盲源分离是指在混合系数未知的情况下,仅从观测信号中恢复出源信号的过程。它在语音识别、图像处理、生物医学信号处理等领域中都有着广阔的应用前景。在实时盲源分离问题中,步长的选择对于算法的性能有着重要的影响。本文针对自适应地选择实时盲源分离问题的步长展开研究,主要内容如下:(1)针对实时线性混合盲源分离问题,提出一种基于改进粒子群优化的分段实时盲源分离自适应步长算法。将整个信号分离过程分为两个阶段:快速分离阶段和精细分离阶段。在快速分离阶段利用改进粒子群优化方法来选择步长,目的是使分离系统能尽快达到较好的分离效果。在精细分离阶段,则选择较为平缓的函数来选择步长,目的是保证系统拥有较好的稳态性能。该步长选择算法充分利用了粒子群算法早期的快速收敛性,同时也克服了粒子群算法后期的不稳定性。通过与固定步长、粒子群优化、分阶段学习等方法进行比较,实验结果表明该算法具有更快的收敛速度和更高的分离精度。(2)针对实时卷积混合盲源分离问题,提出一种基于模糊推理系统的实时卷积混合盲源分离自适应步长算法。首先,通过对混合信号执行短时傅立叶变换,将每个时域信号转换为一组频域信号。由于在每个频带处,频域信号的分离状态并不相同,因此将独立矢量分析算法的步长由标量扩展至矢量。其次,引入频带点的相关性指标和整体信号的相关性指标用于衡量当前系统的分离状态。最后,通过建立模糊推理系统,根据信号的分离状态来选择合适的步长。该模糊推理系统通过当前频带处的输出信号的相关性指标和整个输出信号的相关性指标来确定当前时刻每个频带处的学习速率。实验结果表明,该算法在解决室内语音信号分离问题时,能够较好地兼顾系统的收敛速度与稳态性能。