*********　大　学

毕业设计(论文)任务书

毕业设计(论文)题目：

基于ICA盲源分离的研究及matlab实现

毕业设计(论文)要求及原始数据(资料)：

论文要求：

查找盲源分离的现状及发展历程

第1周~第2周

(2) 大致了盲源分离的概念和简单的几种算法

第3周~第8周

(3) 用matlab对其中的一种算法进行仿真实验

第9周~第11周

(4) 写论文

第12周~第14周

(5) 论文修改 定稿 准备答辩

第15周~第16周

论文原始数据：

盲信号分离与独立分量分析的问题在语音分析与处理、图像、生物信号等多个不同领域受到广泛的关注，特别是在这些领域中的信号提取、增强、降噪、模式缩减与分类等问题的解决有非常重要的意义，实际应用中主要包括脑电图想。心电图像、磁脑电图像和功能性磁共振成像数据等的盲分离(EEG、MEG、FMRI、PET)，同时还包括生物特征提取模式化、语音提炼、数据挖掘、多信道反卷积和等量化、通信、遥感以及数据探索分析等，特别地专注于问题的独立性、神经网络解决、以及相关的论题发展前景。在许多实际应用中，同时还要针对决绝的问题设计并实现相应的硬件，包括模拟和数字芯片。由于噪音和干扰语音信号，语音识别系统显示效果会严重地受到影响，但在这种条件下人类能够很好地辨认出需要的语音，这是ICA与BSS算法在信号处理和生物学启示方法典型示例。其他一些重要的研究与应用实例包括：基于ICA和最大后验概率(MAP)估计器应用于改进的信噪比和识别率的噪音清除；对于源信号数量多于传感器数情况下决定混合类型的最优数量的算法及其在电信会议中的应用；盲信号分离算法及其相关方法在语音提炼中的应用；在医学信号处理应用中，以及电图分析为例，心电信号时非固定并显示良好重复性以及几乎周期性模式的一类信号数据。ECG信号干扰产生于认为损坏因素如电极、肌肉和呼吸作用，先前的方法包括ECG信号过滤，但当认为因素信号和ECG信号频率相同时，这一方法无法去掉干扰，BSS与ICA能够解决这一方面的问题。

较早进行盲源分离方法研究的是jutten和Herault, 1986年，他们提出了一种盲源分离方法，该方法基于反馈神经网络，通过选取奇次的非线性函数构成Hebb训练，从而达到盲源分离的目的。但该方法不能完成多于两个源信号的分离，非线性函数的选取具有随意性，并且缺乏理论解释。

1991年，Juttcn, Herault以及Comon和Sorouchyari在杂志Signal Processing上发表了关于盲信号分离的三篇经典文章，标志着盲源分离问题研究的重大进展.他们不仅提出了盲源分离中著名的H-J学习算法，而且设计了专门的CMOS集成芯片来实现他们的算法。H-J方法后来由Jutten和Herault、Comon, Cichocki和Moszczynski以及其他研究者解释并发展。Tong和liu分析了盲源分离的可分离性和不确定，并给出了一类基于高阶统计量的矩阵代数分方法。

1993年，Cardoso提出了基于高阶统计的联合对角化盲源分离方法，并应用

于波束形成。

1994年，Cornon系统地分析了瞬时混合信号的盲源分离问题，同时引入独立分量分析的概念，他的思想是把神经网络中的主分量分析(Pricnciple Component Analysis,简记PCA)加以扩展并提出了最小化输出传感器间的互信息的代价函数，通过对概率密度函数的高阶近似以提取出线性混合量中的独立分量。可以说，Comon的工作使得对盲信号分离算法的研究变成了对独立分量分析的代价函数以及其优化算法的研究，

1995年，Bell和Sejnowsk基于信息理论，通过最大化输出非线性节点的熵，得出一种最大信息(Informatian Maximization,简记Infomax)传输的准则函数，并由此导出一种自适应盲源分离和盲反卷积方法，当该方法中非线性函数的选取逼近源信号的概率分布时，可以较好地恢复出源信号。该算法虽有其局限性，但在分离线性混合的语音信号方面非常有效。

1996年，Cardoso和Laheld提出了著名的基于独立分量分析思想的EASI(Equivariaut Adaptive Separation via Independence)算法，并且在这篇文献里首次提出了算法的等变化性概念，算法在快速性和稳定性上都较随机梯度算法有所改善。EASI算法的