[发明专利]一种基于磨光函数与Parzen窗估计的ICA盲信号分离方法及其系统

说明书

技术领域

本发明属于盲信号处理领域，特别涉及磨光函数、极大似然函数、Parzen窗估计、拟牛顿迭代、最小互信息熵、独立分量分析、盲信号分离等技术，具体是一种基于磨光函数与Parzen窗估计的ICA盲信号分离方法及其系统。

背景技术

盲信号处理，是指在混杂场景中，未知传输信道、源信号信息情况下，用信号源分离方法提取感兴趣的目标信号。具体包括独立源盲分离、盲解卷、盲辨识，它是一种对信号源知识、信道先验知识具有很好宽容性的自适应阵列信号处理方法，即使在未知任何信号源信息和信道信息的情况下，仅仅满足极有限的条件也能实现多源信号的分离和恢复。

独立成分分析(ICA)是一项把混合信号分解成具有统计独立性成分的新的盲信号分离技术，是一种基于高阶统计量的盲信号处理方法。它从多元统计数据中寻找其内在因子或成分，目的是从未知源信号的观测混合信号中分离出相互独立的源信号。它能够高效的分解相互独立的非高斯信号，抑制高斯白色和有色噪声。相对于主成分分析(PCA)，ICA强调分解出来的各分量相互独立，而不是PCA所要求的不相关，因此ICA具有更高的应用价值，已经在生物医学信号分析、语音识别、无线通信、核磁共振城乡、雷达信号检测等领域展示出很好的应用前景。

对于ICA而言，如能很好的估计源信号的概率密度函数，就能很好的分离出独立的源信号，这是目前盲信号分离领域难题之一；同时，概率密度函数的非参数化估计是众所周知的另一个难题。参数个数增多往往导致问题难度的大幅增加；而非参数化问题具有无穷个参数，因此它很难估计。本发明正是在此背景下提出。

发明内容

本发明要解决的技术问题是：源信号的概率密度函数的估计对ICA盲信号分离很重要，概率密度函数的非参数化估计很困难，需要一种有效的ICA盲信号分离方法。

本发明的技术方案为：一种基于磨光函数与Parzen窗估计的ICA盲信号分离方法，对于未知传输信道、源信号信息情况下接收的信号，将其作为观测信号X，通过以下步骤从中分离出独立源信号：

1)、初始化参数：

设置分离矩阵W和优化参数κ作为初始化参数，其中分离矩阵W为方阵或非方阵，分离矩阵W满足满秩、正交，优化参数κ初始值为0.2；

2)、计算目标函数及其梯度函数：

设观测信号X的观测量为M，X＝x(1)，x(2)，L，x(M)，即在信号接收时设置有M个采样点，N表示源信号矢量维数，将源信号概率密度估计相乘得到似然梯度，似然度记为L，把它作为W的函数：

L(W)=Πk=1M(Πi=1Npi(wViTxV(t)))|detW|---(2)]]>

表示独立源信号的概率密度，表示分离矩阵的第i行；使用似然度的对数，其数学期望为