1.ICA基本理論再綜述

在實(shí)際應(yīng)用中，可以通過傳感器得到一系列觀測(cè)信號(hào)，這些觀測(cè)信號(hào)是由未知源信號(hào)經(jīng)過某種混合系統(tǒng)的輸出，如在移動(dòng)通信中，源信號(hào)經(jīng)過發(fā)射機(jī)天線發(fā)出后，在無線信道中經(jīng)過不確定的混合和干擾，以至于到達(dá)接收機(jī)的信號(hào)是一個(gè)多徑、攜噪的混合信號(hào)，而從混合信號(hào)中分離出發(fā)射端的源信號(hào)將大大改善通信質(zhì)量，因此類似的問題都可以用?ICA的方法來解決。

假設(shè)由?N?個(gè)源信號(hào)?構(gòu)成一個(gè)列向量由?M?個(gè)觀測(cè)信號(hào)構(gòu)成一個(gè)列向量A?是一個(gè)?N*M?維混合矩陣，滿足下列方程：

?注意看！觀測(cè)信號(hào)一定要大于等于源信號(hào)，否則這個(gè)問題是無解的！！！！

ICA?的思路是找到一個(gè)?N*M?維反混合矩陣W滿足：Y=WX=WAS；Y是我們求解后的成分信號(hào)，S是源信號(hào)，若要使Y最大程度上逼近S，這實(shí)際上就是個(gè)優(yōu)化過程，只需要滿足解混合矩陣W最佳估計(jì)A的逆矩陣就好！?

2.信息極大化算法原理

信息極大化原則(Infomax, ?Information ? Maximization)可描述為：系統(tǒng)的輸出端信息達(dá)到最大時(shí)，等價(jià)于各輸出分量之間的互信息達(dá)到最小，則此時(shí)各輸出分量間的冗余信息得到去除。依據(jù)該原則對(duì)輸出向量建立一個(gè)目標(biāo)函數(shù)，這里選擇輸出向量的熵作為目標(biāo)函數(shù)，熵可以用來度量一個(gè)隨機(jī)量的無序性，如果輸出向量的各分量統(tǒng)計(jì)獨(dú)立性越高則相應(yīng)的熵便越大，所以只需求得使目標(biāo)函數(shù)達(dá)到最大時(shí)的分離矩陣便可得到輸入端向量的最佳估計(jì)。

注：Y=WX

注：Z=g(Y)

注：△W是微分收斂逼近思想

3.Infomax算法步驟

4.Infomax算法在語音上的應(yīng)用

4.1語音增強(qiáng)與消噪

語音信號(hào)在傳輸?shù)倪^程中不可避免地會(huì)受到周圍噪音的干擾，這些干擾使最終接收到的語音并非純凈語音，而是攜噪語音，很多情況下噪聲的功率遠(yuǎn)遠(yuǎn)大于語音信號(hào)的功率，以致于弱的目標(biāo)語音信息被很強(qiáng)的干擾噪聲所湮沒。普通的濾波技術(shù)很難解決這個(gè)問題，而ICA算法則可以實(shí)現(xiàn)。語音中的噪聲一般為加性噪聲，而且噪聲的產(chǎn)生獨(dú)立于語音的產(chǎn)生，如果將語音和噪聲分別看作是由兩個(gè)獨(dú)立的信號(hào)源產(chǎn)生，然后線性地疊加成攜噪語音，則完全可以應(yīng)用ICA方法分離出語音和噪聲，從而達(dá)到語音增強(qiáng)和消噪的目的。

4.2助聽器功能的改善

對(duì)于聽力障礙者來說，助聽器性能的優(yōu)劣至關(guān)重要。傳統(tǒng)的助聽器僅具有單純的放大功能和簡(jiǎn)單的語音濾波功能，在噪聲環(huán)境中，將所有接收到的信號(hào)一同放大，在有兩個(gè)或兩個(gè)以上的說話者存在的條件下，有聽力障礙的人往往很煩躁，很難把注意力集中到某個(gè)人的講話內(nèi)容上，因?yàn)槎鄠€(gè)話音信號(hào)的頻譜特征很接近，濾波器無法將其他的話音信號(hào)濾掉，導(dǎo)致助聽器的功能下降。此時(shí)可以利用ICA分離技術(shù)選擇出特定的源信號(hào)，使得人們可以清楚地聽到想要與之交流的說話人的聲音，而不會(huì)受到其他外來話音的干擾。因此將ICA分離技術(shù)應(yīng)用到助聽器中，將大大提高這一產(chǎn)品的實(shí)用性和市場(chǎng)競(jìng)爭(zhēng)力。

5.局限性

采集設(shè)備離聲源的距離要盡可能近，否則各個(gè)語音信號(hào)之間的獨(dú)立性會(huì)很差，將大大降低算法的分離效果。
?

?6.參考文獻(xiàn)：

[1]Lee T W, Girolami M, Sejnowski T J. Independent component analysis using an extended infomax algorithm for mixed subgaussian and supergaussian sources.[J]. Neural Computation, 1999, 11(2):417-441.

[2]康春玉, 章新華, & 韓東. (2008). 一種基于盲源分離的doa估計(jì)方法.?Acta Automatica Sinica,?34(10), 1324-1326.

[3]任燕, 何培宇, 閆軍, & 楊茂水. (2010). 預(yù)處理對(duì)基于ica多用戶檢測(cè)算法影響研究.?通信技術(shù),?43(4), 193-195.

[4]栗科峰, & 趙建峰. (2011). 基于信息極大化的ica算法研究.?通信技術(shù),?44(5), 113-115.?

總結(jié)

以上是生活随笔為你收集整理的独立成分分析ICA系列5:信息极大化的 ICA 算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。