盲信號分離技術(shù)一直是現(xiàn)代信號處理領(lǐng)域的主要組成之一。傳統(tǒng)的盲分離研究主要集中在語音、圖像、生物醫(yī)學(xué)等信號的處理上,相應(yīng)的盲分離算法不能直接適用于調(diào)制信號。目前盲分離算法大多是在源信號數(shù)目已知的條件下實(shí)現(xiàn)的,而在實(shí)際中源信號數(shù)目通常是未知的,因此在盲分離前需要先對信源數(shù)進(jìn)行估計(jì)。隨著計(jì)算機(jī)性能的快速提高,深度學(xué)習(xí)技術(shù)被成功地應(yīng)用在通信、圖像、語音等領(lǐng)域�；谏疃葘W(xué)習(xí)對大數(shù)據(jù)中特征信息的自動提取能力,本文將深度學(xué)習(xí)的方法應(yīng)用于信源數(shù)估計(jì)與調(diào)制信號盲分離等方面,所作研究內(nèi)容歸納如下:1)由于當(dāng)前深度學(xué)習(xí)架構(gòu)以及優(yōu)化算法存在不能有效地學(xué)習(xí)復(fù)數(shù)基帶信號特征信息的問題,本文建立了一種三維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),來實(shí)現(xiàn)對復(fù)數(shù)基帶信號的特征學(xué)習(xí)。該架構(gòu)利用三維卷積層綜合學(xué)習(xí)輸入的多路復(fù)數(shù)信號的實(shí)部和虛部特征信息,根據(jù)運(yùn)算規(guī)則重構(gòu)獲得輸出,完成了對多路復(fù)數(shù)映射的學(xué)習(xí)。相較于目前其他的解決方法,該架構(gòu)實(shí)現(xiàn)簡單,能夠有效實(shí)現(xiàn)對復(fù)數(shù)映射的學(xué)習(xí),還避免了激活函數(shù)、優(yōu)化算法等在復(fù)數(shù)域不能獲得理論支撐的問題。2)分析了信源數(shù)估計(jì)的傳統(tǒng)方法,設(shè)計(jì)了一種由三維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和全連接層串聯(lián)構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)。本文通過仿真實(shí)驗(yàn)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

線性瞬時混合盲分離原理

第二章盲分離基礎(chǔ)理論以及深度學(xué)習(xí)基礎(chǔ)概論9每個源信號的延遲也是不一樣的，源信號和傳感器的相對位置和信號在空間中的傳播速度決定了延遲的多少；而且傳感器接收到的觀測信號是源信號通過多徑傳播獲得的，是源信號各個延遲值的線性組合。如多輸入多輸出系統(tǒng)（MIMO）中，源信號受到阻擋物和復(fù)雜環(huán)境的影響產(chǎn)生多徑衰落，接收到的信號則可能是由許多不同的源信號的延遲信號組成的。假設(shè)有M維相互獨(dú)立的源信號()ist，i[1,2,,M]，通過卷積混合后接收傳感器觀測到N維觀測信號()jxt，j[1,2,,N]，其數(shù)學(xué)建模的表達(dá)式為：11()()()()()τττMMjjiijjiijiixtastntastnt(2-6)其中，是卷積符號，jiτa代表源信號第i個分量到達(dá)第j個接收傳感器的系統(tǒng)沖激響應(yīng)。為了方便表示，式(2-6)的向量形式表示為：()()()τττxtAstnt(2-7)其中，τA為混合濾波矩陣，當(dāng)τ0時，該模型就退化為瞬時混合模型。由于卷積混合模型比較特殊，在Z域中更能方便表示，則卷積混合模型的Z域表達(dá)式為：X()A()S()+N()(2-8)其中，X()D8μ，S()°6分別是x(t)和s(t)的Z變換，A()D8μ為Z域的卷積混合矩陣。卷積混合信號盲分離是尋找一個分離濾波器W，使得輸出信號為：()()llytWxtl(2-9)其中，y(t)為源信號s(t)的估計(jì)，則式(2-9)在Z域的表達(dá)式為：Y()W()X()°W(2-10)卷積混合信號模型的盲分離原理如圖2-2所示：圖2-2卷積混合信號盲分離原理圖

第二章盲分離基礎(chǔ)理論以及深度學(xué)習(xí)基礎(chǔ)概論11通常取α1。Gaussy是零均值，單位方差的高斯隨機(jī)向量。對目標(biāo)函數(shù)進(jìn)行優(yōu)化時，F(xiàn)astICA采用了固定點(diǎn)算法，其推導(dǎo)如下。根據(jù)Kuhn-Tucker條件，在T22E[(Wx)]|W|1的約束下，E[G(WTx)]的最優(yōu)值通過求導(dǎo)得到：TE[xg(Wx)]βW0(2-14)其中，函數(shù)g()是G()的導(dǎo)數(shù)，β為常數(shù)，TT00βE[Wxg(Wx)]，0W是W優(yōu)化后的值。用F(W)表示式(2-14)左邊的函數(shù)，可得到F(W)的Jacobian矩陣為：TTJF(W)E[xxg(Wx)]βI(2-15)對數(shù)據(jù)進(jìn)行球化，TE[xx]I，所以，近似有：TTTTT[()][][()][()]ExxgWxExxEgWxEgWxI(2-16)將式(2-16)代入式(2-15)，采用牛頓迭代法求解，得到迭代公式為：T1T[()][()]ββkkkkkEgEgxWxWWWWx(2-17)其中，k1W是kW的新值。對式(2-17)化簡，并進(jìn)行歸一化處理得到FastICA的迭代公式：TT11111[()][()]||||kkkkkkkWExgWxEgWxWWWW(2-18)綜上所述，F(xiàn)astICA的盲分離過程如下圖所示。圖2-3FastICA算法流程圖根據(jù)圖2-3，提取多個源信號的FastICA算法步驟如下：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的信源數(shù)估計(jì)方法[J]. 麻凱利,王川川.  航天電子對抗. 2019(03)
[2]基于前饋神經(jīng)網(wǎng)絡(luò)的非合作PCMA信號盲分離算法[J]. 郭一鳴,彭華,楊勇.  電子學(xué)報(bào). 2019(02)
[3]利用隨機(jī)矩陣?yán)碚摰腗DL信源數(shù)估計(jì)算法[J]. 艾健健,劉成城,趙擁軍.  信號處理. 2015(02)
[4]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[5]盲信號分離技術(shù)綜述[J]. 胡婧,張更新,熊綱要.  數(shù)字通信世界. 2010(04)
[6]盲信號分離技術(shù)研究與算法綜述[J]. 周治宇,陳豪.  計(jì)算機(jī)科學(xué). 2009(10)
[7]蓋氏圓準(zhǔn)則信源數(shù)估計(jì)算法的分析與改進(jìn)[J]. 胡雋.  系統(tǒng)工程理論與實(shí)踐. 2007(10)
[8]信源數(shù)目未知和動態(tài)變化時的盲信號分離[J]. 冶繼民,張賢達(dá),朱孝龍.  中國科學(xué)E輯:信息科學(xué). 2005(12)
[9]基于遞歸神經(jīng)網(wǎng)絡(luò)的信息理論盲源分離準(zhǔn)則[J]. 劉琚,聶開寶,李道真,何振亞.  電路與系統(tǒng)學(xué)報(bào). 2001(01)
[10]基于FIR神經(jīng)網(wǎng)絡(luò)的非線性盲信號分離[J]. 虞曉,胡光銳.  上海交通大學(xué)學(xué)報(bào). 1999(09)



本文編號：3239924