在内核空间中使用高阶统计信息进行盲源分离

目的-基于高阶统计(HOS)的盲源分离(BSS)技术已应用于分离数据以获得比基于二阶统计量的方法更好的性能。 成本函数构造基于HOS的分离标准的结果是一个复杂的非线性函数,难以优化。 的目的本文旨在有效地解决这一非线性优化问题,从而获得具有比传统的BSS方法具有更高的准确性。 设计/方法/方法-本文中的一项新技术基于提出了内核空间中的HOS。 所提出的方法首先将混合数据映射到高维内核通过非线性映射的空间,然后基于高阶分离准则构造成本函数在内核空间中。 使用定义为内部乘积的内核函数构造成本函数内核空间中所有数据对的图像之间。 源信号的估计是通过以下方式获得的最小化成本函数。 调查结果-关于通用合成和真实数据的多次实验的结果结果表明,核空间中的HOS分离准则对于不同种类的分布表现出良好的性能。 这与提出的方法相比,该方法提供了更高的信噪比,并且对信号源的分布不敏感FastICA和JADE算法。 原创性/价值-所提出的方法结合了内核方法​​的优势和HOS属性相比使用单一属性获得更好的性能。 它不需要计算在内核空间中显式表示数据的坐标,但会计算易于优化的内核函数。 这非线性函数空间的使用使算法