Blind source separation using novel independence interpretations for bounded support random vector

Bhaveshkumar Choithram Dharmani

doi:10.1016/j.jfranklin.2025.107819

2025-06-25

PRE

Bhaveshkumar Choithram Dharmani

Suman K. Mitra

Ayanendranath Basu

DOI：10.1016/j.jfranklin.2025.107819

原文链接

原文求助

摘要

En 中文

在各种现有的独立成分分析（ICA）和盲源分离（BSS）对比方法中，仍需一种能在保持较低计算成本的同时提供更高准确性的对比方法——即使在大规模情况下，该方法也应不依赖特定分布，且对异常值和样本量变化具有鲁棒性。为满足这一需求，本文首先推导了有界支撑随机向量的统计独立性的一些新解释，然后利用这些解释开发了一类新的BSS对比方法。其中，基于L2范数的对比方法被证明具有鲁棒性，并可通过基于核的线性最小二乘法提供的闭式表达式直接进行单阶段估计。这些估计还通过引入参考信息势的概念，扩展了信息理论与势场理论之间现有的类比关系。本文在基于旋转搜索的ICA（SRICA）算法框架内，采用遗传算法（GA）及其新推导的变体（在高维情况下计算效率更高）作为全局优化技术。总体而言，仿真结果表明，结合新推导的对比方法和GA变体进行优化的所提BSS方案，即使在大型规模和较少样本的情况下也能实现更好的分离质量。此外，它们对源信号的分布保持盲性，对异常值具有鲁棒性，能够避免在局部最优处的误收敛，并且相较于穷举搜索方法，能在更低的计算成本下提供更高的准确性。