基于频谱校正的超定盲信号分离方法及其装置.pdf

本发明公开了一种基于频谱校正的超定盲信号分离方法及其装置，方法包括：获取包含N个频率值的向量、幅值矩阵；逐个检查频率向量中的频率分量是否包含在第i路的频率向量中，若包含，则对幅值矩阵进行重新赋值；将赋值后的幅值矩阵的各列进行归一化及聚类处理，获取聚类后的幅值矩阵；根据聚类后的幅值矩阵估计出第j路源信号。所述装置包括：多路观测信号经过模数转化器采样得到样本序列，以并行数字输入的形式进入DSP器件，经过DSP器件的内部算法处理，得到信号的分离结果；最后借助输出驱动及其显示模块显示出分离出的源信号。本发明提高了盲分离的准确性，在振动信号处理领域具有很高的应用价值，且该分离装置具备足够的抗噪声性能。

权利要求书
1.  一种基于频谱校正的超定盲信号分离方法，其特征在于，所述方法包括以下步骤：
(1)根据频偏估计值，获取第i路的第p簇谱线校正后的频率估计值和幅值估计值；
(2)获取包含N个频率值的向量、n×N维的幅值矩阵；逐个检查频率向量中的频率分量是否包含在第i路的频率向量中，若包含，则对幅值矩阵进行重新赋值；
(3)将赋值后的幅值矩阵的各列进行归一化及聚类处理，获取聚类后的幅值矩阵；
(4)根据聚类后的幅值矩阵估计出第j路源信号。

2.  根据权利要求1所述的一种基于频谱校正的超定盲信号分离方法，其特征在于，在步骤(1)之前，所述方法还包括：
获取各路观测信号的Ni簇谱线；逐个记录每簇谱线的最高谱线的位置；
根据最高谱线的位置获取并更新每簇谱线的频偏估计值。

3.  根据权利要求1所述的一种基于频谱校正的超定盲信号分离方法，其特征在于，
频率估计值为
fi,p＝ki,p+Δki,p i＝1,2,...,n,p＝1,2,...,Ni
幅值估计值为
Bi,p＝2πΔki,p×(1-Δki,p2)/sin(πΔki,p)×|Xi(ki,p)| i＝1,2,...,n,p＝1,2,...,Ni
其中，ki,p为最高谱线位置；Δki，p为频偏估计值；|Xi(ki,p)|为校正前第i路观测的第p簇谱线的幅值；Ni为第i路观察信号中峰值谱线的簇数。

4.  一种基于频谱校正的超定盲信号分离装置，所述装置包括：DSP器件，其特征在于，
多路观测信号经过模数转化器采样得到样本序列，以并行数字输入的形式进入所述DSP器件，经过DSP器件的内部算法处理，得到信号的分离结果；最后借助输出驱动及其显示模块显示出分离出的源信号。

说明书基于频谱校正的超定盲信号分离方法及其装置
技术领域
本发明涉及数字信号处理技术领域，尤其涉及一种基于频谱校正的超定盲信号分离方法及其装置。具体涉及对于在观测信号数目大于源信号数目(即超定情况)的盲信号分离场合，仅依据对具有周期性的观测信号进行处理而恢复出所有源信号的问题。
背景技术
盲信号分离[1](Blind Source Separation，简称BSS)是指在源信号和传输信道未知的情况下，仅仅对传感器接收到的观测信号做处理而实现源信号的恢复。盲信号分离要求源信号之间相互独立，这通常符合实际工程需要，因而既是当前信号处理学界的热点课题，也是通信[2]、生物医学[3]、计算机科学、语音信号处理[4,5]和机械故障诊断[6]等工程领域急需推广的技术。因而多源混合信号的盲分离技术有着很高的研究价值。
显然，源信号与观测信号的连接纽带就是传输通道，因而在盲分离中，传输信道的辨识是关键。而盲分离方法，也因传输通道的混合方式的差异而分为线性瞬时混合、线性卷积混合和非线性混合三类；本发明解决的是线性瞬时混合模型的盲分离问题。
另外，盲分离还可以根据按源信号和观测信号的相对数目来分类，当观测信号数目大于源信号数目时称为超定盲分离，两者相等时称为正定盲分离，观测信号数目小于源信号数目时称为欠定盲分离。其中超定和正定盲分离由于在获知混合矩阵A后，均可以对该矩阵求逆，而实现源信号恢复，故常常将二者合称为超定盲分离问题，本发明不考虑欠定分离情况，解决的正是这类超定盲分离问题。
在盲分离对源信号恢复的过程中通常存在两个不确定性：(1)排序的不确定性。由于混合矩阵A和源信号s(t)未知，当同时交换两者对应的列向量位置时，所得到的观测信号x(t)不变，从而无法得知源信号各向量的原始排列顺序；(2)幅值的不确定性。这是由于源信号s(t)的某个分量和与之对应的混合矩阵A的行之间互换一个固定的比例因子。但这对源信号包含的主要特征信息并不妨碍。
典型的超定盲信号分离方法有联合近似对角化法[6]—JADE法(如文献[6]应用于机械故障诊断中)、基于固定点迭代的快速神经算法—FastICA算法(包括基于信息最大化的神经网络算法[7]、基于负熵的盲信号分离算法[8,9]、基于峭度或基于最大似然等)、基于分数阶傅立叶变换的盲分离方法，基于功率谱的盲信号分离算法[10]等。其中文献[4,11,12]根据ICA理论，首先必须对观测信号进行白化、中心化等预处理过程，再通过设定神经网络的学习 步长，根据不同的迭代公式反复进行迭代学习，直到找到最优的权值矩阵A，最终求得各个独立分量，从而达到盲信号分离的目的。文献[10,13]提出的基于功率谱密度的源数估计方法，是由观测信号功率谱密度函数的比值，得到功率谱密度矩阵，再通过比较矩阵各列向量估计出频率域不相关源或独立源的源数。
在以上提及的几种算法中，JADE[6]法则需要高阶矩的对角化，计算量很大。基于信息最大化的神经网络算法[7]需要源信号的概率密度函数，但是在源信号未知的情况下，需要对概率密度函数做出估计，影响了盲信号的分离精度。文献[4,8,9,11,12]中的ICA算法均是基于不同学习步长迭代实现的，当设定的学习步长较小而误差较大时，迭代参数需要很长时间才能收敛，会影响盲源分离的效果，盲源分离前馈神经网络模型存在易陷入局部极小点的不足；另外，FastICA方法首先需对信号进行中心化等预处理操作，也会加大算法的计算量。而基于功率谱的盲信号分离[10,13]要求观测信号之间的参数比值，这容易产生无穷大的值而不方便计算机处理，同时由于频谱泄漏，对观测信号进行傅氏变换时得到的频谱峰值处的频率和幅值都是不精确的，这些都影响了最后的分离效果。
发明内容
本发明提供了一种基于频谱校正的超定盲信号分离方法及其装置，本发明降低了算法的复杂度，提高了分离的精度，详见下文描述：
一种基于频谱校正的超定盲信号分离方法，所述方法包括以下步骤：
(1)根据频偏估计值，获取第i路的第p簇谱线校正后的频率估计值和幅值估计值；
(2)获取包含N个频率值的向量、n×N维的幅值矩阵；逐个检查频率向量中的频率分量是否包含在第i路的频率向量中，若包含，则对幅值矩阵进行重新赋值；
(3)将赋值后的幅值矩阵的各列进行归一化及聚类处理，获取聚类后的幅值矩阵；
(4)根据聚类后的幅值矩阵估计出第j路源信号。
在步骤(1)之前，所述方法还包括：
获取各路观测信号的Ni簇谱线；逐个记录每簇谱线的最高谱线的位置；
根据最高谱线的位置获取并更新每簇谱线的频偏估计值。
频率估计值为
fi,p＝ki,p+Δki,p i＝1,2,...,n,p＝1,2,...,Ni
幅值估计值为
Bi,p＝2πΔki,p×(1-Δki,p2)/sin(πΔki,p)×|Xi(ki,p)|i＝1,2,...,n,p＝1,2,...,Ni
其中，ki,p为最高谱线位置；Δki,p为频偏估计值；|Xi(ki,p)|为校正前第i路观测的第p簇谱线的幅值；Ni为第i路观察信号中峰值谱线的簇数。
一种基于频谱校正的超定盲信号分离装置，所述装置包括：DSP器件，
多路观测信号经过模数转化器采样得到样本序列，以并行数字输入的形式进入所述DSP器件，经过DSP器件的内部算法处理，得到信号的分离结果；最后借助输出驱动及其显示模块显示出分离出的源信号。
本发明提供的技术方案的有益效果是：通过信号各成分的频率与幅值参数的快速估计保证了分离算法的复杂度较低，具有较高的实效性；通过谱校正和K-均值聚类措施，提高了盲分离的准确性，在振动信号处理领域具有很高的应用价值，且该分离装置具备足够的抗噪声性能；并且通过试验验证，证明了分离方法及其分离装置的正确性和简洁性，对生物医学应用、语音信号处理和机械故障诊断等工程领域有着十分重要的应用价值。
附图说明
图1为盲信号分离原理框图；
图2为盲信号的分离装置设计总流程图；
图3为源信号的时域波形及频谱图；
图4为无噪时观测信号的时域波形及频谱图；
图5为分离后信号的时域波形及频谱图(无噪)；
图6为Fast-ICA方法分离后信号的时域波形及频谱图(无噪)；
图7为加噪时混合信号的时域波形及频谱图；
图8为分离后信号的时域波形及频谱图(加噪)；
图9为Fast-ICA方法分离后信号的时域波形及频谱图(加噪)；
图10为本发明的硬件实施图；
图11为DSP内部程序流图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
为改善以上方法并进行简单高效的盲信号分离，本发明提出针对源信号为周期信号的基于频谱校正的超定盲信号分离装置，该装置所用的频率和幅值都是经过校正得到的，尽 量消除频谱泄漏的影响，从而保证了分离的高精确度；与文献[10]不同，本装置核心算法不会出现无穷大的极端情况，因而更容易为计算机处理；本发明核心在于混合矩阵的估计，该矩阵仅需借助谱校正计算出各成分的幅值而得到幅值矩阵，再结合K均值聚类模式化简即可得到，故实施过程简单易行，无需做反复迭代。实验证明了本发明提出方法的可行性，故对生物医学应用、语音信号处理和机械故障诊断等工程领域有着十分重要的应用价值。
现有技术中的盲信号分离系统恢复原理如图1所示，该分离原理图中S(t)为源信号，A为混合矩阵，源信号经过混合得到观测信号x(t)，通过求取分离矩阵C-1，最终由观测信号恢复出所有源信号，因此该分离系统的关键为较精确地估计出分离矩阵C-1。为此，本发明提出基于频谱校正的盲信号分离方法来估计该矩阵。
本发明所采用的模型为线性瞬时混合模型，理想无噪情况下，其数学表达式为：
x(t)＝AS(t)              (1)
式中x(t)是n维观测信号矢量，S(t)为m维未知独立源周期信号矢量，A为n×m维未知混合矩阵。
为使盲信号可分离，这里假设源信号相互独立，即源信号之间的频率分量及源信号内部的各频率分量互不相等，并且要求源信号数目m≤n，则(1)式的矩阵表示为：

式(2)中，x1(t)～xn(t)表示n路观测信号，s1(t)～sn(t)表示m路未知独立源信号，a11～anm为混合系数。
由于对观测信号作谱分析时存在频谱泄漏，使得Xi(f)各频率分量的幅值和频率出现偏差，此时为得到精确的幅值和频率就需要对其进行校正，由图2可得具体算法如下：
101：对各路观测信号xi(t),i＝1,…,n,加汉明窗后作FFT谱分析得到Xi(f)，进而得到出Ni簇谱线(每簇谱线代表1个频率成分)；并逐个记录每簇谱线的最高谱线的位置即
102：逐个访问谱Xi(f)的每簇谱线的最高谱线位置ki,p,p＝1,2,...,Ni，记下对应位置的谱峰值(|Xi(ki,p)|)，再求出与每簇谱峰位置相邻的两条谱线中幅值较大的谱线值(记为|Xi(ki,p(次高谱)|)；
并求得两者比值将vi,p值代入式(3)求得每簇谱线的频偏估计值Δki,p，即
Δki,p＝(vi,p-2)/(vi,p+1)           (3)
求出Δki,p后，比较谱峰ki,p两侧的谱线幅值，若左侧的谱线幅值大于右侧的谱线幅值，将Δki,p的值更新为Δki,p-1，同时峰值谱线号ki,p的值更新为ki,p-1；
103：根据Δki,p频偏估计值，得到第i路的第p簇谱线校正后的频率估计值fi,p为
fi,p＝ki,p+Δki,p i＝1,2,...,n,p＝1,2,...,Ni        (4)
相应地，得到第i路观测的第p簇谱线校正后的幅值估计值为
Bi,p＝2πΔki,p×(1-Δki,p2)/sin(πΔki,p)×|Xi(ki,p)|i＝1,2,...,n,p＝1,2,...,Ni
                                                  (5)
式(5)中|Xi(ki,p)|表示校正前第i路观测的第p簇谱线的幅值，Ni为第i路观察信号中峰值谱线的簇数。
从而得到包含第i路观测所有频率估计结果的向量fi和幅值估计结果的向量Bi，即
fi=fi,1fi,2fi,3···fi,Ni,Bi=Bi,1Bi,2Bi,3···Bi,Ni---(6)]]>
类似地，其它各路观测信号的幅值与频率校正的步骤同上，从而获得n个频率向量f1～fn和n个幅值向量B1～Bn；
104：将n个观测频率向量组合到一起，形成含有冗余频率的较长的频率向量fr，即：
fr={f1,1f1,2,···,f1,N1,···,fn,1fn,2,···,fn,Nn}---(7)]]>
对式(7)向量包含的所有频率按从小到大排序、并将间距较近的多个频率合并为其均值，进而得到包含N个频率值的向量F为
F＝[F1 F2,…,FN]          (8)
由于合成向量F是由每个观测信号对应的频率向量去冗余组合而来的，因此显然有N≥Ni；
105：构造n×N维的幅值矩阵Bm，
Bm=B1,1(f1)B1,2(f2)···B1,N(fN)B2.1(f1)B2.2(f2)···B2,N(fN)·········Bn,1(f1)Bn,2(f2)···Bn,N(fN)---(9)]]>
并将该矩阵Bm所有元素初始化为0；再逐个检查频率向量F＝[F1F2,…,FN]中的频率分量Fj,j＝1,...,N,是否包含在第i路的频率向量fi＝[fi,1 fi,2 fi,3…fi,Ni]中，若包含，则将Bi,j值赋值给Bi,j(fj),即
Bi,j(fj)=Bi,j,Fj∈fi0,Fj∉fi---(10)]]>
106：将Bm的各列进行2范数归一化处理，把每一个列向量当做是1个模式，再用K均值聚类法将Bm中的N个模式聚成m类，可得聚类后的幅值矩阵为

107：按照下式得到源信号估计即
S^(t)=C^-1x(t)---(12)]]>
其中，式(12)中的为幅值矩阵的伪逆。
实验
为验证本发明的正确性和有效性，将本发明提出的盲分离方法与常用的Fast-ICA算法进行性能对比。
为定量比较两种算法的性能，实验采用评判盲信号恢复好坏的相似矩阵ξ及性能指数PI值作为判据。
相似矩阵ξ是描述估计信号与源信号相似性的参数，它的每行和每列都有且仅有一个元素的绝对值接近于1，其它元素都近似接近于0，则可认为该算法分离效果较为理想。
性能指数PI值定义如下：
PI=1n(n-1)Σi=1n{(Σk=1n|gik|maxj|gij|-1)+(Σk=1n|gki|maxj|gji|-1)}---(13)]]>
式(13)中，gij为矩阵G(G为实际混合矩阵A与分离矩阵的乘积)的元素(公式中gik、gji均表示矩阵G中的元素，只是取值随i、j、k的不同而不同)；maxj|gij|表示G的第i行元素绝对值中的最大值；maxj|gji|表示第i列元素绝对值中的最大值。当分离出的信号与源信号波形完全相同时PI＝0。实际中，该值越小，则表示恢复效果越好。
另外，在本方法的步骤106的聚类环节中，需设定误差阈值对归一化后的幅值矩阵Bm的列向量进行聚类。在实验中，将该误差阈值设定为5％，即若两个列向量的相对误差在5％之内则将这两个列向量聚成一类。
为研究本发明方法的抗噪性，将实验分为无噪情况和含噪情况分别进行讨论。
1、无噪情况
首先讨论盲信号在无噪声干扰情况下的分离情况。假设系统采样速率Fs＝310样本点/秒，每路收集N＝1024个样本，则FFT的频率分辨率Δf＝Fs/N＝0.3027 Hz。
已知如下4个周期性的源信号及混合矩阵A：
s1(t)＝cos(2π70t)
s2(t)＝sin(2π30t+27)
s3(t)＝sin(2π60t+6sin(2π20t))                     (14)
s4(t)＝sin(2π10t+12)sin(2π100t)
A=1.2500.8300.841.061.101.6800.9800.932.1201.651.470.562.8902.18---(15)]]>
为进行分离前后波形对照，首先对源信号采样并作FFT得到如图3所示的时域波形及频谱图。将源信号s1(t)～s4(t)通过混合矩阵A得到观测信号x1(t)～x5(t)，其时域波形及频谱图如图4所示，图4中左半部分为恢复出的源信号，右半部分为源信号相对应的频谱图。
由本发明所提的算法，需得到各个混合信号在各频率点上的精确幅值，因此按步骤102和103对每路观测的各成分进行频率校正和幅值校正，按照步骤104对校正后的频率进行排序、组合，再按照步骤105可得到长度N＝10的频率向量F和幅值向量Bm，如表1所示：
表1 无噪时幅值矩阵表

比较每列向量可以清楚的看到有如下4组幅值列向量相近，它们对应的频率组合是：{29.9998}{69.9998} {89.9999，109.9999} {19.9997，39.9998，99.9999，129.9999，140.0000，150.0000}
由前面的分析可知这4组频率分别来自4个不同的源信号。其中20.9998Hz与69.998Hz对应得列向量找不到与之相近的列向量，因此，它们对应的源信号应是单源信号，这与源信号式(14)正好吻合，同样其它两组列向量也与源信号式(14)相吻合。将相近的列向量进行聚类即：

然后按照步骤106，对Bm的各列进行2范数归一化处理，并用K均值聚类法将Bm中的10个模式聚成4类，可得聚类后的混合矩阵为
C^=0.00000.46990.00010.38610.32830.31590.52900.51170.30330.00000.27310.00010.00000.79700.48630.76750.89450.21050.64010.0001---(16)]]>
将式(15)的实际混合矩阵A做二范数归一化，其结果为：
A=0.46990.00000.38610.00000.31580.32810.51170.51600.00000.30340.00000.28560.79700.00000.76750.45150.21050.89460.00000.6696---(17)]]>
对照式(16)的中的与式(17)的各列向量，可知除了列向量的排序存在差别外，各列 向量的误差都很小，表明了本发明所提供算法的正确性及精确性。
再按照步骤107对求伪逆而得到分离矩阵再根据而恢复出源信号波形及其频谱如图5所示，图5中左半部分为恢复出的源信号，右半部分为源信号相对应的频谱图。
另外，对同样的观测信号，按照基于峭度的Fast-ICA算法，得到恢复波形及其频谱如图6所示。
对比图3与图5可明显的看到，除了排列顺序不同外其时域波形及频谱分布基本相同，且谱泄漏很小；而对于Fast-ICA方法分离得到的源信号(图6)，从频谱图不难发现对于源s2(t)、s3(t)有明显谱泄漏的情况出现。
对于定量指标相似矩阵及性能指数，按照本发明方法及Fast-ICA方法，得到相似矩阵ξ及PI值分别为：
ξproposed=0.00051.00000.0002-0.00080.99840.00120.00060.00450.0090-0.00040.06151.00000.05690.00371.00000.0531,PIproposed=0.0163]]>
ξFast-ICA=-0.00130.9999-0.00230.0128-0.97950.00330.01740.2008-0.0252-0.0027-0.9996-0.00810.1988-0.0122-0.07450.9771,PIFast-ICA=0.0922]]>
其中ξproposed表示采用本发明方法求得的相似矩阵，ξFast-ICA为采用Fast-ICA方法求得的相似矩阵；同理，PIproposed表示采用本发明方法求得的PI值，PIFast-ICA为采用Fast-ICA方法求得的PI值。对比两种算法，可看出无噪情况下：
①相似矩阵ξproposed及ξFast-ICA中每行均唯一存在绝对值接近于1的最大值，其它值接近于0，即两种算法均能在无噪情况下较好的恢复出源信号；
②比较而言，ξproposed比ξFast-ICA中最大值的绝对值更接近于1，即求得的分离矩阵越准确
③从性能指数PI值来看，显然本发明方法求得的PI值更小更接近于0，因此优于Fast-ICA算法。
(2)加噪情况
为验证其在含噪情况下的恢复效果，下面给出加噪情况下的实验。对以上源信号加入 零均值随机高斯白噪声，加噪后观测信号x1(t)～x5(t)如图7所示，图7中左半部分为恢复出的源信号，右半部分为源信号相对应的频谱图。
实验步骤同上，由步骤102～步骤105，可得到含噪情况下对应的长度N＝10的频率向量F和幅值向量Bm，如表2所示
表2 加噪时幅值矩阵表

将相近的列向量进行聚类：

将此时的矩阵Bm二范数归一化得到混合矩阵
C^=0.00000.46990.00010.39110.32740.31500.53040.51780.30510.00000.26900.00020.00000.79790.48190.76080.89430.20800.64330.0002---(18)]]>
将与二范数归一化后的混合矩阵A进行比较，各列向量除排序差别外其它基本相等，表明了噪声存在时本发明所提算法的正确性。
从加噪观测信号中分离出的源信号结果如图8所示，图8中左半部分为恢复出的源信号，右半部分为源信号相对应的频谱图：
对同样的观测信号，按照基于峭度的Fast-ICA算法，得到恢复波形及其频谱如图9所示：
加噪情况下两种方法的相似矩阵ξ及PI值分别为：
ξproposed=0.00201.0000-0.00290.00400.99300.0012-0.00290.00590.00660.00750.06460.98090.05410.00200.98200.0529,PIproposed=0.0248]]>
ξFast-ICA=0.9913-0.02380.00960.0194-0.0228-0.9731-0.00920.19580.01180.00530.9822-0.0086-0.02380.17300.09870.9599,PIFast-ICA=0.0991]]>
有噪情况下，由相似矩阵和性能指数可看出本发明方法求得的ξ较Fast-ICA算法中每行最大值绝对值更接近于1，且PI值更接近于0，因此优于Fast-ICA算法。
通过以上无噪和加噪情况下对超定盲信号进行分离的仿真实验，证明了本发明基于频谱校正的盲信号分离配置方法的正确性和简洁性，对生物医学应用、语音信号处理和机械故障诊断等工程领域有着十分重要的应用价值。
参见图10，将采集到的多路观测信号x(t)经过A/D(模数转化器)采样得到样本序列x(n)，以并行数字输入的形式进入DSP器件，经过DSP器件的内部算法处理，得到信号的分离结果；最后借助输出驱动及其显示模块显示出分离出的源信号(图像或声音或其他有益波形)。
其中，图11的DSP(Digital Signal Processor，数字信号处理器)为核心器件，在信号参数估计过程中，完成如下主要功能：
(1)调用周期信号的超定盲分离算法，完成信号的频率校正和幅值校正，得到正确的信号频率估计和幅值估计；
(2)对幅值矩阵进行聚类，得到相应的混合矩阵。
(3)通过求混合矩阵的广义逆将源信号恢复结果实时输出至驱动和显示模块。
需指出，由于采用了数字化的估计方法，因而决定了图10系统的复杂度、实时程度和稳定度的主要因素并不是图10中DSP器件的外围连接，而是DSP内部程序存储器所存储的核心估计算法。
DSP器件的内部程序流程如图11所示。
本发明将所提出的“基于频谱校正的盲信号分离”这一核心估计算法植入DSP器件内，基于此完成高精度、低复杂度、高效的盲源分离。
图11流程分为如下几个步骤：
(1)首先需根据具体应用要求(如医学和军事等的具体测量要求)，设置信号的采样点数N和重复测量的次数i，并根据具体需要设定精度要求。该步骤是从工程方面提出具体需求，以使得后续流程有针对性地进行处理。
(2)然后，CPU主控器从I/O端口读采样数据，进入内部RAM。
(3)后续的“去直流处理”，是为了消除待测信号中的直流成分的影响。否则，直流成分的存在，会降低测量精度。直流成分很容易测出，仅需计算样点的平均值即可得到。
(4)按图2本发明的处理过程进行盲信号分离是DSP算法最核心的部分，运行该算法后，可快速准确求得分离矩阵，最终恢复出源信号。
(5)判断本发明方法是否满足工程需求，若不满足，程序返回，重新根据要求设定采样频率进行盲信号分离，重复进行以上分离过程i次。
(6)通过DSP的输出总线输出至外部显示驱动设备，将所分离出的源信号进行不同显示，如声音、图像、心电波形等有益形式。
需指出，由于采用了DSP实现，使得整个参数估计操作变得更为灵活，可根据信号所包含的各种分量的具体情况，通过编程灵活改变算法的内部参数设置，如采样点数N，采样率fs等。
参考文献
[1]BELOUCHRANI A,ABED-MERAIM K,CARDOSO J-F,et al.A blind source separation technique using second-order statistics[J].Signal Processing,IEEE Transactions on,1997,45(2):434-44.
[2]张贤达,保铮.盲信号分离[J].电子学报,2009,z1):1766-71.
[3]杨秀梅,潘家华,张祖兴,et al.ICA在心音信号处理中的应用[J].生物医学工程学杂志,2008,4)
[4]贾银洁,许鹏飞.基于FastICA的混合音频信号盲分离[J].信息与电子工程,2009,7(4):321-5.
[5]梁淑芬,江太辉.一种自适应算法的语音信号盲分离[J].信号处理,2010,26(7):1094-8.
[6]王宇,迟毅林,伍星,et al.基于盲信号处理的机械噪声监测与故障诊断[J].振动与冲击,2009,28(6):32-41.
[7]刘琚,何振亚.盲源分离和盲反卷积[J].电子学报,2002,30(4):570-6.
[8]丁志中,叶中付.基于负熵准则盲分离方法的剖析与研究[J].系统仿真学报,2007, 19(13):2999-3004.
[9]岳克强,赵知劲,雷沈.基于负熵和智能优化算法的盲源分离方法[J].计算机工程,2010,36(4):250-2.
[10]李宁,史铁林.基于功率谱密度的盲信号分离[J].振动工程学报,2008,20(3):255-9.
[11]游荣义,陈忠.一种基于ICA的盲信号分离快速算法[J].2004,
[12]钟静,傅彦.基于快速ICA的混合语音信号分离[J].计算机应用,2006,26(5):1120-1.
[13]李宁.频率域盲信号分离理论研究[D]；华中科技大学,2007.
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。