本文關(guān)鍵詞：優(yōu)化加權(quán)因子的自然梯度算法設(shè)計(jì)及研究

  更多相關(guān)文章： 盲源分離 自然梯度 組合系統(tǒng) 加權(quán)因子 動(dòng)量因子

【摘要】：長(zhǎng)期以來(lái),盲源分離問(wèn)題都是信號(hào)處理領(lǐng)域的研究熱點(diǎn)。盲源分離理論的實(shí)質(zhì)就是利用接收器接收到的混合信號(hào)來(lái)實(shí)現(xiàn)對(duì)源信號(hào)的分離。由于分離過(guò)程中的諸多未知因素,因此經(jīng)過(guò)盲分離處理后所得到的分離信號(hào)實(shí)際上是源信號(hào)的估計(jì)值。盲源分離技術(shù)在很多領(lǐng)域都有著廣泛的運(yùn)用,如生物醫(yī)學(xué)、圖像處理、雷達(dá)定位、通信傳輸以及地震勘探等領(lǐng)域。本文針對(duì)自然梯度組合型算法,提出了優(yōu)化其加權(quán)因子的改進(jìn)策略。加權(quán)因子可以實(shí)時(shí)地調(diào)整各子分離系統(tǒng)在整個(gè)系統(tǒng)中的比重,進(jìn)而影響算法的收斂速度以及穩(wěn)態(tài)誤差。本文提出的該改進(jìn)策略,不但使加權(quán)因子突破了傳統(tǒng)組合算法中加權(quán)因子的取值必須介于[0,1]之間的限制,而且明顯地提高了算法的收斂速度,并降低了算法收斂時(shí)的穩(wěn)態(tài)誤差。全文具體工作主要包括三部分:首先,介紹盲源分離問(wèn)題的基本理論,包括:研究背景、發(fā)展過(guò)程以及國(guó)內(nèi)外取得的相關(guān)進(jìn)展;盲源分離的數(shù)學(xué)模型、分類(lèi)以及預(yù)處理;盲源分離算法,尤其是自適應(yīng)算法;并給出了評(píng)價(jià)盲源分離算法分離性能的指標(biāo)。其次,深入研究盲源分離算法中的自然梯度算法的基本原理,包括:自然梯度算法以及動(dòng)量項(xiàng)自然梯度算法。針對(duì)自然梯度算法收斂速度緩慢的不足,融入動(dòng)量項(xiàng)技術(shù),可以有效地提高算法的收斂速度。通過(guò)MATLAB仿真實(shí)驗(yàn),分析自然梯度算法和動(dòng)量項(xiàng)自然梯度算法的分離性能,發(fā)現(xiàn)后者的收斂速度較前者得到有效改善,但穩(wěn)態(tài)誤差較前者沒(méi)有減弱,甚至略有惡化。最后,針對(duì)動(dòng)量項(xiàng)自然梯度算法中穩(wěn)態(tài)誤差?lèi)夯娜毕?可采用傳統(tǒng)的動(dòng)量項(xiàng)自然梯度算法的組合型盲源分離系統(tǒng)(由兩個(gè)子分離系統(tǒng)組成)來(lái)解決;但是由于該系統(tǒng)中的加權(quán)因子的取值必須介于[0,1]之間,從而導(dǎo)致該組合系統(tǒng)的算法僅僅維持了動(dòng)量項(xiàng)自然梯度算法的穩(wěn)態(tài)性能;于是本文提出一個(gè)新的組合型盲源分離系統(tǒng)結(jié)構(gòu),并借助動(dòng)量因子的取值特點(diǎn),同時(shí)提出新的優(yōu)化加權(quán)因子的動(dòng)量項(xiàng)自然梯度算法。MATLAB仿真實(shí)驗(yàn)最終驗(yàn)證,本文所提出的新算法無(wú)論是收斂速度還是穩(wěn)態(tài)誤差性能均優(yōu)于傳統(tǒng)的組合型動(dòng)量項(xiàng)自然梯度算法。
【關(guān)鍵詞】：盲源分離 自然梯度 組合系統(tǒng) 加權(quán)因子 動(dòng)量因子
【學(xué)位授予單位】：煙臺(tái)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TN911.7
【目錄】：

• 摘要3-4
• Abstract4-8
• 1 緒論8-17
• 1.1 盲源分離問(wèn)題概述8-9
• 1.2 盲源分離的歷史進(jìn)程9-10
• 1.3 盲源分離理論的應(yīng)用10-15
• 1.4 論文主要工作及內(nèi)容安排15-17
• 2 盲源分離的基本理論17-32
• 2.1 盲源分離問(wèn)題的數(shù)學(xué)建模17-22
• 2.1.1 線性瞬時(shí)混合模型18
• 2.1.2 非線性瞬時(shí)混合模型18-19
• 2.1.3 卷積混合模型19-20
• 2.1.4 盲源分離的前提及其不確定性20-22
• 2.2 盲源分離問(wèn)題的分類(lèi)22-23
• 2.2.1 線性混合與非線性混合22
• 2.2.2 單通道與多通道22
• 2.2.3 批處理算法與自適應(yīng)算法22-23
• 2.3 盲源分離算法的基本原理23-28
• 2.3.1 非高斯性極大化23-25
• 2.3.2 互信息最小化判定25-26
• 2.3.3 影響盲源分離性能的指標(biāo)26-28
• 2.4 盲源分離算法的預(yù)處理28-29
• 2.4.1 零均值化28
• 2.4.2 白化28-29
• 2.5 盲源分離算法的性能評(píng)價(jià)準(zhǔn)則29-31
• 2.5.1 基于估計(jì)信號(hào)的評(píng)價(jià)準(zhǔn)則29-30
• 2.5.2 分離性能指標(biāo)30-31
• 2.6 本章小結(jié)31-32
• 3 動(dòng)量項(xiàng)自然梯度算法32-38
• 3.1 自然梯度算法32-35
• 3.2 動(dòng)量項(xiàng)自然梯度算法35-36
• 3.3 仿真性能分析36-37
• 3.4 本章小結(jié)37-38
• 4 優(yōu)化加權(quán)因子的動(dòng)量項(xiàng)自然梯度算法38-52
• 4.1 組合型動(dòng)量項(xiàng)自然梯度算法38-42
• 4.1.1 基本結(jié)構(gòu)38-39
• 4.1.2 算法原理39-40
• 4.1.3 仿真性能分析40-42
• 4.2 加權(quán)因子對(duì)算法的影響42-44
• 4.3 優(yōu)化加權(quán)因子的動(dòng)量項(xiàng)自然梯度算法44-46
• 4.3.1 改進(jìn)系統(tǒng)結(jié)構(gòu)44-45
• 4.3.2 優(yōu)化組合因子45-46
• 4.3.3 設(shè)計(jì)算法流程46
• 4.4 仿真性能分析46-51
• 4.4.1 分離性能46-48
• 4.4.2 收斂性能48-49
• 4.4.3 加權(quán)性能49-50
• 4.4.4 與現(xiàn)有算法的比較50-51
• 4.5 本章小結(jié)51-52
• 5 總結(jié)與展望52-54
• 5.1 總結(jié)52
• 5.2 展望52-54
• 參考文獻(xiàn)54-58
• 致謝58-59
• 附錄 攻讀碩士期間發(fā)表及錄用的學(xué)術(shù)論文59-60

，

本文編號(hào)：608932