本文關(guān)鍵詞：基于獨(dú)立分量分析的盲源分離算法優(yōu)化研究

  更多相關(guān)文章： 盲源分離 獨(dú)立分量分析 線性瞬時(shí)混合 線性卷積混合 動(dòng)量項(xiàng) 人工蜂群

【摘要】：盲源分離技術(shù)是上世紀(jì)九十年代在信息與信號(hào)處理領(lǐng)域興起的一個(gè)比較熱門(mén)的研究方向,該技術(shù)主要解決的是在源信號(hào)和信號(hào)傳輸?shù)幕旌舷到y(tǒng)的先驗(yàn)知識(shí)完全未知或者僅知道少數(shù)的情況下,根據(jù)源信號(hào)的統(tǒng)計(jì)特性,僅僅由接收到的混合信號(hào)分離出各個(gè)源信號(hào)。如今,獨(dú)立分量分析方法是解決盲源分離問(wèn)題的最有效的方法之一,它也是隨著盲源分離技術(shù)發(fā)展起來(lái)的一種信號(hào)處理方法,主要是從混合的數(shù)據(jù)中提取出源信號(hào)。盲源分離技術(shù)可以廣泛地應(yīng)用在語(yǔ)音信號(hào)處理、醫(yī)療信號(hào)處理、圖像處理、無(wú)線通信、地震信號(hào)勘測(cè)等方面,對(duì)當(dāng)今社會(huì)而言具有很重要的實(shí)踐價(jià)值。本文主要在基于獨(dú)立分量分析方法的基礎(chǔ)上,對(duì)盲源分離技術(shù)中算法的收斂速度以及信號(hào)的分離性能作了一定的優(yōu)化研究,并通過(guò)語(yǔ)音信號(hào)驗(yàn)證算法的有效性。本文研究?jī)?nèi)容包括以下幾個(gè)方面：(1).首先詳細(xì)闡述了盲源分離問(wèn)題的基礎(chǔ)理論,包括根據(jù)不同的混合方式對(duì)盲源分離問(wèn)題進(jìn)行分類(lèi)以及在線性條件下的瞬時(shí)混合以及卷積混合的數(shù)學(xué)模型建立,獨(dú)立分量分析方法中一些符合現(xiàn)實(shí)情況的約束條件,信號(hào)的預(yù)處理過(guò)程,基于獨(dú)立分量分析方法的不同分離準(zhǔn)則的代價(jià)函數(shù)以及對(duì)算法分離性能的評(píng)判標(biāo)準(zhǔn)。(2).針對(duì)盲源分離算法中收斂速度與分離性能存在矛盾這一問(wèn)題,提出了一種改進(jìn)分離性能指標(biāo)的自適應(yīng)盲源分離算法,其中包括對(duì)傳統(tǒng)的自適應(yīng)的盲源分離算法的結(jié)構(gòu)作出了一定的改進(jìn),定義了一個(gè)新的分離性能指標(biāo)參數(shù),并以這個(gè)新的參數(shù)作為自變量,引進(jìn)一個(gè)瑞利分布函數(shù)來(lái)控制算法的步長(zhǎng)因子,將改進(jìn)后的結(jié)構(gòu)結(jié)合自然梯度算法以及EASI算法進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)表明改進(jìn)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(duì)自然梯度算法中計(jì)算量大的問(wèn)題,引入一個(gè)符號(hào)函數(shù),將自然梯度盲分離算法改進(jìn)為符號(hào)梯度盲分離算法,并通過(guò)研究神經(jīng)網(wǎng)絡(luò),借鑒神經(jīng)網(wǎng)絡(luò)中的動(dòng)量項(xiàng)思想,將它引進(jìn)到盲源分離算法中來(lái),重新構(gòu)造了盲分離算法的更新公式,提出了融合動(dòng)量項(xiàng)的符號(hào)自然梯度盲分離算法,并對(duì)改進(jìn)后的算法進(jìn)行了仿真實(shí)驗(yàn),通過(guò)比較不同的動(dòng)量項(xiàng)步長(zhǎng)因子,對(duì)算法性能進(jìn)行分析。(4).針對(duì)算法的收斂速度以及分離性能存在矛盾問(wèn)題,將人工蜂群算法引入到盲源分離中來(lái),使用人工蜂群算法對(duì)初始分離矩陣進(jìn)行優(yōu)化,并對(duì)人工蜂群算法進(jìn)行研究,改進(jìn)了該算法中在跟隨蜂階段的食物搜索方式,引入一個(gè)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(guò)峭度函數(shù)將改進(jìn)的人工蜂群算法與盲源分離技術(shù)結(jié)合起來(lái),仿真結(jié)果表明,改進(jìn)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(biāo)值,在一定程度上解決了收斂速度與分離性能指標(biāo)值的矛盾問(wèn)題。(5).針對(duì)更符合現(xiàn)實(shí)情況的卷積混合的盲源分離問(wèn)題進(jìn)行研究,首先將基于負(fù)熵最大化的快速獨(dú)立分量分析方法進(jìn)行改進(jìn),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(yīng)用于快速獨(dú)立分量分析方法中來(lái),得到新的盲源分離更新公式,對(duì)卷積混合的信號(hào)進(jìn)行處理,使得改進(jìn)的算法可以在時(shí)域中將卷積混合信號(hào)分離出來(lái)。將改進(jìn)后的算法分別在瞬時(shí)混合和卷積混合情況下進(jìn)行仿真實(shí)驗(yàn)并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。
【關(guān)鍵詞】：盲源分離 獨(dú)立分量分析 線性瞬時(shí)混合 線性卷積混合 動(dòng)量項(xiàng) 人工蜂群
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TN911.7
【目錄】：

• 摘要6-8
• Abstract8-10
• 符號(hào)與縮寫(xiě)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(shù)國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.3、研究?jī)?nèi)容15-18
• 第二章 盲源分離的基礎(chǔ)理論18-28
• 2.1. 盲源分離的數(shù)學(xué)模型18-21
• 2.1.1 線性瞬時(shí)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(hào)的預(yù)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(zhǔn)則23-26
• 2.4.1 最小互信息準(zhǔn)則23-24
• 2.4.2 信息傳輸最大化或負(fù)熵最大化24-25
• 2.4.3 最大似然準(zhǔn)則25-26
• 2.5 盲源分離算法的評(píng)價(jià)準(zhǔn)則26-27
• 2.6 本章小結(jié)27-28
• 第三章 基于改進(jìn)分離性能指標(biāo)的自適應(yīng)盲源分離算法28-45
• 3.1 常見(jiàn)的自適應(yīng)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(jìn)分離性能指標(biāo)參數(shù)盲源分離算法34-37
• 3.2.1 改進(jìn)的系統(tǒng)結(jié)構(gòu)34-35
• 3.2.2 改進(jìn)的分離性能指標(biāo)參數(shù)35-37
• 3.3 基于改進(jìn)分離性能指標(biāo)參數(shù)自然梯度盲分離算法37-40
• 3.3.1 算法仿真實(shí)驗(yàn)及性能分析38-40
• 3.4 基于改進(jìn)分離性能指標(biāo)參數(shù)EASI盲分離算法40-44
• 3.4.1 算法仿真實(shí)驗(yàn)及性能分析41-44
• 3.5 本章小結(jié)44-45
• 第四章 基于融合動(dòng)量項(xiàng)的符號(hào)梯度盲源分離算法45-53
• 4.1 符號(hào)梯度盲源分離算法45-49
• 4.1.1 符號(hào)自然梯度算法原理45-47
• 4.1.2 仿真實(shí)驗(yàn)與算法性能分析47-49
• 4.2 融合動(dòng)量項(xiàng)的符號(hào)自然梯度算法49-51
• 4.2.1 融合動(dòng)量項(xiàng)的符號(hào)自然梯度算法原理49-50
• 4.2.2 仿真實(shí)驗(yàn)與性能分析50-51
• 4.3 本章小結(jié)51-53
• 第五章 基于改進(jìn)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(xué)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(jìn)的人工蜂群算法57-58
• 5.1.5 人工蜂群算法仿真結(jié)果與分析58-59
• 5.2 基于改進(jìn)蜂群算法的盲源分離算法59-64
• 5.2.1 基于改進(jìn)蜂群算法的盲源分離算法原理59-60
• 5.2.2 吉文斯旋轉(zhuǎn)矩陣60-62
• 5.2.3 基于改進(jìn)蜂群算法的盲源分離算法流程62-64
• 5.3 仿真實(shí)驗(yàn)及性能分析64-66
• 5.4 本章小結(jié)66-68
• 第六章 基于改進(jìn)FastICA的卷積盲源分離算法68-78
• 6.1 在瞬時(shí)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(jìn)的FastICA算法70-71
• 6.1.3 仿真實(shí)驗(yàn)與性能分析71-72
• 6.2 時(shí)域中的卷積混合信號(hào)分離72-75
• 6.2.1 分離信號(hào)算法原理72-74
• 6.2.2 分離信號(hào)的流程74-75
• 6.3 算法仿真及性能分析75-76
• 6.4 本章小結(jié)76-78
• 第七章 總結(jié)與展望78-80
• 7.1 本文總結(jié)78-79
• 7.2 展望79-80
• 參考文獻(xiàn)80-84
• 致謝84-85
• 攻讀碩士學(xué)位期間的科研成果85

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 張賢達(dá),保錚;盲信號(hào)分離[J];電子學(xué)報(bào);2001年S1期

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

3 趙禮翔;劉國(guó)慶;;基于Givens變換矩陣的時(shí)間結(jié)構(gòu)信號(hào)盲源分離新算法[J];計(jì)算機(jī)科學(xué);2014年12期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

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

，

本文編號(hào)：703140