1、實(shí)際生活中,盲源分離技術(shù)在語(yǔ)音信號(hào)分離、電話會(huì)議、聲納、雷達(dá)處理、圖像增強(qiáng)、生物醫(yī)學(xué)信號(hào)處理、無(wú)線通信以及遙感等許多實(shí)際人機(jī)交互領(lǐng)域有著廣泛的應(yīng)用,對(duì)其研究一直是信號(hào)處理領(lǐng)域的前沿性研究課題。獨(dú)立分量分析算法是盲源分離技術(shù)中最具代表性的算法,但獨(dú)立分量分析存在獨(dú)立性約束,及要求混合系數(shù)矩陣列滿秩等的缺點(diǎn)。在實(shí)際應(yīng)用中,這些約束條件往往不能滿足,且觀測(cè)信號(hào)數(shù)目少于源信號(hào)數(shù)目的欠定混合盲源分離問(wèn)題更具有研究意義,而獨(dú)立分量分析法不再適用。對(duì)

2、于欠定混合的盲源分離問(wèn)題,稀疏分量分析方法是處理該問(wèn)題的主要方法。稀疏分量分析法應(yīng)用于語(yǔ)音信號(hào)的分離時(shí),當(dāng)擴(kuò)展到高維空間,利用短時(shí)傅立葉變換對(duì)語(yǔ)音信號(hào)進(jìn)行稀疏變換時(shí),頻域信號(hào)的線性聚類特性不再明顯,源信號(hào)數(shù)目和混合矩陣估計(jì)不準(zhǔn)確。針對(duì)上述問(wèn)題,本文從稀疏角度出發(fā),具體做了以下幾點(diǎn)的研究工作:
　　(1)稀疏分量分析中,源信號(hào)的分離是在混合矩陣得到估計(jì)的前提下進(jìn)行,故混合矩陣的估計(jì)至關(guān)重要,本文提出了在估計(jì)混合矩陣后,對(duì)其進(jìn)行修正的

3、方法,使估計(jì)值更加接近于真實(shí)值,為后面源信號(hào)的分離做很好的鋪墊。其方法首先依據(jù)估計(jì)的混合矩陣對(duì)觀測(cè)信號(hào)進(jìn)行分類,進(jìn)而求分類后每一類信號(hào)的協(xié)方差矩陣,并對(duì)協(xié)方差矩陣進(jìn)行奇異值分解,最大奇異值對(duì)應(yīng)的向量即為混合矩陣的某一個(gè)列向量。
　　(2)源于高維情況下的線性聚類特性不再明顯,拉普拉斯模型勢(shì)函數(shù)法不能估計(jì)出源信號(hào)數(shù)目和混合矩陣的缺點(diǎn),本文提出將層次聚類算法與拉普拉斯模型勢(shì)函數(shù)相結(jié)合的方法估計(jì)源信號(hào)數(shù)目和混合矩陣。其中,層次聚類算法用

4、來(lái)提取體現(xiàn)線性聚類特性的數(shù)據(jù)點(diǎn),從實(shí)驗(yàn)驗(yàn)證結(jié)果分析,達(dá)到了準(zhǔn)確估計(jì)源信號(hào)數(shù)目和混合矩陣的目的,且同時(shí)將估計(jì)過(guò)程的計(jì)算量大大降低。
　　(3)根據(jù)信號(hào)越稀疏,源信號(hào)越能得到更準(zhǔn)確的分離的思想,采用迭代子空間辨識(shí)算法進(jìn)行過(guò)完備字典的迭代求解,采用該求得的過(guò)完備字典對(duì)信號(hào)進(jìn)行稀疏表示,使得語(yǔ)音信號(hào)在過(guò)完備基表示下比短時(shí)傅立葉變換下具有更好的稀疏性。然后采用勢(shì)函數(shù)法進(jìn)行聚類分析,估計(jì)源信號(hào)數(shù)目和混合矩陣,然后恢復(fù)源信號(hào)在變換域的分量,進(jìn)而