**

(东北电力大学 信息工程学院,吉林 132012)



改进的参考独立分量分析算法*

赵立权**，徐俪月

(东北电力大学 信息工程学院,吉林 132012)

针对参考独立分量分析收敛速度较慢的问题，提出了两种基于改进的快速收敛牛顿迭代方法的参考独立分量分析方法。该方法首先对观测信号进行白化预处理，避免观测信号矩阵求逆运算，减少了算法的计算量；然后采用修正的具有三阶收敛速度的牛顿迭代方法对参考独立分量分析的代价函数进行优化，推导出快速收敛的参考独立分量分析算法。仿真实验结果表明，改进后的算法是有效的，算法收敛速度相对原算法提高了1.7倍，相对现有算法提高了1倍，而且误差更小。

盲源分离；参考独立分量分析；牛顿迭代；代价函数；收敛速度

1 引 言

独立分量分析(Independent Component Analysis，ICA)是近年来发展并成熟起来的一种新的盲源分离技术。它是指在信源信号、信道参数未知的情况下，仅利用源信号之间相互统计独立的性质来恢复出信源信号的各个相互独立成分[1]。传统的独立分量分析通常先分离出所有的信源信号，然后根据实际需要人工选择出感兴趣的期望信号，随着信源信号数量的增加，人工选择信号的工作量也大幅度增加。在实际的盲源分离问题中，真正感兴趣的源信号相对很少，因此可以充分利用感兴趣源信号的某些先验信息来提取感兴趣的源信号，提高感兴趣信号提取的效率。参考独立分量分析(ICA with reference，ICA-R)正是在这样的背景下提出的，它通过利用期望信号的先验信息来提取所需要的独立分量，是经典独立分量分析方法的一个扩展和发展方向[2-8]。……