本文關(guān)鍵詞：含噪聲音信號盲分離算法的研究

  更多相關(guān)文章： 盲分離 瞬時混合 卷積混合 自適應(yīng)步長 神經(jīng)網(wǎng)絡(luò)

【摘要】：近幾十年來,隨著“雞尾酒會”效應(yīng)出現(xiàn)后,盲分離技術(shù)的研究就重未間斷過。作為信號處理中的一個嶄新的研究方法,盲分離算法被眾多領(lǐng)域的科研者密切關(guān)注。所謂“盲”就是源信號是未知的。因此,盲分離問題是指,將一個未知的源信號與一個未知的信號混合在一起,形成一個混合信號,再經(jīng)傳感器對混合信號采集,將采集到的混合信號也就是被測信號經(jīng)采集系統(tǒng)分析,最終從混合信號中分離出未知源信號。隨著時代不斷的進步,越來越多的領(lǐng)域都在應(yīng)用盲分離技術(shù)。例如,生物醫(yī)學(xué)、雷達和聲納、圖像處理、地震探測、無線通訊等。在實際應(yīng)用中,各領(lǐng)域?qū)τ诿し蛛x算法的應(yīng)用都是在理想狀態(tài)下對信號進行分離。但是有一個客觀條件是不能忽視的,那就是被測信號中會有噪聲信號的存在。噪聲信號的存在不僅會改變算法的性能導(dǎo)致誤差出現(xiàn),嚴重一些還會使盲分離算法不能正確運算,進而不能正確分離出期望信號。因此,含噪信號的盲分離算法是目前重要的研究對象,本文基于盲分離理論,重點研究含噪聲音信號的盲分離算法。首先簡單的介紹了盲分離算法的研究背景及意義和目前國內(nèi)外的發(fā)展現(xiàn)狀,并且對盲分離的假設(shè)條件、可實現(xiàn)性和不確定性進行了分析。其次,建立了盲分離的數(shù)學(xué)模型,針對盲分離算法的一些定義、定理、推論和相關(guān)的充分必要條件對可行性和分離原則進行了分析。通過對不同形式的代價函數(shù)作出分析以及信號預(yù)處理方法的研究,介紹了瞬時混合模型下的三種盲分離算法——聯(lián)合近似對角化算法、FastICA算法和最大信息化算法,以及卷積混合模式下盲分離算法中的時域法和頻域法。通過對瞬時混合和卷積混合盲分離算法的分析,指出這些算法的優(yōu)勢與劣勢,并根據(jù)不足之處提出了改進算法,并通過仿真分析驗證改進算法的優(yōu)越性。目前,這些算法已經(jīng)應(yīng)用到圖像處理、生物醫(yī)學(xué)、無線通訊等領(lǐng)域之中。最后,根據(jù)實際應(yīng)用,通過USB-1208LS數(shù)據(jù)采集卡及LabVIEW設(shè)計的數(shù)據(jù)采集的程序,并將汽車發(fā)動機聲音信號作為研究對象,對試驗采集系統(tǒng)做了詳細的介紹,利用自適應(yīng)步長混合神經(jīng)網(wǎng)絡(luò)盲分離算法對汽車發(fā)動機含噪聲音信號進行了盲分離實驗,并對仿真結(jié)果作出分析,實現(xiàn)了對汽車發(fā)動機的故障診斷。文章的結(jié)尾對本文進行了總結(jié),提出了展望,同時也提出了繼續(xù)研究的方向。
【關(guān)鍵詞】：盲分離 瞬時混合 卷積混合 自適應(yīng)步長 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：甘肅農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN911.7
【目錄】：

• 摘要2-3
• Summary3-7
• 第一章 緒論7-12
• 1.1 研究背景及意義7
• 1.2 盲分離現(xiàn)狀7-9
• 1.3 盲分離的假設(shè)條件9
• 1.4 盲分離的可實現(xiàn)性9-10
• 1.5 盲分離的不確定性10-11
• 1.5.1 尺度不確定性10
• 1.5.2 順序不確定性10-11
• 1.6 本文的結(jié)構(gòu)安排11-12
• 第二章 含噪聲音信號盲分離的可分離性分析及應(yīng)用12-23
• 2.1 含噪聲音信號數(shù)學(xué)模型12-13
• 2.2 可分離性分析13-16
• 2.2.1 盲分離的基本定義及定理13
• 2.2.2 充分必要條件13-15
• 2.2.3 正交矩陣對可分離性的影響15-16
• 2.3 含噪信號的盲分離原則16-21
• 2.3.1 基本定理16-17
• 2.3.2 分離原則的三種情況17-21
• 2.4 盲分離算法在含噪聲音信號增強的應(yīng)用21-22
• 2.5 本章小結(jié)22-23
• 第三章 盲分離的基本理論23-34
• 3.1 盲源信號的分離與處理23-27
• 3.1.1 盲信號分離技術(shù)23-26
• 3.1.2 盲信號處理技術(shù)26-27
• 3.2 代價函數(shù)27-30
• 3.2.1 峭度代價函數(shù)27-28
• 3.2.2 互信息代價函數(shù)28-29
• 3.2.3 負熵代價函數(shù)29-30
• 3.2.4 熵的代價函數(shù)30
• 3.2.5 似然函數(shù)的代價函數(shù)30
• 3.3 數(shù)據(jù)預(yù)處理30-32
• 3.3.1 中心化處理31
• 3.3.2 白化處理31-32
• 3.4 本章小結(jié)32-34
• 第四章 盲分離的算法及改進34-46
• 4.1 典型算法35-39
• 4.1.1 JADE算法35-36
• 4.1.2 FastICA算法36-38
• 4.1.3 Infomax算法38-39
• 4.2 卷積混合盲分離算法39-42
• 4.2.1 時域分離算法40-41
• 4.2.2 頻域分離算法41-42
• 4.3 改進算法42-45
• 4.3.1 峭度算法的改進42-43
• 4.3.2 雙梯度算法的改進43-44
• 4.3.3 仿真實驗44-45
• 4.4 本章小結(jié)45-46
• 第五章 含噪聲音信號盲分離對汽車發(fā)動機故障診斷的實驗46-61
• 5.1 含噪聲音信號采集系統(tǒng)介紹46-47
• 5.2 LabVIEW軟件介紹47-52
• 5.2.1 LabVIEW語言的概述47-48
• 5.2.2 LabVIEW軟件的特點48-49
• 5.2.3 采集系統(tǒng)程序設(shè)計49-52
• 5.3 含噪聲音信號盲分離算法52-57
• 5.3.1 含噪聲音信號模型52-53
• 5.3.2 神經(jīng)網(wǎng)絡(luò)盲分離算法53-54
• 5.3.3 改進的自適應(yīng)步長神經(jīng)網(wǎng)絡(luò)盲分離算法54-57
• 5.4 實驗仿真及分析57-60
• 5.5 本章小結(jié)60-61
• 第六章 總結(jié)與展望61-63
• 6.1 全文總結(jié)61
• 6.2 展望61-63
• 參考文獻63-66
• 致謝66-67
• 作者簡介67-68
• 導(dǎo)師簡介68-69

【參考文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 任婕;含噪盲信號提取和分離技術(shù)研究[D];電子科技大學(xué);2012年

，

本文編號：576324