environments 19976.Makeig S;Bell A;Jung T P Independence component analysis in electro-encephalographic data 19967.Basak J;Amari S Blind separation of uniformly distributed signals:A general approach[外文期刊] 1999(5)8.Hyvarinen A Fast and robust fixed-point algorithms for independent component analysis[外文期刊] 1999(03)9.HERRMANN M;Yang H H Perspectives and limitations of self-organizing maps in blind separation of source signals 199610.Douglas S C;Cichocki A Adaptive step size techniques for decorrelation and blind source separation[外文会议] 199811.Amari S Natural gradient works efficiently in learning 199812.Cardoso J F;Laheld B Equivariant adaptive source separation[外文期刊] 199613.Cardoso J F Blind signal separation:Statistical principles[外文期刊] 1998(10)14.Cao X R;Liu R W A general approach to blind source separation 199615.Burel G Blind separation of .sources:A nonlinear neural algorithm[外文期刊] 199216.Bell A J;Sejnowski T J An information-maximization approach to blind separation and blind deconvolution 199517.张贤达;保铮通信信号处理 200018.Yang H H;Amari S Adaptive on-line learning algorithms for blind separation:Maximum entropy and minimum mutual information[外文期刊] 199719.Yang H H Series updating rule for blind separation derived from the method of scoring 199920.Yang B Projection approximation subspace tracking[外文期刊] 199521.Weingessel A;Homik K Local PCA algorithms[外文期刊] 200022.Veen A J;Talvar S;Paulraj A A subspace approach to btind spacetime signal processing for wireless communication systems[外文期刊] 1997(1)23.Torkkola K Blind separation for audio signalAre we there yet 199924.Tong L;Liu R W;Soon V C Indeterminacy and identifiability of blind identification 199125.Tan Y;Wang J;Zurada J M Nonlinear blind source separation using a radial basis function network [外文期刊] 200126.Taleb A;Jutten C;Olympieff S Source separation in post nonlinear mixtures:An entropy-based algorithm 199827.Papadias C B;Paulraj A A constant modulus algorithm for multi-user signal separation in presence of delay spread using antenna arrays[外文期刊] 1997(6)28.Pajunen P;Hyvarinen A;Karhunen J Nonlinear blind source separationby self-organizing maps 199629.Oja E The nonlinear PCA learning rule in independent component analysis 199730.Oja E Principal components,minor components,and linear neural networks[外文期刊] 199231.Amari S;Cichocki A Adaptive blind signal processing:Neural network approaches[外文期刊] 1998(10)32.Lin J K;Grier D G;Cowan J D Source separation and density estimation by faithful equivariant SOM [外文会议] 199733.Li Y;Wang J;Zurada J M Blind extraction of singularly mixed souree signals 200034.Leen T W;Girolami M;Sejnowski T J Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and superGaussian sources 1999INIOTIS D G;Papaparaskeva A partitional adaptive approach to nonlinear channel equalization[外文期刊] 1998(10)36.Kundur D;Hatzmakos D A novel blind deconvolution scheme for image restoration using recursive filtering[外文期刊] 199837.Karhunen J;Pajunen P;Oja E The nonlinear PCA criterion in blind source separation:Relations with other approaches[外文期刊] 199838.Karhunen J;Oja E;Wang L;Eigario R,Joutsensalo J A class of neural networks for independent component analysis[外文期刊] 199739.Karhunen J;Pajunen P Blind source separation using least-squares type adaptive algorithms[外文会议] 199740.Karhunen J;Joutsensalo J Representation and separation of signals using nonlinear PCA type learning[外文期刊] 199441.Jutten C;Heranlt J Blind separation of sourcesPart I:An adaptive algorithm based on neuromimetic architecture[外文期刊] 199142.Hyvarinen A;Pajunen P Nonlinear independent component analysis:Existence and uniqueness results 199943.Delfosse N;Loubaton P Adaptive blind separation of independent sources:A deflation approach 199544.Deco G;Brauer W Nonlinear higher-order statistics decorrelation by volume-censerving neural architectures 199545.Cruces-Alvarez S;Cichocki A;Castedo-Ribas L An iterative inversion approach to blind sourceon P Independent component analysis,a new concept? 199447.Cichocki A;Amari S I;Adachi M;Kasprzak W Self-adaptive neural networks for blind separation of sources[外文会议] 199648.Cichocki A;Unbehanen R;Rummert E Robust learning algorithm for blind separation of signals[外文期刊] 1994(17)49.Cichocki A;Unbehauen R;Moszczynski R;Rummaert E A new on-line adaptive learning algorithm for blind separation of source signals 199450.Choi S;Cichocki A;Amari S I Flexible independent component analysis[外文期刊] 200051.Cardoso J F;Souloumiac A Jacobi angles for simultaneous diagonalization[外文期刊] 199652.Cardoso J F;Souloumiac A Blind beamfomrming for non-Gaussian signals[外文期刊] 1993(6)1.夏淑芳.张天骐.李雪松.高清山基于变步长的混合图像自适应盲分离算法[期刊论文]-数据采集与处理 2011(2)2.杨晓梅基于稀疏表征的欠定盲源分离的研究[期刊论文]-科技信息 2011(1)3.林航.汤俊杰.谢玉川.钟臣一种带噪卫星测控信号分离算法[期刊论文]-指挥信息系统与技术 2010(6)4.邬诚变学习速率在线ICA算法在雷达信号分选中的应用[期刊论文]-现代雷达 2010(1)5.高辉.吴筱敏.高忠权.孟祥文.李根.黄佐华盲源分离法在火花塞离子电流信号分离中的应用[期刊论文]-西安交通大学学报 2010(1)6.李佰.刘辉粒子群算法用于盲信号抽取的研究[期刊论文]-电子器件 2010(1)7.艾延廷.费成巍.张凤玲.刘秀芳.孙晓倩.张宬ICA在航空发动机振动信号盲源分离中的应用[期刊论文]-振动、测试与诊断 2010(6)8.程娇.王晓凯.李锋独立分量分析可调速率相对梯度算法[期刊论文]-信息与电子工程 2010(2)9.张少刚基于数据挖掘的信号分离技术研究[期刊论文]-自动化与仪器仪表 2010(4)10.刘辉.李佰粒子群算法用于盲信号分离的研究[期刊论文]-现代电子技术 2010(17)11.夏淑芳.张天骐.苗圃.李雪松两种图像盲分离算法性能的比较与仿真[期刊论文]-电视技术 2010(4)12.吴亮.陈宗海基于独立分量分析的运动目标检测[期刊论文]-中国科学技术大学学报 2010(8)13.崔志涛.蹇科一种改进的自适应步长盲源分离算法[期刊论文]-科技信息 2010(18)14.徐欢基于独立分量分析的瞬时混合语音信号盲分离算法研究[期刊论文]-科技情报开发与经济 2010(11)15.王纪伟.高宝成一种盲信号分离算法的改进研究[期刊论文]-计算机与现代化 2010(2)16.廖旭晖一种基于负熵的快速定点盲源分离方法及其试验验证[期刊论文]-常州工学院学报 2010(1)17.朱艳萍.宋耀良.徐茂格一种基于改进粒子滤波算法的盲信号分离[期刊论文]-火力与指挥控制 2010(9)18.胡津津基于独立分量分析的瞬时混合语音信号盲分离算法研究[期刊论文]-安徽电子信息职业技术学院学报2010(4)19.周文.侯进勇基于独立分量分析的混沌信号盲分离[期刊论文]-现代电子技术 2009(21)20.余华.吴文全盲源信号分离EASI算法研究与改进[期刊论文]-计算技术与自动化 2009(4)21.余华.吴文全.刘忠自适应步长EASI算法研究及改进[期刊论文]-舰船电子工程 2009(10)22.乐剑.陈蓓一种雷达信号全脉冲数据特征提取方法[期刊论文]-中国电子科学研究院学报 2009(3)23.彭耿.黄知涛.姜文利.周一宇单通道盲信号分离研究进展与展望[期刊论文]-中国电子科学研究院学报 2009(3)24.由科军.冶继民超定盲信号分离RLS算法研究[期刊论文]-电子科技 2009(9)25.柴晓冬.尧辉明.柴靓采用基于独立分量分析的盲信号分离方法分离出FSK信号中的干扰信号[期刊论文]-中国铁道科学 2009(4)26.周治宇.陈豪空间同频电子侦察信号的盲分离[期刊论文]-中国空间科学技术 2009(3)27.杜元军.高勇ADS与Matlab协同仿真下的盲源分离实现[期刊论文]-现代电子技术 2009(13)28.王凌燕.侯文基于最大信噪比的潜艇振动信号盲分离算法[期刊论文]-机械工程与自动化 2009(3)29.吴建宁.王珏用独立分量分析去除大鼠模型脑电信号中的心电干扰[期刊论文]-测试技术学报 2009(4)30.邓兵.陶然.尹德强分数阶傅里叶域的阵列信号盲分离方法[期刊论文]-兵工学报 2009(11)31.马建仓.石庆斌.程存虎.赵述元航空发动机转子振动信号的分离测试技术[期刊论文]-振动、测试与诊断2009(1)32.杨杰.张家树基于聚类分析的实时语音信源数估计方法[期刊论文]-数据采集与处理 2009(2)33.王凌燕.黄公亮.侯文基于独立分量分析的潜艇振动信号盲分离技术[期刊论文]-计量与测试技术 2009(3)34.田其冲.郑卫国.孙大雷独立分量分析及其应用[期刊论文]-电脑知识与技术 2009(18)35.杨志聪基于矩阵对角化的盲源分离算法研究[期刊论文]-电脑知识与技术 2009(12)36.田其冲.郑卫国.孙大雷基于FastICA的语音分离与图像分离[期刊论文]-电脑编程技巧与维护 2009(16)37.贾崟.武俊义基于多层非负矩阵分解的工频干扰消除[期刊论文]-电力科学与工程 2009(4)38.周治宇.陈豪基于盲信号分离的同频信号的串行分离技术[期刊论文]-信息与电子工程 2009(4)39.王昆盲源分离问题的分析研究[期刊论文]-科技信息 2008(29)40.余华.刘忠盲信号分离的自适应算法研究[期刊论文]-计算技术与自动化 2008(4)41.杨柳绿.高勇基于训练序列的峭度盲源分离算法[期刊论文]-信息与电子工程 2008(5)42.邱天爽.毕晓辉稀疏分量分析在欠定盲源分离问题中的研究进展及应用[期刊论文]-信号处理 2008(6)43.刘秀芳.艾延廷.张宬基于独立分量分析的航空发动机振动信号盲源分离[期刊论文]-沈阳航空工业学院学报2008(5)44.李雪松.张天骐.杨柳飞.代少升基于图像单调特性的盲源分离算法[期刊论文]-计算机应用研究 2008(12)45.袁幸.段志善转子-轴承系统故障非线性振动响应识别方法的研究[期刊论文]-机床与液压 2008(4)46.余华.刘忠盲信号分离的自适应算法研究及比较[期刊论文]-化学工程与装备 2008(9)47.张玲基于PAST盲信号分离方法的仿真结果分析[期刊论文]-微计算机信息 2008(13)48.龚勤.张晓林.杨晓冬试论独立分量分析在民航空管系统上的应用[期刊论文]-科技创新导报 2008(5)49.马晓红.孙长富基于盲源分离的小波域多重音频水印方法[期刊论文]-电子与信息学报 2008(10)50.梁端丹.韩政.郝家甲独立分量分析及其应用研究[期刊论文]-现代电子技术 2008(3)51.聂凌烨.李雷.陈嘉明基于网络分量分析的盲源分离方法[期刊论文]-计算机应用 2008(z1)52.柴晓冬.叶学义.庄镇泉基于虹膜生物特征信息的图像加密方法[期刊论文]-计算机应用 2008(z1)53.纪祥鲲.王胜兵.艾小川线性独立成分分析的统一算法[期刊论文]-计算机与数字工程 2008(8)54.张晋东.秦贵和.崔月基于FastICA和SVM的EEG信号分类系统[期刊论文]-计算机研究与发展 2008(z1)55.徐桂芳.高勇基于训练序列的盲分离算法性能分析[期刊论文]-舰船电子工程 2008(8)56.石庆斌.马建仓盲源分离在机械振动信号分析中的应用[期刊论文]-测控技术 2008(5)57.骆鹿.樊可清快速定点独立分量分析在盲源分离中的应用[期刊论文]-科技信息（科学·教研） 2008(2)59.刘建强.冯大政.周祎基于多信道信号增强的卷积混迭语音信号盲分离的后处理方法[期刊论文]-电子学报2007(12)60.刘洋.邱天爽.毕晓辉基于独立分量分析和遗传算法的诱发电位提取新方法[期刊论文]-中国生物医学工程学报2007(3)61.孙云莲.罗卫华.李洪基于EMD的ICA方法在电力载波通信信号提取中的应用[期刊论文]-中国电机工程学报2007(16)62.李洪.孙云莲独立分量分析在多参数控制信号分离中的应用[期刊论文]-现代电子技术 2007(2)63.刘新艳.毋丹芳.李维勤基于NPCA的盲源分离算法[期刊论文]-无线电通信技术 2007(2)64.袁幸.段志善机械耦合振动响应双谱解卷积识别方法[期刊论文]-煤矿机械 2007(12)65.周成鹏.柴晓冬一种新的复波恢复方法——FastICA[期刊论文]-计算机工程与应用 2007(27)66.王宏志.贺利良.宋春鹏基于高阶统计量的MIMO系统辨识与信号分离算法[期刊论文]-吉林大学学报（工学版）2007(6)67.赵振兵.苑津莎.高强.罗广孝盲源分离在电气设备温度在线监测中的应用[期刊论文]-高电压技术 2007(8)68.邓智恒.罗伟栋实际语音盲分离客观评价指标研究[期刊论文]-电声技术 2007(9)69.曾燕芳.阔永红高噪声环境下的麦克风阵列VAD算法研究[期刊论文]-噪声与振动控制 2007(2)70.吴军彪.陶国良.陈进基于时频独立分量分析的Wigner-Ville分布交叉项消除法[期刊论文]-浙江大学学报（工学版） 2007(2)71.邬诚.李宏伟.王国庆一种新的变学习速率自适应独立分量分析算法[期刊论文]-计算机工程与应用 2007(1)72.王咏平.高俊未知数量稀疏源盲分离的一种新方法[期刊论文]-海军工程大学学报 2007(1)73.Xiaodong Chai.Chengpeng Zhou.Zhaoyan Feng.Yinhua Wang.Yansheng Zuo Complex-wave retrieval based on blind signal separation[期刊论文]-中国光学快报（英文版） 2006(1)74.蒋淑敏.宋瑞.高洪涛.胡育筑非负矩阵因子分解算法解析手性药物重叠峰的HPLC-DAD数据[期刊论文]-中国药科大学学报 2006(5)75.柴晓冬.左言胜基于盲信号分离的复波恢复方法[期刊论文]-仪器仪表学报 2006(10)76.蒋淑敏.戴冬梅.胡育筑手性药物联用色谱重叠峰的定性定量解析方法[期刊论文]-计算机与应用化学 2006(12)77.蒋淑敏.戴冬梅.胡育筑手性药物联用色谱重叠峰的定性定量解析方法[期刊论文]-计算机与应用化学 2006(12)78.刘海林基于广义特征值的病态混叠盲源分离算法[期刊论文]-电子学报 2006(11)79.王乐.顾学迈.王永建基于小波分析的卫星测控信号盲识别算法[期刊论文]-南京理工大学学报（自然科学版）2006(6)80.张永祥.明廷涛.王洪磊基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用[期刊论文]-机械设计与制造 2006(6)81.冶继民.张贤达.金海红超定盲信号分离的半参数统计方法[期刊论文]-电波科学学报 2006(3)82.李婷.邱天爽基于带参考信号的ICA算法的脑电信号眨眼伪差的分离研究[期刊论文]-中国生物医学工程学报2006(3)83.孙洪.安黄彬一种基于盲源分离的雷达信号分选方法[期刊论文]-现代雷达 2006(3)84.冶继民.金海红.楼顺天.张贤达未知源信号数目投影自然梯度盲信号分离算法[期刊论文]-西安电子科技大学学报（自然科学版） 2006(2)85.魏广芬.唐祯安.陈正豪.余隽.王立鼎.闫桂珍气体传感器阵列信号的盲分离研究[期刊论文]-高等学校化学学报2006(1)86.吴景田实时语音盲信号分离及声源定位研究[学位论文]硕士 200687.马晓红传声器阵列语音增强中关键技术的研究[学位论文]博士 200688.冯丹凤基于盲源分离技术的多目标辨识与定向技术研究[学位论文]硕士 200689.陈楚楚非协作情况下直接扩频信号扩频码盲估计研究[学位论文]硕士 200690.张旭秀盲源分离及其在脑电信号处理中应用的研究[学位论文]博士 200691.张华非平稳宽带有色信号盲卷积分离算法的研究[学位论文]硕士 200692.武建盲源分离研究及其在脑电信号分析中的应用[学位论文]硕士 200693.刘瑾基于盲源分离的语音增强方法研究[学位论文]硕士 200694.张鹏基于信号处理的压电自感知执行器解耦研究[学位论文]硕士 200695.丁小燕基于盲源分离的数字音频水印技术研究[学位论文]硕士 200696.梁忠杰数字音频鲁棒水印技术的研究[学位论文]硕士 200697.黄灿辉独立分量分析在盲信号分离中的应用研究[学位论文]硕士 200698.王毅.牛奕龙.陈海洋独立分量分析的基本问题与研究进展[期刊论文]-计算机工程与应用 2005(27)99.冯兆艳.柴晓冬基于密钥图像的加密技术[期刊论文]-信息安全与通信保密 2005(10)100.李小军.楼顺天.张贤达基于估计概率密度函数的独立分量分析方法[期刊论文]-西安电子科技大学学报（自然科学版） 2005(4)101.李舜酩转子振动故障信号的盲分离[期刊论文]-航空动力学报 2005(5)102.张梅.金施群ICA不确定性问题在圆度误差分离中的解决措施[期刊论文]-工具技术 2005(10)103.李舜酩.杨涛盲源信号分离及其发展[期刊论文]-传感器技术 2005(4)104.季忠.金涛.杨炯明.秦树人虚拟噪声通道在基于ICA消噪过程中的应用[期刊论文]-中国机械工程 2005(4) 105.李舜酩机械振动信号盲源分离的时域方法[期刊论文]-应用力学学报 2005(4)106.李小军.楼顺天.张贤达一种针对复值信号的独立分量分析方法[期刊论文]-西安电子科技大学学报（自然科学版） 2005(3)107.刘伟群.阳春华.易叶青JADE盲信号分离算法失效问题研究[期刊论文]-计算技术与自动化 2005(3)108.李婷.邱天爽.牛杰独立分量分析在脑电信号处理中的应用及研究进展[期刊论文]-北京生物医学工程 2005(3) 109.申永军齿轮系统的非线性动力学与故障诊断研究[学位论文]博士 2005110.梅铁民盲源信号分离时域与频域算法研究[学位论文]博士 2005111.林秋华基于盲源分离的图像与语音加密新方法研究[学位论文]博士 2005112.沈希忠盲信号处理的二阶和高阶分离算法研究[学位论文]博士 2005113.孔薇盲分离算法的研究及其在声信号处理中的应用[学位论文]博士 2005114.钟振茂基于盲源分离的声学故障特征提取方法研究[学位论文]博士 2005115.何培宇面向实时处理的自适应声学语音信号处理[学位论文]博士 2005116.易叶青基于进化算法的盲源信号分离[学位论文]硕士 2005117.谢朋朋车辆声频信号盲分离及遗传算法研究[学位论文]硕士 2005118.魏广芬基于微热板式气体传感器的混合气体检测及分析[学位论文]博士 2005119.刘洋独立分量分析及其在脑电信号提取中的应用[学位论文]硕士 2005120.王瑜空域处理语音增强方法的研究[学位论文]硕士 2005121.王翀数字音频水印技术的研究[学位论文]硕士 2005122.冶继民信源数目未知与变化时的盲信号分离方法研究[学位论文]博士 2005123.王明祥独立分量分析方法及在图像处理中的应用研究[学位论文]博士 2005124.张兼OFDM系统盲信道估计算法研究[学位论文]硕士 2005125.梁越卷积混合信号盲分离技术及应用研究[学位论文]硕士 2005126.孙战里盲源分离算法及其应用的研究[学位论文]博士 2005127.孙战里盲源分离算法及其应用的研究[学位论文]博士 2005128.施剑基于麦克风阵列的盲语音分离算法研究[学位论文]博士 2005129.康浔盲信号分离及在非线性混叠环境下的分离问题[学位论文]硕士 2005130.李先伟混叠卷积信号的盲反卷积研究[学位论文]硕士 2005131.梁丽丽麦克风阵列语音增强方法的研究[学位论文]硕士 2005132.潘丽丽独立成分分析及其在脑功能磁共振成像中的应用[学位论文]硕士 2005133.牛奕龙盲源分离算法研究[学位论文]硕士 2005134.李维勤基于混合信号概率密度函数估计的盲信号分离[学位论文]硕士 2005135.李婷独立分量分析及其在脑电信号噪声分离中的应用[学位论文]硕士 2005136.张荣强说话人识别中特征提取的方法研究[学位论文]硕士 2005137.何昭水瞬时线性混叠与卷积混叠盲分离研究[学位论文]博士 2005138.张发启盲源信号分离技术[期刊论文]-现代电子技术 2004(20)139.郑华.张粒子.谢莉.申景娜关于电力市场下系统边际价格概率模型的新研究[期刊论文]-中国电机工程学报2004(11)140.解静.李艳斌.陈建峰最大似然估计的独立分量分析法[期刊论文]-无线电工程 2004(7)141.李广彪.张剑云.毛云祥盲源分离的发展及研究现状[期刊论文]-航天电子对抗 2004(6)142.张梅.金施群圆度测量误差分离技术解决ICA的不确定性问题[期刊论文]-黑龙江科技学院学报 2004(5) 143.曹薇.高隽.胡学友一种有效的图像盲水印算法[期刊论文]-合肥工业大学学报(自然科学版) 2004(8) 144.刘盛鹏.方勇基于TMS320C64x DSP/BlOS Ⅱ的嵌入式语音采集与盲分离系统设计[期刊论文]-电子技术2004(4)145.李小军.朱孝龙.张贤达盲信号分离研究分类与展望[期刊论文]-西安电子科技大学学报(自然科学版) 2004(3) 146.张玲.何培宇.刘开文关于噪声环境中语音信号盲分离的研究[期刊论文]-四川大学学报(自然科学版) 2004(1) 147.申永军.杨绍普.刘献栋齿轮故障诊断中的信号处理技术研究与展望[期刊论文]-机械传动 2004(3)148.魏乐基于非负矩阵分解算法进行盲信号分离[期刊论文]-电光与控制 2004(2)149.张明键盲分离算法的研究[学位论文]博士 2004150.岳顺民配电市场价格分析及价格监管模式研究[学位论文]博士 2004151.王进军基于小波分析和人工神经网络对ECG信号滤噪和分类的研究[学位论文]硕士 2004152.李小军独立分量分析及其在阵列信号处理中的应用[学位论文]博士 2004153.李合生.赵明生.吴佑寿基于小波与傅里叶变换的一类短波盲信道自适应分离算法研究[期刊论文]-信息与控制 2003(4)154.金海红.冶继民未知源信号个数盲信号分离的半参数统计方法[期刊论文]-西安电子科技大学学报(自然科学版) 2003(6)155.李合生.赵明生.吴佑寿一种短波通信盲信道快速分离算法[期刊论文]-通信学报 2003(7) 156.刘洋.樊可清二阶盲辨识(SOBI)在模态分析中的应用[期刊论文]-微计算机信息 2010(31)本文链接：/Periodical_dianzixb2001z1010.aspx。
盲信号分离技术综述
P ( C M A ) 分离 , 虽然仿 真条件 比较理 想 出现 了一些相 关文献
积极 推动作用 !
2.卷积混合模型
设n个源信 号 , 有一个未知 的线 性混合 . 每 个分量在 不 同混合信 号里 的延迟均 不同 ! 这 时可将 滤波器 (通 常
是F R 滤波器 ) 或 者多项式作 为混合矩 阵A 的元 素 ! 卷积 I 混合信号的数学模型可 以用公 式 (3 )
峨 目 嘴 . .
专题 忘 汀 四 技术 O
S p 户c 扭 不 e h n o l g y l e o
/{ 洲, , , 甲只甲黔票赓卜
一一户尸洲- (州 ()从 . . 2 ()4 ) 万约 国 家附 3 . 一 研 花 发展 ;一 一一~ 入}二 棘棘藕哪嗽职粼赚姗 岛技 术 {划
解放 军理工大学通 信工程学院 总装航天研 发 中心
种非线性的依赖关系 其混合模型可 用式 (引 表示 :
(4 )
不 断的调 整分 离矩 阵W , 使得y t卜w x( )是源信 号的 ( t 一个尽可能准确的估计 ! 从 源 信 号 的混 合 方 式来 分
图] 盲源分离原理框图
x(t)= F 笼 )} s(t
其中
F 钾} 表示未知 的非线 性 函数 ! 非 线性混合 盲 在非线 性混 合的实 际问题
就可 以实现 S二 t +N (t 的估计 ( s) )
文将 盲源分 离技术应 用信息 安全领域 中 . 提 出一种新 的 基于 完全覆盖 策略 的数据保 密方法 : 李加文 李从心提 出 了在频 域利 用瞬 时盲分 离/主 成份分 析/瞬 时混 合盲 分
噪处理 完成对源 信号 的估 计 ! 有一种情 况 . 如果 噪声满 足盲信号 分离 中对源信号 的假设 条 , 且 源信号 与噪声 信号 的数 目总和 不大于接 收信号 的数 目时
- 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)。
课程设计任务书题目: 确定信号的盲分离初始条件：Matlab软件平台要求完成的主要任务:根据盲信号分离原理，用matlab生成两个以上确定信号，选择合适的混合矩阵生成若干混合图像。
选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的信号。
设计要求：（1）用matlab做出采样之后信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。
（4）用求出的分离矩阵从混合信号中分离出原信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排：查阅资料2天仿真设计2天撰写报告1天指导教师签名:年月日系主任签名:年月日目录摘要 (I)ABSTRACT (II)1确知信号 (1)1.1确知信号的概念 (1)1.2确知信号的类型 (1)1.3常见的确知信号 (2)2盲分离原理 (3)2.1盲信号处理的基本概念 (3)2.2盲信号分离的分类 (3)2.3盲分离的目标准则 (4)2.4盲信号处理技术的研究应用 (5)3 独立分量分析（ICA）基础 (6)3.1ICA理论的概念和模型 (6)3.2ICA数据分析问题中的约束条件 (8)3.3ICA算法的分类与基本原理 (9)3.4F AST ICA算法 (11)4 MATLAB简介 (13)5 确定信号盲分离仿真与分析 (15)5.1原始信号的产生 (15)5.2原始信号的频谱 (16)5.3信号的混合 (17)5.4ICA算法实现 (20)6 小结体会 (26)参考文献 (27)附录1 程序 (28)摘要盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。
通常观测到的混合信号来自多个传感器的输出，并且传感器的输出信号具有独立性（线性不相关）。
盲信号的“盲”字强调了两点，一是原始信号并不知道，二是对于信号混合的方法也不知道。
独立分量分析（Independent Component-Analysis，简称ICA）是近年来由盲信元分解技术发展而来的多通道信号处理方法。
通过假定传感器阵列所采集到的信号是多个具有独立统计特性的内在信源信号的线性叠加，在采用某种特定的优化准则将所谓的独立分量一一分解出来。
本文重点研究了以确定信号为目标的盲处理方法，首先介绍了盲源分离的思想和数学模型，介绍了盲分离的几种准则。
然后对盲分离普遍采用的独立分量分析技术做了介绍，讨论了其多种算法，详细讨论了一种快速ICA算法，并在编程中利用这一算法对多路确定信号进行盲分离，根据结果对这一算法进行分析。
关键词：盲信号分离；独立分量分析；快速ICA算法；Matlab编程IAbstractBlind signal separation refers to analyze observations from multiple mixed-signal which was not observed in the original signal. Usually mixed signals observed from a plurality of sensor output and the sensor output signals have independent (linearly independent).The word 'blind'emphasized two points.First we don't know the original signal.Second,we don't know the signal mixing method.Independent component analysis (Independent Component-Analysis, referred ICA) in recent years by blind signal decomposition technique developed from the multi-channel signal processing methods. By assuming that the sensor array signal collected is more than an independent statistical properties inherent linear superposition of the source signal, the adoption of aspecific optimization criterion eleven so-called independent component decomposition.This paper focuses on the goal to determine the blind signal processing method,introduced the idea of blind source separation and mathematical models, introduced several blind separation criteria. Then the blind separation widely used independent component analysis techniques have been described, discussed its various algorithms discussed in detail a fast ICA algorithm, and use this in the programming algorithm to determine the multi-channel signal separation, according to the results of this algorithm for analysis.Key words: blind signal separation; Independent Component-Analysis; Fast ICA algorithm; Matlab programming.II11确知信号1.1 确知信号的概念确知信号是指其取值在任何时间都是确定的和可预知的信号，通常可以用数学公式表示它在任何时间的取值。
1.2确知信号的类型1.2.1 周期信号和非周期信号周期信号满足：+∞<<∞-+=t T t s t s ),()(0（式1）其中，0T 为此信号的周期，00/1T f =称为此信号的基频。
1.2.2 能量信号和功率信号在通信理论中，常把信号功率定义为电流在单位电阻上消耗的功率（归一化功率）。
)(/2222W I V R I R V P ====（式2）若信号的能量是一个正的有限值，则称此信号为能量信号。
在实际的通信系统中，信号都具有有限的功率、有限的持续时间，因而具有有限的能量，为能量信号。
但是，若信号的持续时间非常长，则可以近似认为它具有无限长的持续时间。
此时，信号的平均功率是一个有限的正值，但其能量近似为无穷大。
这种信号称为功率信号。
周期信号属于功率信号。
21.3常见的确知信号1.单位冲击函数)()(t t s δ=（式3） 2.单位阶跃函数⎩⎨⎧<>==0001)()(t t t u t s （式4） 3.常数1)(=t s （式5） 4.单边指数函数)()(t u e t s at -=（式6） 5.三角脉冲⎪⎪⎪⎩⎪⎪⎪⎨⎧<<-<<-+=其他00)1(0)1()(ττττt t E t t E t s （式7）2盲分离原理2.1盲信号处理的基本概念盲信号处理（Blind Signal Processing）是现代数学信号处理、计算智能学近年来迅速发展的重要方向。
在电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。
盲信号处理利用系统(如无线信道、通信系统等)的输出观测数据,通过某种信号处理的手段, 获得我们感兴趣的有关信息(如原来独立发射的信号等)。
盲信号的研究是当前学术界的一个研究热点，而盲信号分离则是盲信号研究中的一个重要的课题。
BSS是指从观测到的混合信号中分离出未知的源信号。
盲信号中的“盲”意味着两个方面：第一，对源信号一无所知或只有少许的先验知识。
第二，混合本身是未知的。
这看似是一个不可能的任务，然而理论和实际都证实了只需要相当简单的假设，就可以得到该问题的解。
这一特点使得BSS成为一种功能相当强大的信息处理方法。
如图1所示：图2.1 盲信号处理原理框图2.2盲信号分离的分类源信号进过传输通道的混合方式而言，其处理方法可分为线性瞬时混合信号盲处理、线性卷积混合信号盲处理和非线性混合信号盲处理三类。
3根据通道传输特性中是否含有噪声、噪声特性（白噪声、有色噪声等）、噪声混合形式，可分为有噪声、无噪声盲处理，含加性噪声和乘性噪声混合信号盲处理等。
按源信号和观测信号数目的不同可以将混合方式分为欠定、适定和超定情况;按源信号特性的不同分为: 平稳、非平稳、超高斯、亚高斯、超高斯和亚高斯混合分离等。
2.3盲分离的目标准则盲源分离的实现方法有多种，他们的原理主要可以归纳为以下四种准则：(1)独立分量分析(Independent Component Analysis,ICA)：当假设源信号各分量间彼此统计独立，且没有时间结构时，在某一分离准则下通过对神经网络权值的反馈调整，使得变换后信号的不同分量之间的相依性最小，也即输出达到尽可能的独立。
这种方法对多于一个高斯分布的源信号不适用(因为高斯信号的线性叠加仍是高斯信号)，这是近年来盲源分离的主要解决方法。
(2)主分量分析(Principal Component Analysis,PCA)的方法：在尽可能保持原始变量更多信息的前提下，导出一组零均值随机变量相对少的不相关线性组合（主分量），并由此恢复出对源信号的估计。
(3)二阶非平稳性：即采用非平稳性和二阶统计量。
由于源信号随时间有不同的变化，所以可以考虑利用二阶非平稳性，应用简单的解相关技术实现盲源分离。
与其他方法相比，它能够分离具有相同功率谱形状的有色高斯源，然而却不能分离具有相同非平稳特性的源信号。
(4)运用信号的不同多样性，典型的是时域多样性、频域多样性或时频域多样性，更一般的，即联合空间-时间-频率多样性，如果源信号具有不同的时频域多样性，信号的时频域特征不完全重叠，那么可以通过屏蔽时频域的单个源信号或干扰信号，并从一个(或多个)传感器信号中提取源信号，然后再在时频域中合成，然而这些情况下，通常需要一些源信号的先验知识，所以这种分离只能是一4种半盲分离。