崔艳
【摘 要】提出了一種基于负熵的无预白化的具有等变性的独立成分分析算法。首先介绍了负熵的定义以及如何使用负熵作为代价函数来度量混合信号的非高斯性。详细介绍了将分离向量和预白化矩阵结合得到了基于负熵的无预白化的迭代算法。最后通过选取4组非高斯向量作为信号源进行仿真实验，结果显示分离效果良好。
【关键词】独立成分分析;负熵;预白化
中图分类号： TN97 文献标识码： A 文章编号： 2095-2457（2019）19-0080-003
DOI：10.19694/j.cnki.issn2095-2457.2019.19.037
0 引言
独立成分分析（ICA， Independent Component Analysis）[1]是上世纪90年代为解决盲信号处理中的盲源分离问题而发展起来的一种有效的信号处理方法，其目的是从随机线性混合的观测信号中恢复出各个源信号。现已广泛应用于通信、金融、遥感、生物医学、语音处理、地震预报、特征提取、数据挖掘[2-3]等领域。当假设源信号统计独立时，独立成分分析就等同于盲源分离模型。独立成分分析算法的目的是得到一种搜索方法，目的是极大（极小）化代价函数，此函数是源信号非高斯性或独立性的一种度量。白化是独立成分分析的预处理，然而，基于预白化数据的独立成分分析算法是没有等变化特征[4]的。为了解决此问题，我们通过将预白化步转化为一权正交约束条件，提出了一种新的具有等变化性的独立成分分析算法。
4 结论
本文首先介绍了负熵的定义，由于预白化的过程影响收敛速度和分离的准确性。因此，我们提出了以负熵作为非高斯性度量的无预白化的独立成分分析算法，此算法将白化和分离过程结合在了一起，将自相关矩阵引入到了约束中，使得分离矩阵应当满足权正交，克服了一般算法不具有等变化性的缺点。仿真实验结果也表明此算法是有效的。
【参考文献】
[1]Hyvarinen，A.，Karhunen，J.，Oja，E.：Independent Component Analysis.Wiley，New York（2001）.
[2]Girolami， M.： Self-Organizing Neural Networks： Independent Component Analysis and Blind Source Separation. Springer， London （1999）
[3]Amari， S.， Cichocki， A.， Yang， H.H.： A New Learning Algorithm for blind Souce Separation. In： Advance in Neural Information Processing Systems， vol. 8，pp. 757-763. MIT Press， Cambridge （1996）
[4]Cardoso，J.F.，Laheld，H.：Equivariant Adaptive Source separation.IEEE Trans.Signal Process.44（12），3017-3029（1996）
[5]Y. Jimin， H. Ting， New fast-ICA algorithms for blind source separation without pre-
Whitening， Commun. Comput. Inf. Sci. 225（2011） 579-585.
[6]T. Xingjia， Z. Xiufang， Y. Jimin. Adaptive Step-size Natural Gradient ICA Algorithm with Weighted Orthogonalization. Circuits Syst Signal Process （2014）33：211-221.
[7]Ying Tang. Independent component analysis employing exponentials of sparse antisymmetric matrices. Neurocomputing， 325，172-181（2019）.
[8]Yang Zheng， Xiaogang Hu. Interference removal from electromyography based on Independent component analysis. IEEE Transactions on Nerual systems and Rehabilitation Engineering， 27（5），（2019） 887-894.
