盲源分离是信号处理中的一个重要分支,它主要是研究在源信号和混合模型未知的情况下,通过分离信号和源信号的相关统计特性来分离出源信号。分离盲信号主要依赖于所采用的目标函数,而目标函数数学模型主要是建立在源信号与分离信号统计特性的一致性上的。对于线性混合模型,通常采用的是独立分量分析。独立分量分析的基本含义是将多通道观测信号按照统计独立的原则,通过优化算法分解为若干独立分量的过程。通常独立分量分析主要以最大熵,最小互信息量,极大似然估计等函数作为目标函数。而对于非线性混合模型,独立分量分析就不足以解决问题,还需要知道更多源信号的统计特性。事实上,在非线性解混过程中,最主要的是对非线性函数的逼近。本文的主要工作则是运用神经网络控制模型来解决这一问题。神经网络控制是一种模仿人类“学习”的控制,将神经网络控制应用到盲源分离可以让计算机根据相关先验知识“自我修正”,从而达到智能计算的目的。对于非线性函数有较强的逼近能力。在运用神经网络模型“自我修正”的过程中,初值的选取尤为重要,为了能让初始值取到精确值附近。本文又采用了遗传算法,用以弥补神经网络模型局部最优化的缺陷,使得能在全局上对数学模型进行最优化。本文分五章,第一章主要介绍盲源分离的发展历史,背景及现状。在第二章中,介绍信号分离的相关概念与模型,常用的目标函数以及盲源分离的一些基本神经网络模型。而在第三,四章也是本文的核心部分中,则分别将PID,RBF神经网络模型运用到盲信号分离中,并在RBF神经网络模型中结合遗传算法解决盲信号分离问题,最后,通过仿真验证神经网络与遗传算法结合的效果。