盲信号分离(Blind Source Separation,BSS)是在混合过程未知(即所谓“盲”)的情况下,从观察到的统计独立的源信号的混合数据中恢复一系列源信号。研究含噪模型的信号盲分离问题具有广泛的应用前景。本文针对线性瞬时混和模型,改进实现了叠加高斯噪声时的盲分离算法。 首先阐述了信号盲分离的基本思想——独立成分分析(ICA),高阶累积量和信息论的一些知识,研究对比了一些经典盲分离算法的原理和特点。 其次以信息论为基础,采用因子分析原理进行混合信号的预白化降噪降维处理。选择互信息最小化判据,以输出信号之间的互信息作为目标函数,根据自然梯度法原理推导出了算法表达式。使用t分布密度模型作为超高斯信号的概率估计,与具有亚高斯特性的密度模型结合,使得算法满足超高斯、亚高斯混合信号的分离。通过仿真验证了算法的有效性。 此外,利用高阶累积量对高斯噪声不敏感等一些重要性质,用高阶累积量建立目标函数,改进了基于高阶累积量的ICA算法,该算法在叠加高斯噪声情况下能保证算法收敛性不变,仿真验证了其有效性。