高斯混合模型自适应盲信号分离

摘要

信号概率密度函数估计是盲信号分离的关键步骤,其估计的好坏直接影响算法的性能。传统的盲信号分离算法中所用的信号概率密度函数一般只适合轻拖尾信号,而无法准确描述重拖尾信号、冲击脉冲信号的概率特性,使得分离效果较差。针对此问题,提出一种高斯混合模型自适应盲信号分离算法。该算法采用高斯混合模型的概率密度函数估计技术,可以根据高斯核函数理论直接对混合信号的评价函数进行估计,从而实现盲信号分离。文中就轻拖尾与轻拖尾信号的混合,重拖尾与重拖尾信号的混合,以及轻拖尾与重拖尾信号的混合三种情况进行了仿真实验验证,并与Kernel ICA、广义高斯模型、扩展最大熵进行对比。通过不同样本数目的盲信号分离结果可知,文中算法的分离效果较好,具有较高的信噪比。