【摘要】：盲源分離技術(shù)是指在未知的源信號(hào)和傳輸信道的條件下,僅通過混合后的觀測(cè)信號(hào)對(duì)源信號(hào)進(jìn)行恢復(fù)的技術(shù)。近幾年盲源分離技術(shù)在信號(hào)處理領(lǐng)域中一直都是熱門的研究方向。同時(shí),在圖像處理、生物信號(hào)處理以及語音信號(hào)處理等領(lǐng)域,盲源分離技術(shù)同樣發(fā)揮了重要作用。在盲源分離問題的研究中,由于傳感器數(shù)目小于源信號(hào)數(shù)目的欠定盲源分離更加貼近實(shí)際,所以其在學(xué)術(shù)界得到了更加廣泛的關(guān)注。對(duì)于欠定盲源分離問題,通常情況下會(huì)根據(jù)源信號(hào)的稀疏度的不同,采用不同的方法解決。“兩步法”是解決這個(gè)問題最常用的方法。首先利用相關(guān)聚類算法對(duì)混合矩陣進(jìn)行估計(jì),然后分離出源信號(hào)。本文針對(duì)不同稀疏度的源信號(hào)對(duì)欠定盲源問題的“兩步”進(jìn)行探究,具體包括以下三個(gè)方面:首先,當(dāng)源信號(hào)充分稀疏時(shí),也就是在每個(gè)觀測(cè)時(shí)刻下,大多數(shù)情況只有一個(gè)源信號(hào)的取值較大的時(shí)候,觀測(cè)信號(hào)會(huì)呈現(xiàn)線性聚類的特點(diǎn),結(jié)合這個(gè)特點(diǎn)利用相關(guān)聚類算法估計(jì)出混合矩陣。為了增強(qiáng)信號(hào)的稀疏性,本文介紹了一種新的單源點(diǎn)檢測(cè)方法對(duì)信號(hào)稀疏性進(jìn)行增強(qiáng),之后介紹了四種在源信號(hào)充分稀疏時(shí)的混合矩陣估計(jì)的常見算法,K-means算法,DBSCAN算法、勢(shì)函數(shù)算法以及拉普拉斯勢(shì)函數(shù)算法,并提出一種改進(jìn)的拉普拉斯勢(shì)函數(shù)算法對(duì)混合矩陣進(jìn)行估計(jì)。通過仿真實(shí)驗(yàn)證明改進(jìn)的算法能更準(zhǔn)確地估計(jì)混合矩陣,并且在低信噪比下也可以較好地估計(jì)。其次,當(dāng)源信號(hào)非充分稀疏時(shí),也就當(dāng)在同一時(shí)刻不止一個(gè)源信號(hào)起作用時(shí),那么觀測(cè)信號(hào)就不再會(huì)呈現(xiàn)線性聚類特點(diǎn),一般會(huì)呈現(xiàn)面聚類特點(diǎn)。本文介紹了幾種常見的在信號(hào)不嚴(yán)格稀疏時(shí)估計(jì)混合矩陣的相關(guān)聚類算法,k維子空間算法和K-plane算法。并且本文提出改進(jìn)的K-plane算法估計(jì)混合矩陣,通過仿真實(shí)驗(yàn)表明本文提出的改進(jìn)算能更準(zhǔn)確地估計(jì)混合矩陣。最后,利用相關(guān)算法分離源信號(hào)。雖然已通過相關(guān)算法獲得估計(jì)的混合矩陣,但因?yàn)榛旌暇仃嚨姆瞧娈愋?所以并不能直接利用取其逆的方法分離出對(duì)應(yīng)的源信號(hào)。本文介紹了幾種常見的源信號(hào)恢復(fù)算法,L1范數(shù)、基于角度的最短路徑分解算法和統(tǒng)計(jì)稀疏分解算法,并在此基礎(chǔ)上針對(duì)L1范數(shù)方法在劃分方面的缺陷進(jìn)行了相應(yīng)的改進(jìn),通過仿真實(shí)驗(yàn),驗(yàn)證此改進(jìn)方法能更為準(zhǔn)確地分離出源信號(hào)。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN911.7
【圖文】：

理技術(shù)在生活中的應(yīng)用越來越廣泛，盲源分離問題的研究?jī)r(jià)分離中，欠定盲源分離由于更加具有普遍性以及較為貼近實(shí)。但由于欠定條件下的混合系統(tǒng)是不可逆的，所以使得解決，而且即使混合矩陣已知，但因?yàn)樵葱盘?hào)并不是唯一的，進(jìn)去估計(jì)源信號(hào)。由于這樣的原因使得傳統(tǒng)算法不適用于解決問題提出相應(yīng)的新的解決方法。本章對(duì)欠定盲源分離問題的欠定盲源分離的數(shù)學(xué)模型、信號(hào)稀疏特性、時(shí)頻分析以及性分離的數(shù)學(xué)模型離指的是利用數(shù)目比較少的觀測(cè)信號(hào)去恢復(fù)數(shù)目比較多的源和信道信息未知的情況下僅利用觀測(cè)信號(hào)去估計(jì)源信號(hào)的問型如圖 2.1 所示。s1n1xs11

圖 2.3 嚴(yán)格稀疏和較為稀疏源信號(hào)下觀測(cè)信號(hào)的散點(diǎn)圖同時(shí)，有些信號(hào)可能在時(shí)域并不稀疏，但是在時(shí)頻域或者其他變換域中會(huì)表現(xiàn)出稀疏的特性，下圖顯示的是在時(shí)域并沒有較好聚類特性的散點(diǎn)圖以及通過時(shí)頻域變換后的時(shí)頻域下的散點(diǎn)圖。圖 2.4 中圖(a)為觀測(cè)信號(hào)在時(shí)域的散點(diǎn)圖，通過這張圖可以得到這個(gè)觀測(cè)信號(hào)在時(shí)域并不能表現(xiàn)出一定的聚類特性，通過時(shí)頻變換工具進(jìn)行變換后可以得到圖(b)散點(diǎn)圖從這幅圖中可以看到時(shí)頻域下的散點(diǎn)呈現(xiàn)出線性聚類的效果。由此可知，此信號(hào)在時(shí)頻域有較好的稀疏性，所以可以利用其在頻域呈現(xiàn)的聚類特性進(jìn)行求解。-20-10010203040

x2(a) 圖 2.3 嚴(yán)格稀疏和較為稀疏源信號(hào)下同時(shí)，有些信號(hào)可能在時(shí)域并不稀疏，但是在時(shí)疏的特性，下圖顯示的是在時(shí)域并沒有較好聚類特性時(shí)頻域下的散點(diǎn)圖。圖 2.4 中圖(a)為觀測(cè)信號(hào)在時(shí)域的散點(diǎn)圖，通過域并不能表現(xiàn)出一定的聚類特性，通過時(shí)頻變換工從這幅圖中可以看到時(shí)頻域下的散點(diǎn)呈現(xiàn)出線性聚域有較好的稀疏性，所以可以利用其在頻域呈現(xiàn)的40

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 謝忠德;;一種基于l~1范數(shù)的欠定盲源分離算法[J];廣東工業(yè)大學(xué)學(xué)報(bào);2012年02期

2 姚博;楊基海;陳香;鄧浩;婁智;周逸峰;;基于稀疏分量分析的欠定盲源分離用于表面肌電信號(hào)分解[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2012年02期

3 周寧;夏秀渝;申慶超;李冰;;基于一種改進(jìn)最短路徑法的欠定語音盲分離[J];四川大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

4 張燁;方勇;;基于平面聚類勢(shì)函數(shù)法的欠定混合信號(hào)盲分離[J];高技術(shù)通訊;2010年08期

相關(guān)碩士學(xué)位論文 前4條

1 嚴(yán)新;欠定盲源分離中源信號(hào)恢復(fù)算法研究[D];西安電子科技大學(xué);2014年

2 王放;稀疏分量分析的欠定盲分離算法研究[D];湖南大學(xué);2012年

3 甄會(huì);欠定盲分離混合矩陣估計(jì)方法的研究[D];大連理工大學(xué);2010年

4 張?chǎng)?欠定盲源分離技術(shù)研究[D];西安電子科技大學(xué);2009年

本文編號(hào)：2764627