1、盲源分離是信號處理領域和神經網絡領域研究的熱點問題之一，目前已經廣泛地應用于語音識別、圖像處理、生物醫(yī)學信號處理、通訊和經濟學等諸多領域。該技術主要是研究如何根據觀察數據的一些統(tǒng)計特征，從混合信號中分離出在實際應用中有意義的源信號。 在過去的二十年里，由于其廣闊的應用前景，吸引了眾多的科研工作者獻身于這一領域的研究，盲源分離技術因此也獲得了迅猛的發(fā)展。然而，盲源分離技術尚處于發(fā)展階段，其在理論和應用方面的研究有待進一步深化和完善

2、。 本文首先回顧了盲源分離問題的發(fā)展歷史、研究現(xiàn)狀和不足，并對盲源分離問題進行了簡單的數學描述，包括盲源分離問題的數學模型、基本假設、數學理論基礎和實現(xiàn)途徑。然后針對一些盲源分離的算法和應用問題進行了深入的研究，提出了一些有效的方法，并對現(xiàn)有的一些方法做出了相應的改進和提高。全文的主要工作包括以下幾個方面： 1)對于基于信號時間結構的盲源分離方法，提出了一種新的基于遺傳算法的時間延遲優(yōu)化選擇方法?；跁r間結構的盲源分離方

3、法，時間延遲的選擇對于算法的計算復雜度和最后的信號盲分離效果都有著較大的影響，傳統(tǒng)的選擇方法一般是直接采用前面幾個最小的自然數，這樣做并不能總是取得很好的效果。在本文中，我們將時間延遲選擇問題看成組合優(yōu)化問題，通過選取合適的適應度函數、編碼方式和遺傳操作，采用遺傳算法實現(xiàn)時間延遲的優(yōu)化組合。 2)提出了一種基于多層感知器網絡的后非線性-線性混合模型(PNL-L)盲源分離方法。后非線性-線性混合模型是非線性混合的一個重要的模型，現(xiàn)

4、有的實現(xiàn)方法往往不能同時正確估計非線性函數和源信號的累積概率密度函數，或者是不能很好地分離出源信號。為此，針對PNL-L混合模型，本文提出了一種采用兩組感知器網絡的分離結構，并給出了基于最小互信息的無監(jiān)督學習算法。對于多層感知器網絡，附加動量法和自適應步長技術在訓練過程中被采用以加快整個分離系統(tǒng)的收斂速度。本文中所提出的方法可以同時動態(tài)估計混合模型的非線性和源信號的累積概率密度函數。 3)提出了一種基于非線性盲源分離的Wiene

5、r系統(tǒng)求逆方法。所謂的Wiener系統(tǒng)，是由源信號首先通過一個卷積濾波器，卷積后的信號再被非線性扭曲。在本文中，我們首先將卷積混合改寫成一個線性混合，然后通過基于多層感知器網絡的后非線性盲源分離方法對源信號進行估計。 4)采用批處理算法對基于核的非線性盲源分離方法進行改進。當樣本數量較大時，基于核的非線性盲源分離方法由于要計算核矩陣，只能選取一部分樣本進行處理，為此，在本文中，通過采用批處理算法計算數據的核變換，我們提出了一種改

6、進的基于核的非線性盲源分離方法，改進后的方法可以充分利用所有的樣本數據，并且能夠很好的恢復出源信號。 5)提出了一種約束非負矩陣分解方法對超光譜圖像進行混合像元分解，并采用多種方法對超光譜圖像端元個數的確定進行分析。混合像元分解是從超光譜數據中獲取信息的一個重要途徑，由于其端元組分和豐度都不是獨立的，直接采用獨立分量分析的方法，效果并不理想。在本文中，我們首先采用多種方法對超光譜圖像端元個數的確定進行分析，然后將超光譜圖像的先驗