ICA(独立成分分析)在信号盲源分离中的应用

淩亂°似流年 2022-07-15 03:15 394阅读 0赞

### **ICA简介** ###

### ICA是20世纪90年代提出的，起初是神经网络的研究中有一个重要的问题，独立成分分析是一个解决问题的新方法。在许多应用方面，**包括特征识别、信号分离**。这种方法是**用一种解线性方程组的方式的估计方式求解信号源**。 ###

### **ICA与鸡尾酒会** ###

### 假想一下，在一个房间里的不同位置放着两个麦克风，同时有两个人说话。两个麦克风能同时记录下两个时间信号，如果仅用这两个记录的信号来估计出原来的两个语音信号，那将是一件非常有意义的事情，这也就是所谓的“鸡尾酒会”问题 。 ###

### **信号盲源分离** ###

### 以鸡尾酒会声音辨别为例，将每个声音区分出来，这样人大脑就可以很快集中听需要注意的声音。以下以三个独立源为例，三个接收端，每个接收端都含有三个声音源的线性叠加。下图是示例图： ###

![这里写图片描述][20161031163606828]

### **对模型参数的解释** ###

### A=\[a11,a12,a12;a21,a22,a23;a31,a32,a32\]作为一个混合矩阵，这里的每一个元素可以表示鸡尾酒舞会问题中物理意义为距离，X为观测信号，S为独立源也就是声音信号。以上模型中假设每个独立源噪声干扰很小，忽略影响。实际上在ICA信号盲源分离中可以将噪声信号单独一种独立源处理较好，一些文献对于ICA噪声就是采用这种方案进行处理。 ###

### **半盲源分离信号分离** ###

### 在混合矩阵A已知的前提下，反解出独立源就很简单。ICA常用的情形是混合矩阵和独立源都不明确的条件下一种估计算法。真正实现信号的盲源分离。 ###

### **ICA盲源分离流程** ###

![这里写图片描述][20161031165633633]

### 上述流程图中，由独立源线性组合成的观测信号X，只需要对S进行求解即可。S=B\*X，其中B为A的逆，通过迭代对A进行逼近，当达到设置的精度时即可分离出混合矩阵的近似。盲源分离的目的是求得源信号的最佳估计。 ###

### **ICA假设的三个条件** ###

### 独立成分被假设是统计独立。对于这一条可以从概率密度以及其他算法可以判断。我们说随机变量y1，y2..yn独立，是指在i≠j时，有关yi的取值情况对于yj如何取值没有提供任何信息。 ###

### 独立成分具有非高斯分布。如果观测到的变量具有高斯分布，那么ICA在本质上是不可能实现的。假定S经过混合矩阵A后，他们的联合概率密度仍然不变化，因此我们没有办法在混合中的得到混合矩阵的信息。 ###

### 假设混合矩阵是方阵。这个条件是为了后续ICA算法求解的便利。当混合矩阵A是方阵时就意味着独立源的个数和监测信号的个数数目是一致。 ###

### **ICA算法步骤** ###

### 观测信号构成一个混合矩阵，通过数学算法进行对混合矩阵A的逆进行近似求解分为三个步骤： ###

### 1) 去均值。去均值也就是中心化，实质是使信号X均值是零。 ###

### 2) 白化。白化就是去相关性。 ###

### 3）构建正交系统。在常用的ICA算法基础上已经有了一些改进，形成了fastICA算法。fastICA实际上是一种寻找wTz（Y= wTz ）的非高斯最大的不动点迭代方案。 ###

### 以上有较多的数学推导，这里就省略了，下面给出fastICA的算法流程： ###

1 观测数据的中心化
    2 数据白化
    3 选择需要估计的分量个数m，设置迭代次数和范围
    4 随机选择初始权重
    5 选择非线性函数
    6 迭代 
    7 判断收敛，是下一步，否则返回步骤6
    8 返回近似混合矩阵的逆矩阵

### **算法demo** ###

### 下面给出一个ICA简单信号盲源分离实例：独立源信号：正弦波、方波、三角波、随机信号(很多情况下可以将噪声信号看做一种独立源)，ICA实现对信号的混合分解。 ###

### 以下是四个独立源信号： ###

![这里写图片描述][20161031194743115]

### 四个观测信号： ###

![这里写图片描述][20161031195124300]

### 分离出的四个源信号： ###

![这里写图片描述][20161031195220082]

### ICA在进行信号分离时需要注意两点：解分离出的源信号顺序与初始的源信号顺序不对应；另外一个就是分离出的原始信号幅值与原始源信号不对应，形态域上具备相似性。 ###

### 以下是常见的fastICA算法仿真代码： ###

%以下程序调用ICA，输入观察信号，输出为解混合信号
    function Z=ICA(X)
    %-------------去均值------------
    [M,T] = size(X); %获取输入矩阵的行/列数，行数为观测数据的个数，列数为采样点点数
    average= mean(X')';  %按行取均值
    for i=1:M
        X(i,:)=X(i,:)-average(i)*ones(1,T); 
    end
    %------------白化--------------
    Cx = cov(X',1);    %计算协方差矩阵Cx
    [eigvector,eigvalue] = eig(Cx); %计算Cx的特征值和特征向量
    W=eigvalue^(-1/2)*eigvector';   %白化矩阵
    Z=W*X;   %正交矩阵
    
    %-------------迭代-------------
    Maxcount=10000;        %最大迭代次数
    Critical=0.00001;   %判断是否收敛
    m=M;                %需要估计的分量的个数
    W=rand(m);
    for n=1:m  
        WP=W(:,n);  %初始权矢量（任意）
    %     Y=WP'*Z;
    %     G=Y.^3;%G为非线性函数，可取y^3等
    %     GG=3*Y.^2;  %G的导数
        count=0;
        LastWP=zeros(m,1);
        W(:,n)=W(:,n)/norm(W(:,n));%单位化一列向量
        while abs(WP-LastWP)&abs(WP+LastWP)>Critical %两个绝对值同时大于收敛条件
            count=count+1;   %迭代次数
            LastWP=WP;       %上次迭代的值
           % WP=1/T*Z*((LastWP'*Z).^3)'-3*LastWP;
            for i=1:m     
    WP(i)=mean(Z(i,:).*(tanh((LastWP)'*Z)))-(mean(1-(tanh((LastWP))'*Z).^2)).*LastWP(i);%更新
            end
            WPP=zeros(m,1);%施密特正交化
            for j=1:n-1
                WPP=WPP+(WP'*W(:,j))*W(:,j);
            end
            WP=WP-WPP;
            WP=WP/(norm(WP));
    
            if count==Maxcount
                fprintf('未找到相应的信号'); 
                return; 
            end
        end
        W(:,n)=WP;
    end
    Z=W'*Z;

### **应用ICA需要考虑的几点** ###

### ICA主要用于特征提取和信号盲源分离中。在盲源信号分离中，关于源的个数是确定的，因此分离出的源信号数目在分离之前是确定已知的。监测信号的维数与源信号的数目相同，混合矩阵和源信号具体情况在分离之前可以不清除具体表现形式，但是需要满足独立、非高斯分布的条件，这些是在实际中应用ICA需要考虑的条件。 ###

[20161031163606828]: /images/20220715/5022473428e14ccdad836a4c403dfca3.png
[20161031165633633]: /images/20220715/e916160f05984138b66f5f37c7927c75.png
[20161031194743115]: /images/20220715/3657ae8cf8494d44a2bb0f6af4b2183a.png
[20161031195124300]: /images/20220715/6c9d7ae789ad4d579ce7b59969ab835e.png
[20161031195220082]: /images/20220715/ea657dd8456447eca71eec7d85bd1d0e.png