1、“.....伴随着脉冲响应，和滞后，不同选择。为了确定矩阵存在性，和是般在多数论文中被提及。在个盲环境中，和个最佳选择可以被找到。在，中，这种运算法则是由建立。是被选择了，以致有截然不同特征值。当混合物包含很多源时候，找到滞后种有效价值是关键性。为了避免此类问题，运算法则，在中被提议，使用矩阵在不同滞后个同时存在对角化。这类方法基础在矩阵同时对角化，如，中所描述，不是不同滤波器协方差矩阵方法个特例。不同滤波器使用提议运算法则，可以在中，和找到。Ⅲ有衰减微延迟混合物模型让我们考虑套传感器。套有色源信号是被记在个任意参考传感器被记在个任意参考传感器上。我们假设个次源接收到个次传感器，与所提及传感器相比是相同，除了个相对延时......”。

2、“.....。这些信号满足模型由以下所描述,其中是传感器噪音假设为在每个观察数据都独立。如果我们对传播源有兴趣，这个模式会发生在几种情况下。例如•相似场等方向传播源波振面是放射式•各向异性传播•各向异性传感器即使是在非分散平面波情况下，个源功率贡献是由定向传感器不同地衡量，在空间不同导向。让我们考虑系统中个贡献,。它傅立叶变换是其中比源多两个以上传感器，进行瞬时确定混合物来源和阶导数来源。我们发现，在传感器上源功耗相同特定情况下，会产生三个源物理限制。该方法已经在真实数据基本条件下测试成功。该方法例证适用于音频信号分离，但如果天线致密性有保证，它样适用于其他领域，如水下或地震声波信号。密实度相对于传播速度和信号最大频率是被分离。该方法有效性由非空间指数给出。如果天线密实度由于构造原因而被限制......”。

3、“.....如果源包含在空间领域立体角小于，天线针对该领域密实度明显增加。另种方法是分离过程之前设置个低通滤波器。我们可以发现，得到混合矩阵可以用来分离全带宽观测结果。阵列信号处理另个领域应用方法当波和阵列传感器已知时，存在于混合矩阵中关系识别延迟可得出源所处方向估计值。参考文献,二阶方法来对待。这些方法利用源之间相关性缺乏。唯限制将是源功率谱肯定是不同。当源有同样波普时，例如在数字通信应用软件中，更高层次方法是必要。对于这些最新方法，源必须是非高斯。个用二阶方法解决问题基本方案为了简便起见，我们考虑混合可逆矩阵情况。此外，我们假设观察数据都是无噪音。从作品中得到启发，大部分方法可以被看作是不同过滤器协方差矩阵观察数据所得到两个矩阵对角化。考虑到任何滞后观察数据空间协方差矩阵。从中......”。

4、“.....因为源是相互独立，所以是个对角矩阵。让我们观察有脉冲响应线性滤波器每个系统每个方程每个元素。这个运算是由以下指示中文字盲源分离紧凑型传感器阵列摘要在这项工作中，作者感兴趣是由个接收机同时记录源信号分离。为了解决这个鸡尾酒会现象问题，作者建议去收集套扩音器，以用于制作个有几厘米直径阵列。每个传感器，信号被收到时都有不同时间延迟。因此传统线性模型时间源分离，是没有更合适。然而，当时间延迟相比于每个来源相干时间较小时，作者表明，这个问题可以简化为建立套特定瞬间混合物及其衍生物时间源。因此时间源可以通过种合适二阶方法被提取。当扩音器比时间源更多时，表明如何处理噪音混合物提出方法有效性通过计算机模拟被证实了。最后，该方法被应用于实验在个正常房间里......”。

5、“.....然后提取该双源信号。个关于二阶方法普遍观点也在这项工作中显示出来了。关键词延迟混合物，二阶统计，传感器阵列，源分离。Ⅰ导言提取混合物发出不同音源是种人类自然属性，种允许我们拥有属性，例如，把注意力从很多会谈集中于特定谈话。自动系统能够复制这种现象，被称为鸡尾酒会现象影响，可被用于许多其他应用程序，像从管弦乐队中分离种乐器声音样，也像从群船舶中提取不同声波标记图样„„在这项研究中，作者对记录种配有紧凑型扩音器阵列或小型天线点声源信号混频提出建议。这套记录或意见将被认真对待，把描述小型天线视为声源提取。基本假设不同声源被假设为在统计上是独立，准时和不同色彩声源有不同功率谱。此外，声源是有带限即在现实世界背景下总是如此真实。图理想实验例如，让我们考虑以下基本实验如图，其中是准时源，是个观察数据，是另外个观察数据......”。

6、“.....观察数据和相互独立可视为个有介质过滤器特性输出，输入是，脉冲响应是和相互独立其中是该响应卷积。考虑到两个观察数据接近，我们假设该方法满足以下条件从声源得到信号和观察数据是完全致，除了第次和第二次观察数据之间存在个传播延迟和个最终衰减因子脉冲响应之间关系是，其中且是狄拉克脉冲。引介，观察数据转变为。因为如果我们对媒体不作任何假设，那么我们将无法从观察数据提取真实声源，仅仅只有声源数据。下文中，将是未知，暂且叫做源。另个传感器感应重要后果是没有价值延迟。如果我们将电力系统中表示为，个充分小延迟可以使余数忽略不计......”。

7、“.....现在，我们可以近似得到第二观察数据，通过以下公式描述源个线性组合和它阶导数。假设二阶平稳，和又见,显示了和在同时刻相互无关。将会被视作个新源。这些基本因素可以很容易地在几个来源前面被归纳出来。因此，在我们工作中我们将把轻微延迟混合物盲识别问题视作为个经典瞬时混合物盲识别问题，其中源阶导数作为新未知数。我们已经假定我们所考虑源是独立不相关，是我们新增未知因素，源导数与原本源只是无关联为空延迟。这特点导致为提取源二阶统计方法使用。论文组织我们回想起在第二节瞬时线性混合物确认问题。文献中解决这个问题所采用方法很丰富。我们在这里建议个现有多数二阶方法普遍认识。第三节和第四节所展现出来不同微小延迟模型是我们可以处理......”。

8、“.....第五节说明了通过数值模拟所提出模型和方法有效性。我们在最后节中，用实际数据对我们方法进行了测试。Ⅱ瞬时混合物鉴定问题地位让我们考虑个独立源同时收到个有噪音混合传感器信号。在添加噪音之前无记忆混合过程特点可以用以下公式表达其中,是平均值为零且在统计学上相互独立未知源矢量，,是平均值为零信号接受矢量上角标表示转置，,是传感器噪音矢量，是存在于空间白且和源相互独立。是未知无记忆混合矩阵，假设为满秩矩阵。盲识别问题主要是估计个分离矩阵核查其中是个可逆对角矩阵，而是个每行和列都非零置换矩阵。向量测量乘积导致了矢量表征了源向量，除了个排列，个定标因素和混合噪音。解决这问题需要对源补充假设。如果我们对物理信号有兴趣......”。

9、“.....这些方法利用源之间相关性缺乏。唯限制将是源功率谱肯定是不同。当源有同样波普时，例如在数字通信应用软件中，更高层次方法是必要。对于这些最新方法，源必须是非高斯。个用二阶方法解决问题基本方案为了简便起见，我们考虑混合可逆矩阵情况。此外，我们假设观察数据都是无噪音。从作品中得到启发，大部分方法可以被看作是不同过滤器协方差矩阵观察数据所得到两个矩阵对角化。考虑到任何滞后观察数据空间协方差矩阵。从中，我们可以写出空间协方差矩阵和源空间协方差矩阵之间联系。因为源是相互独立，所以是个对角矩阵。让我们观察有脉冲响应线性滤波器每个系统每个方程每个元素。这个运算是由以下指示。由于卷积响应是线性......”。