本文關(guān)鍵詞：基于自然梯度算法的自適應(yīng)盲源分離研究，由筆耕文化傳播整理發(fā)布。

【摘要】：自適應(yīng)盲源分離是在20世紀(jì)90年代發(fā)展起來的一種實(shí)時(shí)盲信號(hào)處理技術(shù),通過利用信號(hào)的數(shù)據(jù)特征自動(dòng)地調(diào)整算法處理參數(shù)和約束條件,從而實(shí)現(xiàn)最佳的分離效果。與批處理相比,自適應(yīng)盲源分離計(jì)算量小,計(jì)算時(shí)間短,不僅適用于數(shù)據(jù)的實(shí)時(shí)處理,而且適用于非平穩(wěn)環(huán)境中。本文在研究現(xiàn)有成果的基礎(chǔ)上,主要對(duì)影響自適應(yīng)盲源分離算法的步長(zhǎng)因子以及變步長(zhǎng)的構(gòu)造方法進(jìn)行了研究,并分析了當(dāng)觀測(cè)信號(hào)為超高斯信號(hào)和亞高斯信號(hào)混合而成時(shí)的盲源分離。主要內(nèi)容如下:(1)本文首先介紹了盲源分離的發(fā)展歷史以及國(guó)內(nèi)外研究動(dòng)態(tài),對(duì)盲源分離的基本理論進(jìn)行了概述,包括盲源分離的數(shù)學(xué)模型、基本假設(shè)以及相關(guān)的信息論基礎(chǔ)知識(shí),簡(jiǎn)要介紹了幾種經(jīng)典的自適應(yīng)盲源分離算法,并對(duì)自然梯度盲源分離算法目標(biāo)函數(shù)的建立及其算法進(jìn)行了推導(dǎo),同時(shí)對(duì)影響算法性能的主要因素步長(zhǎng)和激活函數(shù)進(jìn)行了分析。(2)自適應(yīng)盲源分離算法作為一種LMS型算法,存在著收斂速度和穩(wěn)態(tài)誤差之間的矛盾,為克服這一矛盾,本文在研究自然梯度算法的基礎(chǔ)上,提出了一種引入動(dòng)量項(xiàng)的雙自適應(yīng)自然梯度算法,該算法將分離度分別引入到自然梯度算法的步長(zhǎng)因子和分離矩陣中,并根據(jù)分離效果自適應(yīng)調(diào)整分離度,從而在加快算法收斂速度的同時(shí),降低穩(wěn)態(tài)誤差。仿真實(shí)驗(yàn)證明,提出的新算法的性能明顯優(yōu)越于固定步長(zhǎng)和傳統(tǒng)變步長(zhǎng)算法。(3)當(dāng)混合信號(hào)為超高斯信號(hào)和超高斯信號(hào)混疊而成時(shí),由于非線性函數(shù)的限制,大多數(shù)自適應(yīng)盲源分離算法將無法實(shí)現(xiàn)有效分離。針對(duì)這一問題,人們提出了很多算法,其中具有代表性的是一種基于概率密度估計(jì)的盲源分離算法(DEBBSS),由于其采用經(jīng)驗(yàn)固定帶寬,只適用于單峰概率密度函數(shù)的估計(jì)。本文在DEBBSS算法的基礎(chǔ)上,通過引入Sheather-Jone帶寬選擇法和局部帶寬因子,得到了一種基于概率密度估計(jì)的改進(jìn)算法,該算法能夠同時(shí)實(shí)現(xiàn)對(duì)單峰和多峰概率密度函數(shù)的估計(jì),使得分離信號(hào)更接近源信號(hào)。仿真實(shí)驗(yàn)證明,提出的算法不僅能夠有效實(shí)現(xiàn)超高斯和亞高斯混合信號(hào)的盲源分離,而且具有較好的性能。
【關(guān)鍵詞】：自然梯度算法 變步長(zhǎng) 動(dòng)量項(xiàng) 概率密度函數(shù)估計(jì)
【學(xué)位授予單位】：湖南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN911.7
【目錄】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 緒論12-17
• 1.1 論文研究背景及意義12
• 1.2 盲源分離的研究歷史與發(fā)展現(xiàn)狀12-14
• 1.3 盲源分離的應(yīng)用14-15
• 1.4 本文的主要工作15-17
• 第二章 盲源分離的基本理論17-28
• 2.1 盲源分離的數(shù)學(xué)模型17-19
• 2.1.1 盲源分離基本假設(shè)18-19
• 2.1.2 盲源分離的不確定性19
• 2.2 信息論基礎(chǔ)19-22
• 2.2.1 熵19-20
• 2.2.2 互信息20-21
• 2.2.3 K-L散度21-22
• 2.3 信號(hào)預(yù)處理22-23
• 2.3.1 去均值22
• 2.3.2 白化22-23
• 2.4 盲源分離的主要算法23-26
• 2.4.1 基于互信息最小化算法23-24
• 2.4.2 基于信息最大化算法24-25
• 2.4.3 非高斯最大化算法25-26
• 2.5 盲源分離算法的評(píng)價(jià)標(biāo)準(zhǔn)26-27
• 2.6 本章小結(jié)27-28
• 第三章 自適應(yīng)盲源分離算法28-39
• 3.1 自然梯度算法28-30
• 3.2 變步長(zhǎng)自然梯度算法30-32
• 3.3 基于自然梯度算法的自適應(yīng)盲源分離的改進(jìn)32-34
• 3.3.1 自然梯度算法的改進(jìn)32-33
• 3.3.2 引入動(dòng)量項(xiàng)的雙自適應(yīng)自然梯度算法33-34
• 3.4 實(shí)驗(yàn)仿真34-38
• 3.5 本章小結(jié)38-39
• 第四章 亞高斯和超高斯信號(hào)混合時(shí)的盲源分離算法39-57
• 4.1 激活函數(shù)對(duì)算法的影響39-40
• 4.2 激活函數(shù)的構(gòu)造方法40-45
• 4.2.1 級(jí)數(shù)展開法40-41
• 4.2.2 參數(shù)估計(jì)法41-43
• 4.2.2.1 雙曲-柯西概率分布模型41-42
• 4.2.2.2 最大似然估計(jì)42-43
• 4.2.3 非參數(shù)估計(jì)法43-45
• 4.2.3.1 直方圖法43-45
• 4.2.3.2 核函數(shù)估計(jì)法45
• 4.3 基于概率密度估計(jì)的盲源分離算法45-48
• 4.4 基于概率密度估計(jì)的盲源分離改進(jìn)算法（ABBSS）48-50
• 4.5 實(shí)驗(yàn)仿真50-56
• 4.5.1 雜系混合信號(hào)的分離情況50-54
• 4.5.2 ABBSS算法與DEBBSS算法的比較54-56
• 4.6 本章小結(jié)56-57
• 第五章 總結(jié)與展望57-59
• 5.1 總結(jié)57-58
• 5.2 展望58-59
• 參考文獻(xiàn)59-64
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文64-65
• 致謝65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 葉菲;;改進(jìn)核密度估計(jì)確定最優(yōu)分組方法研究[J];計(jì)算機(jī)應(yīng)用與軟件;2013年06期

2 沙林秀;賀昱曜;;一種新的自適應(yīng)量子遺傳算法[J];計(jì)算機(jī)工程;2013年09期

  本文關(guān)鍵詞：基于自然梯度算法的自適應(yīng)盲源分離研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：337545