欠定盲源分离的混合矩阵估计方法研究
发布时间：2020-12-17 00:04
盲源分离（Blind Source Separation,BSS）是指在源信号、传输通道特性未知的情形下,只根据观测信号和源信号的一些先验知识分离出源信号的过程。盲源分离因其强大的信息处理能力而被广泛应用于生物医学系统、语音、图像处理等领域。而观测信号个数小于源信号个数的欠定盲源分离模型更具有一般性,也更具有研究意义。根据源信号的稀疏特性,采用基于稀疏分量分析（Sparse Component Analysis,SCA）的“两步法”成为当前解决欠定盲源分离问题的主流方法。第一步,对观测信号采用聚类方法来获得混合矩阵的估计;第二步,根据估计混合矩阵分离提取出源信号。本文在对国内外研究现状深入分析的基础之上,研究了瞬时线性混合欠定盲源分离模型混合矩阵的估计方法。本文主要工作和创新点如下:首先,提出了基于改进蜂群算法的混合矩阵估计方法。为了平衡人工蜂群（Artificial Bee Colony,ABC）算法的种群多样性和收敛速度,本文根据观测信号的线性聚类特点,对ABC算法中的雇佣蜂采用了确定和随机相结合的搜索策略;针对ABC算法开发能力的不足,本文引入基于Levy飞行的局部搜索策略,进一...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
拉普拉斯概率密度曲线图
图 2.1 拉普拉斯概率密度曲线图地，稀疏信号就是信号在绝大多数采样点取值为零或者几乎为点具有较大的幅值。自然界中的信号一般都具有稀疏性，即使疏性，在变换域中也会有稀疏性，变换域取决于变换方式。常里叶变换（Short-Time Flourier Transform,STFT）、小波变换）、离散余弦变换（Discrete Cosine Transform，DCT）、Gabo表现为少数的系数上集中了大多数能量。
(a)时域观测信号 (b)时频域观测信号六路笛声信号经过欠定盲混合系统的两路观测信号的时域散点图如图 2.3(a所示，经过 STFT 变换处理之后的时频域散点图如图 2.3(b)所示。显而易见，观测信号采样点呈圆形散落在时域空间内，且中间部分密度很大，边缘部分密度很小，完全不能体现信号的线性聚类特征。观测信号呈直线散落在时频域空间内，可以清楚的观察到表征六路源信号的六条直线，采样点密度随着与原点距离的增大而减小，信号的稀疏性得到增强。2.3 混合矩阵估计方法聚类分析旨在数据集中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。聚类的数学描述为：对于给定的样本集合 1 2, , ,nx x x x，其中 1,2, , ix i n为集合中采样点，根据采样点间的相似度将样本集x划分成类别子集 1 2, , kC C C 。满足：k图 2.3 观测信号的散点图
本文编号：2921033
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
拉普拉斯概率密度曲线图
图 2.1 拉普拉斯概率密度曲线图地，稀疏信号就是信号在绝大多数采样点取值为零或者几乎为点具有较大的幅值。自然界中的信号一般都具有稀疏性，即使疏性，在变换域中也会有稀疏性，变换域取决于变换方式。常里叶变换（Short-Time Flourier Transform,STFT）、小波变换）、离散余弦变换（Discrete Cosine Transform，DCT）、Gabo表现为少数的系数上集中了大多数能量。
(a)时域观测信号 (b)时频域观测信号六路笛声信号经过欠定盲混合系统的两路观测信号的时域散点图如图 2.3(a所示，经过 STFT 变换处理之后的时频域散点图如图 2.3(b)所示。显而易见，观测信号采样点呈圆形散落在时域空间内，且中间部分密度很大，边缘部分密度很小，完全不能体现信号的线性聚类特征。观测信号呈直线散落在时频域空间内，可以清楚的观察到表征六路源信号的六条直线，采样点密度随着与原点距离的增大而减小，信号的稀疏性得到增强。2.3 混合矩阵估计方法聚类分析旨在数据集中发现数据对象之间的关系，将数据进行分组，组内的相似性越大，组间的差别越大，则聚类效果越好。聚类的数学描述为：对于给定的样本集合 1 2, , ,nx x x x，其中 1,2, , ix i n为集合中采样点，根据采样点间的相似度将样本集x划分成类别子集 1 2, , kC C C 。满足：k图 2.3 观测信号的散点图
本文编号：2921033
本文链接：https://www.wllwen.com/kejilunwen/wltx/2921033.html
