隨著信息技術(shù)的發(fā)展,盲源分離逐漸成為了信號(hào)處理領(lǐng)域至關(guān)重要的研究技術(shù),其主要針對(duì)在源信號(hào)及混合參數(shù)都未知的情況下,僅依據(jù)觀測(cè)信號(hào)分離出源信號(hào)。根據(jù)源信號(hào)數(shù)目和觀測(cè)信號(hào)數(shù)目的大小關(guān)系,可將盲源分離依次分為超定、正定和欠定三種情況。近年來,首先由于在欠定條件下源信號(hào)數(shù)目多于觀測(cè)信號(hào)數(shù)目,最符合實(shí)際應(yīng)用情況的,其研究應(yīng)用價(jià)值最大,其次由于超定和正定條件下的盲源分離技術(shù)已經(jīng)非常成熟,具備了向更難的欠定問題進(jìn)軍的條件。因此欠定條件下的盲源分離技術(shù)成為了當(dāng)下的研究重點(diǎn)。本文選擇了欠定盲源分離問題的線性瞬時(shí)混合模型,采用了基于稀疏分量分析的“兩步法”,并分別針對(duì)“兩步法”中的混合矩陣估計(jì)和源信號(hào)重構(gòu)的算法進(jìn)行研究改進(jìn),主要包括以下二個(gè)方面:(1)提出基于WE-FCM混合聚類的混合矩陣估計(jì)。針對(duì)傳統(tǒng)的模糊C均值聚類(FCM)算法所存在的對(duì)初始聚類中心敏感,易陷入局部最優(yōu),易受噪聲點(diǎn)干擾等缺陷,提出一種基于WE-FCM混合聚類的混合矩陣估計(jì)算法。所提算法首先利用進(jìn)化規(guī)劃算法估計(jì)出初始聚類中心,避免了因人為給定初始聚類中心而陷入局部最優(yōu),而后將局部離群點(diǎn)檢測(cè)算法所得的離群點(diǎn)因子應(yīng)用于FCM算法的目標(biāo)函數(shù)和...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題的研究背景及意義
    1.2 課題的研究現(xiàn)狀
    1.3 研究的內(nèi)容與主要工作
2 欠定盲源分離理論
    2.1 欠定盲源分離的數(shù)學(xué)模型和先驗(yàn)假設(shè)
        2.1.1 欠定盲源分離數(shù)學(xué)模型
        2.1.2 欠定盲源分離先驗(yàn)假設(shè)
    2.2 稀疏分量分析理論
        2.2.1 信號(hào)的稀疏表示
        2.2.2 稀疏變換方法
        2.2.3 稀疏分量分析的算法步驟
    2.3 混合矩陣估計(jì)
        2.3.1 K-means算法
        2.3.2 勢(shì)函數(shù)法
        2.3.3 混合矩陣評(píng)價(jià)準(zhǔn)則
    2.4 源信號(hào)重構(gòu)
        2.4.1 壓縮感知模型
        2.4.2 源信號(hào)重構(gòu)評(píng)價(jià)準(zhǔn)則
    2.5 本章小結(jié)
3 基于WE-FCM算法的混合矩陣估計(jì)
    3.1 信號(hào)的預(yù)處理
        3.1.1 時(shí)頻單源點(diǎn)檢測(cè)
        3.1.2 信號(hào)歸一化
    3.2 模糊C均值聚類算法
    3.3 基于WE-FCM算法的混合矩陣估計(jì)
        3.3.1 進(jìn)化規(guī)劃算法
        3.3.2 EP-FCM算法
        3.3.3 離群點(diǎn)檢測(cè)算法
        3.3.4 WE-FCM算法
    3.4 實(shí)驗(yàn)仿真
    3.5 本章小結(jié)
4 基于貪婪雙稀疏字典的源信號(hào)重構(gòu)
    4.1 字典學(xué)習(xí)算法
        4.1.1 KSVD字典學(xué)習(xí)算法
        4.1.2 DSKSVD字典學(xué)習(xí)算法
        4.1.3 貪婪雙稀疏字典學(xué)習(xí)算法
    4.2 基于壓縮感知的重構(gòu)算法
        4.2.1 BP算法
        4.2.2 OMP算法
        4.2.3 改進(jìn)的OMP算法
    4.3 基于GDSD字典學(xué)習(xí)的源信號(hào)重構(gòu)
    4.4 實(shí)驗(yàn)仿真
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3787163