广义相关系数驱动的后非线性盲信号分离算法优化

本文主要探讨了一种创新的盲信号分离（Blind Signal Separation, BSS）算法，该算法针对后非线性混叠（Post-Nonlinear Mixture, PNL）信号处理问题，特别关注于解决互信息最小化方法在衡量信号间非线性相关度时存在的归一化问题。通常，互信息是一种广泛用于信号处理领域的独立性测度，但在处理复杂的非线性系统时，其效果可能受限于这种归一化问题。 算法的核心思想是利用广义相关系数这一统计量来替代传统的独立性度量。广义相关系数考虑了信号之间的全局关联性，不受信号强度的影响，从而更准确地反映信号间的非线性相关性。作者首先通过后非线性混叠模型分析广义相关系数在独立性测度中的应用，构建了一个更为稳健的评估框架。 为了估计算法的参数和优化分离矩阵，文中采用了Gram-Charlier扩展形式，这是一种经典的概率论工具，用于在已知平均值和方差的情况下，对数据分布进行高阶扩展，以获取精确的评价概率密度函数。这种方法允许作者通过最陡下降法求解分离矩阵和参数化可逆非线性映射的迭代公式，这在优化过程中起到了关键作用。 经过仿真验证，结果显示，提出的基于广义相关系数的BSS算法能够有效地定量分析各分离信号之间的非线性相关程度，从而在处理后非线性混叠信号时展现出优越的性能。相比于依赖于互信息的传统方法，该算法在复杂信号处理任务中显示出更好的适应性和准确性。 这项研究不仅提供了一种新型的BSS算法，而且对于信号处理领域的非线性信号分析具有重要的理论价值和实际应用潜力，特别是在船舶综合电力技术等国防科技领域，对于提高信号处理的鲁棒性和有效性具有重要意义。