刘辉　罗彬

摘要 为克服自然梯度算法收敛速度和稳态误差之间的矛盾，提出了一种引入动量因子的双自适应自然梯度算法，该算法将动量因子分别引入到自然梯度算法的步长因子和分离矩阵中，并根据实时分离度自适应调整动量因子，从而在加快算法收敛速度的同时，降低稳态误差.仿真实验证明，提出的新算法的性能明显优越与固定步长和自适应步长自然梯度算法.

关键词动量因子；分离度；自然梯度；收敛速度；稳态误差

中图分类号TN9198文献标识码A文章编号10002537（2015）01005404

盲源分离（Blind Source Separation）简称BSS，是指在传输信道特性和源信号都无法准确获知的情况下，仅从观测信号分离出源信号的过程[1].它广泛应用于生物医学信号处理，语音信号识别，阵列信号处理，图像处理及移动通信等领域.

盲源分离算法可分为自适应算法和批处理算法[2]，其中批处理算法是对所有已得数据进行批处理，由于批处理充分利用了所有观测样本信息，所以分离精度优于在线算法，但该算法在信源为超亚高斯混合分布或观测样本较少时分离精度有限，不适合数据的实时处理；自适应算法是利用梯度对分离矩阵进行串行更新，迭代逼近[3].常用的自适应算法包括自然梯度算法、EASI算法、迭代求逆算法等，它们均属于LMS算法，存在稳态误差和收敛速度之间的矛盾.本文在研究自然梯度算法的基础上，将动量因子引入到算法中，得到自适应步长的自然梯度算法，并通过引……