论文部分内容阅读
独立分量分析(Independent Component Analysis, ICA)是在源信号和传输信道等先验知识都未知的情况下，仅根据观测信号的统计特性恢复源信号的方法。其在无线通信、生物医学、语音处理、图像处理、数据挖掘等领域具有广阔的应用前景，一直是信号处理、神经网络等学科的研究热点，到目前为止学术界已经有了大量经典、实用的ICA算法。但是现有的经典ICA算法对重尾信号盲源分离效果不好或者无效，然而重尾分布在金融分析、脉冲现象相关建模等领域有着广泛的应用。本文正是基于此问题进行了初步的探索性研究，提出了一种新的且有待继续研究的解决方法。论文的主要研究内容和创新成果总结如下：1.简要分析总结了ICA模型以及经典ICA理论，分析总结了经典ICA理论对重尾信号盲源分离的不足以及现有的改进策略。2.引入了在一定条件下的非稳定性即独立性准则；给出了相应的对比函数负特征熵；提出了基于特征函数的Hermite展开和特征方程组数值求解的负特征熵数值估计算法；仿真实验验证了负特征熵数值估计算法的有效性。3.提出了基于负特征熵的重尾信号ICA算法。在重尾分布信号情况下分别用负特征熵和负熵进行ICA仿真实验，仿真结果表明负特征熵的有效性以及负熵的无效性；分别提出了以数值梯度上升以及黄金分割搜索作为优化算法的负特征熵ICA算法，分析了两者的不足以及改进之处。