發(fā)布時間：2017-08-19 22:01

  本文關鍵詞：基于獨立分量分析的盲源分離算法優(yōu)化研究

  更多相關文章： 盲源分離 獨立分量分析 線性瞬時混合 線性卷積混合 動量項 人工蜂群

【摘要】：盲源分離技術是上世紀九十年代在信息與信號處理領域興起的一個比較熱門的研究方向,該技術主要解決的是在源信號和信號傳輸?shù)幕旌舷到y(tǒng)的先驗知識完全未知或者僅知道少數(shù)的情況下,根據(jù)源信號的統(tǒng)計特性,僅僅由接收到的混合信號分離出各個源信號。如今,獨立分量分析方法是解決盲源分離問題的最有效的方法之一,它也是隨著盲源分離技術發(fā)展起來的一種信號處理方法,主要是從混合的數(shù)據(jù)中提取出源信號。盲源分離技術可以廣泛地應用在語音信號處理、醫(yī)療信號處理、圖像處理、無線通信、地震信號勘測等方面,對當今社會而言具有很重要的實踐價值。本文主要在基于獨立分量分析方法的基礎上,對盲源分離技術中算法的收斂速度以及信號的分離性能作了一定的優(yōu)化研究,并通過語音信號驗證算法的有效性。本文研究內容包括以下幾個方面：(1).首先詳細闡述了盲源分離問題的基礎理論,包括根據(jù)不同的混合方式對盲源分離問題進行分類以及在線性條件下的瞬時混合以及卷積混合的數(shù)學模型建立,獨立分量分析方法中一些符合現(xiàn)實情況的約束條件,信號的預處理過程,基于獨立分量分析方法的不同分離準則的代價函數(shù)以及對算法分離性能的評判標準。(2).針對盲源分離算法中收斂速度與分離性能存在矛盾這一問題,提出了一種改進分離性能指標的自適應盲源分離算法,其中包括對傳統(tǒng)的自適應的盲源分離算法的結構作出了一定的改進,定義了一個新的分離性能指標參數(shù),并以這個新的參數(shù)作為自變量,引進一個瑞利分布函數(shù)來控制算法的步長因子,將改進后的結構結合自然梯度算法以及EASI算法進行仿真實驗,實驗表明改進后的算法比傳統(tǒng)的分離算法具有更快的收斂速度以及更好的分離性能。(3).針對自然梯度算法中計算量大的問題,引入一個符號函數(shù),將自然梯度盲分離算法改進為符號梯度盲分離算法,并通過研究神經網絡,借鑒神經網絡中的動量項思想,將它引進到盲源分離算法中來,重新構造了盲分離算法的更新公式,提出了融合動量項的符號自然梯度盲分離算法,并對改進后的算法進行了仿真實驗,通過比較不同的動量項步長因子,對算法性能進行分析。(4).針對算法的收斂速度以及分離性能存在矛盾問題,將人工蜂群算法引入到盲源分離中來,使用人工蜂群算法對初始分離矩陣進行優(yōu)化,并對人工蜂群算法進行研究,改進了該算法中在跟隨蜂階段的食物搜索方式,引入一個遺忘因子和鄰域因子,使得人工蜂群算法具有更好的搜索性能,通過峭度函數(shù)將改進的人工蜂群算法與盲源分離技術結合起來,仿真結果表明,改進后的算法能夠顯著加快盲源分離的收斂速度,并保持較小的分離性能指標值,在一定程度上解決了收斂速度與分離性能指標值的矛盾問題。(5).針對更符合現(xiàn)實情況的卷積混合的盲源分離問題進行研究,首先將基于負熵最大化的快速獨立分量分析方法進行改進,將傳統(tǒng)具有二階收斂速度牛頓迭代的形式修正為三階,并將其應用于快速獨立分量分析方法中來,得到新的盲源分離更新公式,對卷積混合的信號進行處理,使得改進的算法可以在時域中將卷積混合信號分離出來。將改進后的算法分別在瞬時混合和卷積混合情況下進行仿真實驗并對實驗結果進行分析。
【關鍵詞】：盲源分離 獨立分量分析 線性瞬時混合 線性卷積混合 動量項 人工蜂群
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN911.7
【目錄】：

• 摘要6-8
• Abstract8-10
• 符號與縮寫含義清單10-12
• 第一章 緒論12-18
• 1.1、研究目的及意義12-13
• 1.2、盲源分離技術國內外研究現(xiàn)狀13-15
• 1.3、研究內容15-18
• 第二章 盲源分離的基礎理論18-28
• 2.1. 盲源分離的數(shù)學模型18-21
• 2.1.1 線性瞬時混疊模型18-19
• 2.1.2 線性卷積混疊模型19-21
• 2.2 盲源分離的約束條件21
• 2.3 信號的預處理21-23
• 2.3.1 去均值21
• 2.3.2 白化21-23
• 2.4 盲分離的主要分離準則23-26
• 2.4.1 最小互信息準則23-24
• 2.4.2 信息傳輸最大化或負熵最大化24-25
• 2.4.3 最大似然準則25-26
• 2.5 盲源分離算法的評價準則26-27
• 2.6 本章小結27-28
• 第三章 基于改進分離性能指標的自適應盲源分離算法28-45
• 3.1 常見的自適應盲源分離算法28-34
• 3.1.1 基于自然梯度的盲源分離算法28-32
• 3.1.2 EASI算法32-34
• 3.2 基于改進分離性能指標參數(shù)盲源分離算法34-37
• 3.2.1 改進的系統(tǒng)結構34-35
• 3.2.2 改進的分離性能指標參數(shù)35-37
• 3.3 基于改進分離性能指標參數(shù)自然梯度盲分離算法37-40
• 3.3.1 算法仿真實驗及性能分析38-40
• 3.4 基于改進分離性能指標參數(shù)EASI盲分離算法40-44
• 3.4.1 算法仿真實驗及性能分析41-44
• 3.5 本章小結44-45
• 第四章 基于融合動量項的符號梯度盲源分離算法45-53
• 4.1 符號梯度盲源分離算法45-49
• 4.1.1 符號自然梯度算法原理45-47
• 4.1.2 仿真實驗與算法性能分析47-49
• 4.2 融合動量項的符號自然梯度算法49-51
• 4.2.1 融合動量項的符號自然梯度算法原理49-50
• 4.2.2 仿真實驗與性能分析50-51
• 4.3 本章小結51-53
• 第五章 基于改進人工蜂群的盲分離算法53-68
• 5.1 人工蜂群算法53-59
• 5.1.1 人工蜂群算法生物學描述53-55
• 5.1.2 人工蜂群算法算法的原理55
• 5.1.3 人工蜂群算法算法的流程55-57
• 5.1.4 改進的人工蜂群算法57-58
• 5.1.5 人工蜂群算法仿真結果與分析58-59
• 5.2 基于改進蜂群算法的盲源分離算法59-64
• 5.2.1 基于改進蜂群算法的盲源分離算法原理59-60
• 5.2.2 吉文斯旋轉矩陣60-62
• 5.2.3 基于改進蜂群算法的盲源分離算法流程62-64
• 5.3 仿真實驗及性能分析64-66
• 5.4 本章小結66-68
• 第六章 基于改進FastICA的卷積盲源分離算法68-78
• 6.1 在瞬時混合下FastICA算法68-72
• 6.1.1 傳統(tǒng)的FastICA算法68-70
• 6.1.2 改進的FastICA算法70-71
• 6.1.3 仿真實驗與性能分析71-72
• 6.2 時域中的卷積混合信號分離72-75
• 6.2.1 分離信號算法原理72-74
• 6.2.2 分離信號的流程74-75
• 6.3 算法仿真及性能分析75-76
• 6.4 本章小結76-78
• 第七章 總結與展望78-80
• 7.1 本文總結78-79
• 7.2 展望79-80
• 參考文獻80-84
• 致謝84-85
• 攻讀碩士學位期間的科研成果85

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 張賢達,保錚;盲信號分離[J];電子學報;2001年S1期

2 黃華;;一種改進型的人工蜂群算法在云計算的資源分配中的研究[J];科技通報;2013年05期

3 趙禮翔;劉國慶;;基于Givens變換矩陣的時間結構信號盲源分離新算法[J];計算機科學;2014年12期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 李杰;盲信號分離的優(yōu)化技術研究[D];南京信息工程大學;2011年

，

本文編號：703140