艾朝霞， 刘卫菠

(1.榆林学院能源工程学院， 陕西 榆林 719000；2.西安电子科技大学通信学院， 陕西 西安 710071)

0 引 言

盲源分离的算法构造过程一般是首先选择恰当的代价函数，然后采用某种优化方法来搜索代价比函数的极值点，当代价函数达到极值点时各路源信号得到分离.按照优化方法的不同，可以将盲源分离算法分为自适应算法和批处理算法两类.自适应是盲源分离方法的一种重要的基本类型.自适应过程通常通过梯度来实现学习更新，其中自然梯度算法和FastICA算法是两种经典的自适应算法.

1 自然梯度算法和FastICA算法存在的问题分析

自然梯度算法[1，2]是随机梯度算法的一种改进算法，它是由信息极大化原理[2]推导出来的，自然梯度算法的自适应更新公式为：

W(k+1)=W(k)+μk[I-ψ(y(k))yT(k)]W(k)

(1)

FastICA算法[3，4]是建立在使提取信号的非高斯性最大化基础上的一种串行更新的自适应算法,该算法计算量小、收敛速度快，FastICA算法的迭代更新公式为：

(2)

对于自然梯度算法，如果源信号数目是未知的，采用超定方式接收，则混合矩阵是m×n矩阵，分离矩阵为m×m方阵，此时输出的m路信号中除了存在n路源信号的拷贝外，还有m-n路冗余信号，它们是源信号的线性变换，通常以噪声的形式输出.这种情况下，互信息的极小值点并不是算法的平衡点，无法稳定收敛.另外，自然梯度算法需要源信号的概率密度函数估计，在噪声影响下或者源信号本身比较复杂的情况下无法很好地模拟(比如含复杂调制方式的……