盲信号分离的现状和展望

被引：19

作者：

李木森

毛剑琴

机构：

[1] 北京航空航天大学第七研究室

来源：

信息与电子工程 | 2003年 / 01期

关键词：

盲信号分离; 独立分量分析; 非线性PCA; 最小互信息法; 最大熵法;

D O I：

暂无

中图分类号：

TN911 [通信理论];

学科分类号：

081002 ;

摘要：

盲信号分离是近几年才发展起来,用于解决从混合观测数据中分离源信号的一门新技术,已在许多领域获得了广泛应用。本文介绍了盲分离的主要理论和两大类实现方法——独立分量分析和非线性主分量分析,并在此基础上介绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将来的发展方向。

引用

页码：69 / 79

页数：11

共 6 条

[1]

The self-organizing map[J] . Teuvo Kohonen.Neurocomputing . 1998 (1)

[2]

Adaptive Online Learning Algorithms for Blind Separation: Maximum Entropy and Minimum Mutual Information[J] . Howard Hua Yang,Shun-ichi Amari.Neural Computation . 1997 (7)

[3] AN INFORMATION MAXIMIZATION APPROACH TO BLIND SEPARATION AND BLIND DECONVOLUTION [J].

BELL, AJ ;

SEJNOWSKI, TJ .

NEURAL COMPUTATION, 1995, 7 (06) :1129-1159

[4] A NEURAL-NET FOR BLIND SEPARATION OF NONSTATIONARY SIGNALS [J].

MATSUOKA, K ;

OHYA, M ;

KAWAMOTO, M .

NEURAL NETWORKS, 1995, 8 (03) :411-419

[5] NONLINEAR HIGHER-ORDER STATISTICAL DECORRELATION BY VOLUME-CONSERVING NEURAL ARCHITECTURES [J].

DECO, G ;

BRAUER, W .

NEURAL NETWORKS, 1995, 8 (04) :525-535

[6]

Equivariant adaptive source separation. J F Cardoso,B H Laheld. IEEE Trans.SignalProcess . 1996

← 1 →