1. 研究目的与意义（文献综述包含参考文献）

盲分离是信号处理领域一个极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛的应用前景，从而研究本课题对于信号处理领域和神经网络领域有重大意义。

盲分离（bss，blind source separation）的研究起源于鸡尾酒问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出所需要的说话者的声音？这便是盲分离问题。

现实生活中很多问题都可以归结为盲分离。如：上面提到的鸡尾酒问题，从多个话筒接收到的声音中确认出每个说话者的内容(通常语音识别之前，首先需要分离出识别对象的声音）；cdma盲多用户检测，在存在用户间干扰和码间干扰的情况下，从与多个发射器相对应的天线观测到的接收信号中恢复出通信信号；信号去噪，在对噪声先验信息一无所知的情况下进行信号去噪；声纳问题，在多个船舶的马达噪声构成的水下声音环境中，从多个声音传感器接收到的信号里，分离出所需的信号；光纤通信中光频分复用器的设计，利用了一根光纤可以同时传输多个不同波长的光载波的特点，把光纤可能应用的波长范围划分成若干个波段，每个波段用作一个独立的通道传输一种预定波长的光信号，在接收端采用复用器分离出不同波长的光信号，从而大大提高光纤容量；医学遥感图像处理，斯华龄教授提出一种多通道、单象素无监督学习盲分离方法，将其应用于医学和遥感图像处理，获得巨大成功。此外，盲分离在语音增强，图像增强，图像识别，脑电（eeg，electroencephalography）信号、脑磁记录（meg，magnetoencephalography）信号、心电（ecg，eletrocardiography）信号、核磁共振成像（fmri，functional magnetic resonance imaging）信号之类医学信号处理等方面有着广泛的应用前景。由于盲信号处理需要的先验信息很少，使得其具有极强的适应性和广阔的应用领域。在这样的背景之下，有关盲信号处理的研究一直是信号处理领域和神经网络领域的研究热点。

目前盲信号处理方法主要有2种类型:一种是基于源信号的统计独立性的假设,这就是著名的独立成分分析(ica)方法;另外一种就是基于源信号的时间结构,即源信号不是统计独立同分布信号。而在实际应用中,经常会出现空间上不是相互独立,而时间上也不是i.i.d.的源信号。本文提出的自适应半盲基于时间结构的bss算法就是针对后者提出,该算法通过假设源信号具有不同的功率谱密度函数,充分利用源信号的二阶统计性质和自适应算法的优势得到新的分离算法,因此,也取消了一般ica算法中要求源信号中至多只有一个gauss分布的假设。

2. 研究的基本内容、问题解决措施及方案

难点：

对于相关信号源的盲分离问题,现在的研究较少,主要是因为缺少相应的数学理论基础。cardoso指出,互信息(mi)与非gauss性在相关源的情况下并不等价。因此,在相关源的情况下,不能求助于mi,可以通过极大化非gauss实现盲分离。　　　　　　

本课题要研究的自适应半盲信号处理方法基于源信号时间结构的二阶统计信息。使用二阶统计量(sos)法只需要较少数据,同时对源信号所包含的gauss分布的个数也没有限制。这种算法一般都在半盲的框架下进行, 因此，如何构造具有时间结构的bss模型以及写出相应的基于时间结构的自适应bss算法就成了需要解决的最主要问题。