盲源分離的主要研究方法綜述在我們平時的生活中，會有多種多樣的信號出現(xiàn)在我們周圍，這些信號中一般會有很多有用的信息在里面，我們可以利用傳感接收裝置來得到這些含有信息的信息數(shù)據(jù)，然后，為了獲得想要得到的信息，對這些數(shù)據(jù)進行處理。但是，通常除了有用的數(shù)據(jù)在這些信號里面外，還包括了噪聲、無用信號等，所有的這些成分可能是最開始已經(jīng)知道的、部分已經(jīng)知道的或者完全未知的，所以，真實有用的成分在源信號中的獲取是有一定難度的，并且我們還需要保證獲得信息的準確性和真實性。通常來說，有用成分的獲取方法有以下兩種：傳感器檢測和信號處理。在信號處理中，其主要任務是，分析接收到的信號，并在大量的數(shù)據(jù)中取得需要的信息，用于給信息接受者提供參考。因為傳感器所檢測出的信號為混合信號，因此有必要對源信號進行分離。盲源分離（BlindSourceSeparationBSS）最早開始于19世紀80年代，特別是伴隨著神經(jīng)網(wǎng)絡的流行被越來越多人研究。盲源分離問題可以形象概括為在參加的雞尾酒會中分辨出眾人聲音的問題，因為在酒會中，不同的人在遠近不同的位置相互說話，聽到的聲音是所有人的聲音的混合，環(huán)境的干擾也非常多，這就給大腦的分辨帶來了難度。但是大腦卻恰恰能從混亂的聲音中，找到想要談論的話題和對象。在此過程中，是大腦對聲音進行了合理有效的處理,而不只是耳朵所傳遞的聲音信息的作用。盲源分離問題，便類似這個過程，當然，大腦的處理相當復雜，目前也不得而知，但盲源分離問題可以從數(shù)學角度進行分析，建立信號的數(shù)學模型，通過數(shù)學變換，分離出待處理信號的源信號。分離前，首先要做的是，對信號進行采集。為了保證有充足的數(shù)據(jù)量，和準確的觀測度，需要有多個麥克風，分布在不同的位置進行聲音的采集，則觀測信號才能包含充分的有效信息。如圖1.1所示。圖1.1信號混合示意圖雖然有很多干擾的所有存在于現(xiàn)場，但人們在針對朋友所說的話上時依然能將注意力集中，又或者當別叫自己名字或者說熟悉的語言時仍被聽到，能在第一時間進行反應。在最開始不知道麥克風位置，也不知道聲源中的任何信息的狀況下，怎樣只從麥克風中接收到語音信號里識別并分離出所需要的信息？盲源分離就是為了解決此類似問題而誕生的。REF_Ref2525\r\h[1]盲源分離要素有，需要綜合研究源信號的統(tǒng)計獨立性﹑稀疏性、時空無關性，還有光滑性之間的關系，對多種源信號分析其特性，以及良好的數(shù)學表示，從而探究分離信號的方法。下圖1.3.1介紹了盲源分離問題的主要處理流程。圖1.3.1盲源分離應用基本的處理流程從圖中可以看出，盲源分離的初期，首先需要對數(shù)據(jù)提前進行處理，即信號的預處理，在信號提取后，還需要對分離得到的信號作必要的處理。這兩個過程，得到期望的穩(wěn)定準確的信號是十分必要的。而今存在的盲源分離的大部分方法其實都是依據(jù)對混合信號的一些先驗認知，或者是在有關理論體系中，構造出目標函數(shù)，對其求解的無監(jiān)督學習方法。在基于先驗條件認知的這部分，盲源分離問題經(jīng)過學者們的研究，目前三大主流方法是可靠有效的，分別是，獨立分量分析（IndependentComponentAnalysis，ICA)、非負矩陣分解（Non-negativeMatrixFactorization，NMF）和稀疏成分分析（SparseComponentAnalysis，SCA)。REF_Ref10532\r\h[4]下面分別介紹。ICA的分析和應用，建立在統(tǒng)計信號的高階特征值上面，以此為基準實現(xiàn)混合信號的各個獨立分量分解出來的功能。而標準ICA忽略了很多干擾項和限制條件，在理想的信號模式下進行分離。NMF通過建立起信號數(shù)據(jù)局部特征的非負約束，來表示源數(shù)據(jù)，并建立目標函數(shù)，然后迭代優(yōu)化。SCA把源信號通過稀疏組件的混疊，最大限度的表示在時頻域中，主要用于研究時頻域中的混合信號。由于ICA具有保證分離信號的分量互相獨立的特點，而以往對多混合信號分離的方法如主分量分析（princioalcomponetanalysi,PCA）和奇異值分解（singularvaluedecomposition,SVD）,是只能保證這些分量不相關，而不能保證其相互獨立。而在盲源分離中，大多需要分離的信號是互相獨立的，所以ICA成為解決BSS問題的核心方法，ICA方法與BSS方法是密不可分的，目前，這兩種方法經(jīng)常不被加以區(qū)分。目前，研究主要聚焦于如何考慮在更多情況下，來完善獨立分量分析方法，如含噪聲源下的ICA分析、稀疏過完備下的ICA、信號為非線性情況下的獨立分量分析