1、盲信號處理是當(dāng)前信號處理領(lǐng)域中的熱點課題，其優(yōu)勢在于除了假定源信號之間相互獨立外，不需要任何其它的先驗知識，有廣泛的應(yīng)用前景。本論文針對盲信號處理中的挑戰(zhàn)性課題，嘗試通過理論和實驗研究，針對目標(biāo)感知系統(tǒng)，解決當(dāng)前目標(biāo)增強技術(shù)下難以解決的目標(biāo)增強問題，從而提升系統(tǒng)的目標(biāo)感知能力。重點研究了兩個理論框架下的盲分離問題，一是日常辦公環(huán)境下混響嚴(yán)重的卷積混合盲分離模型，這是本文所解決的盲分離中第1個難題，著重研究了卷積混合盲分離頻域解法中的復(fù)值

2、信號盲分離和次序不確定性問題：二是基于粒子濾波的含噪信號盲分離研究，為解決盲信號處理中噪聲環(huán)境下的后非線性和欠定盲分離等難題提供了一個嶄新的思路。在實際應(yīng)用上，重點探討了卷積混合盲分離頻域算法在語音信號盲分離和主動聲納目標(biāo)檢測中的應(yīng)用，前者是普遍性問題，后者是關(guān)于國防軍事裝備中迫切需要解決的問題。 本文首先對復(fù)值信號盲分離研究歷史與現(xiàn)狀進行簡要回顧和論述，之后指出現(xiàn)行5個主流算法的優(yōu)缺點：法國J.-F.Cardoso提出的JAD

3、E是用復(fù)值向量的共軛轉(zhuǎn)置代替了實數(shù)的轉(zhuǎn)置來建立累積量矩陣，再對累積量矩陣進行特征值分解求得分離矩陣；赫爾辛基理工大學(xué)Ella Bingham和Aapo Hyvadnen提出的ComplexFastlCA是對復(fù)數(shù)絕對值運算，與實數(shù)算法形式相同；馬里蘭大學(xué)Calhoun Vince與T.Adali提出的Complex ICA是基于互信息最小化的自然梯度盲分離算法，但是忽略了復(fù)值信號的偽參數(shù)特性；赫爾辛基理工大學(xué)Jan Eriksson和Vi

4、sa Koivunen提出的SUT算法是對非正則復(fù)值向量的偽自相關(guān)矩陣進行分解從而得到分離矩陣；美國Scott C．Douglas提出的EquivariantSUT利用了偽自相關(guān)矩陣的特性，不過算法是對實值信號算法直接進行改進得到的，沒有建立代價函數(shù)。 鑒于此，本文先根據(jù)非正則復(fù)值向量的偽自相關(guān)矩陣構(gòu)造了二階統(tǒng)計量的代價函數(shù)，再通過梯度下降法推導(dǎo)出基于偽自相關(guān)矩陣的二階復(fù)值信號盲分離算法Strong SOS；其次構(gòu)建互信息最小化

5、的代價函數(shù)，在推導(dǎo)過程中對復(fù)值信號分別進行共軛轉(zhuǎn)置和轉(zhuǎn)置運算，從而推導(dǎo)出基于偽互相關(guān)矩陣的高階統(tǒng)計量復(fù)值信號盲分離算法Strong HOS，最后通過仿真試驗與上述的5種算法進行比對。由于所發(fā)展的新算法充分利用了非正則復(fù)值向量“偽參數(shù)”的性質(zhì)，從分離效果上看，Strong SOS和Strong HOS收斂效果更好，分離性能更強。進而得出結(jié)論：無論是理論分析還是仿真試驗，都說明了非正則向量的“偽參數(shù)”使復(fù)值盲信號分離算法收斂更快、分離效果更

6、好。這項工作是卷積混合盲分離頻域算法的第一步，為更加準(zhǔn)確地解決算法第二步的頻率對準(zhǔn)問題奠定了基礎(chǔ)。 本文第二個研究重點是卷積混合盲分離頻域解法中的次序不確定問題。結(jié)合非正則復(fù)向量的“偽參數(shù)”，首先提出了擴展自相關(guān)矩陣、擴展駕駛向量和擴展權(quán)值向量，提出了擴展MVDR波束形成方法ExMVDR，仿真試驗表明該方法比MVDR輸出的主波束信噪比高出2dB左右；其次，深入研究了互參數(shù)法的理論基礎(chǔ)，公式推導(dǎo)和高斯白噪聲下的仿真試驗都揭示了互參

7、數(shù)法有效的原因之一是由于離散傅立葉的計算方法提供了互參數(shù)的相關(guān)性，從而得出了互參數(shù)法的應(yīng)用可以拓展至語音信號以外的信號的結(jié)論；通過對源信號計算互參數(shù)來反映相關(guān)系數(shù)和KL距離在語音信號卷積混合頻域解法中的性能，發(fā)現(xiàn)KL距離的性能優(yōu)于相關(guān)系數(shù)，但是在某些情況下，由于離散化帶來的誤差和信號長度太短而引起的獨立性下降等因素，使得KL距離仍然存在著不能夠進行有效進行頻率對準(zhǔn)的可能；最后論證了語音信號分段做FFT之后，不同窗對應(yīng)的同頻率下的復(fù)值信號

8、是非正則的，從而進一步提出了卷積混和盲分離頻域解法的方法：StrongSOS+ExMVDR。Stronq HOS+ExMVDR和Stmnq HOS+KL。 為了檢驗上述算法的性能，對日常辦公室環(huán)境下的卷積混合語音信號進行解卷積實驗?；祉憰r間是130毫秒，采樣頻率是8000赫茲，源信號是17個漢字組成的中文語音信號和一段輕音樂。實驗中，混合信號是通過著名的Image算法模擬日常辦公環(huán)境下房間內(nèi)的傳遞函數(shù)與單獨錄制的源信號相卷積混合

9、的。無論是頻域內(nèi)復(fù)值混合信號的盲分離計算，還是頻率對準(zhǔn)階段，本文所提出的方法與主流算法比，都具有一定的優(yōu)勢，因此在與日本NTT的Shoii Makino等人的算法Polar ICA+MVDR比對中，StrongSOS+ExMVDR和Strong HOS+ExMVDR估計的源信號信噪比要高出Polar ICA+MVDR一個分貝以上，另外，本文還使用IBMViavoice中文語音識別軟件對不同方法估計的17個漢字進行識別，Strong SO

10、S+ExMVDR和Strong HOS+ExMVDR估計的仃個漢字，軟件都可識別出，Polar ICA+MVDR估計的源信號，IBMViavoice只能夠認(rèn)出14個漢字，而ICA Center上提供的FDICA算法估計的源信號，Viavoice只能夠認(rèn)出13個漢字，對于StrongHOS+KL估計的源信號，能夠認(rèn)出15個漢字，少于StrongSOS+ExMVDR和Strong HOS+ExMVDR，這是由于在頻率對準(zhǔn)階段采用的互參數(shù)法K

11、L不如ExMVDR準(zhǔn)確。通過這些實驗更加有效的證明了所提出算法的優(yōu)越性，也充分說明了非正則復(fù)值向量“偽參數(shù)”在復(fù)值信號處理中的重要作用：通過比較Viavoice對混合信號和估計的源信號的識別率，說明了語音識別軟件Viavoice在盲信號處理下識別能力得到提高，從而進一步證明了本文所提出的“面向目標(biāo)感知的盲信號處理算法研究”的思路是正確的。無論是比較算法評價指標(biāo)還是語音識別軟件識別不同方法估計的源信號的準(zhǔn)確率，都證明所提出的算法Stron

12、gSOS+ExMVDR，Strong HOS+ExMVDR和Strong HOS+KL比現(xiàn)存主流算法有優(yōu)勢，從而推動了嚴(yán)重混響條件下的卷積混合盲分離頻域算法的發(fā)展。 粒子濾波是解決非線性非高斯過程的有效方法，在過去10多年里得到了迅速發(fā)展，而隨著盲信號處理理論的發(fā)展，含噪、非線性盲分離受到越來越多的關(guān)注，本文通過粒子濾波來解決含噪的后非線性和欠定等多種盲分離模型，建立了粒子濾波+不含噪盲分離的框架。首先對含噪盲分離模型進行分解，

13、提出了如果將不含噪的混合信號估計出來就可以將含噪模型轉(zhuǎn)化為不含噪模型的思路；其次，通過建立不含噪混合信號的時變AR模型來構(gòu)造狀態(tài)空間方程中的狀態(tài)方程，通過可觀測到的含噪混合信號與要估計的不含噪混合信號的線性或者非線性關(guān)系，構(gòu)造了狀態(tài)空間方程中的觀測方程，從而發(fā)現(xiàn)了動態(tài)狀態(tài)空間方程與含噪盲分離相結(jié)合的可行性；按此思路，通過粒子濾波可將含噪盲分離模型轉(zhuǎn)化為不含噪模型，在后非線性函數(shù)已知或者可估計出的情況下，可將非線性盲分離模型轉(zhuǎn)化為線性模型

14、，然后通過現(xiàn)有的不含噪盲分離算法估計出源信號。在這個框架下，本文從理論上解決了線性正定含噪、非線性正定含噪、線性欠定含噪、非線性欠定含噪等非常有挑戰(zhàn)性的盲分離問題。 由于各種含噪盲分離模型成熟解法不多，首先進行相對簡單的正定線性含噪盲分離實驗，并與赫爾辛基理工大學(xué)J．Sarela和H．Valpola等人提出的Denoising Source Separation(DSS)算法進行比對，以驗證所提出方案的可靠性。信號混合采用瞬時混

15、合方式，噪聲是加性的。在0至12dB的輸入信噪比下，無論是高斯白噪聲還是伽瑪噪聲環(huán)境，從算法評判標(biāo)準(zhǔn)上看，所提出的PF+FastlCA方法對源信號的估計要好于DSS。緊接著，對正定非線性、欠定線性和欠定非線性盲分離算法進行試驗，輸入信噪比均為10dB。粒子濾波的貢獻有5至6dB左右，對源信號的估計效果與正定線性含噪和不含噪混合兩種情況下的效果相當(dāng)。實驗進一步證實了所提出方案的可行性、可靠性和有效性，為解決噪聲環(huán)境下的非線性、欠定盲分離問

16、題建立了嶄新的理論框架。 在卷積混合盲分離的應(yīng)用上，本文還重點討論了其在主動聲納目標(biāo)檢測中的應(yīng)用。本文將目標(biāo)回波看作第一個源信號，將近海的混響或者遠海的背景干擾看作第二個源信號，通過選取波束形成后的主波束和與主波束相鄰的波束作為盲分離中的兩個接收信號，采用本文所發(fā)展的卷積混合盲分離頻域算法對主波束目標(biāo)信號進行增強。真實目標(biāo)海上實驗數(shù)據(jù)處理結(jié)果表明：通過盲分離，主波束的匹配濾波輸出得到了2.5dB的增益，目標(biāo)時頻分析的特征更加清晰