基于随机信号的单通道盲源分离研究

发布时间：2017-07-05 19:03

  本文关键词：基于随机信号的单通道盲源分离研究

  更多相关文章： 单通道盲源分离 随机信号 总体经验模态分解 主成分分析 独立成分分析 独立向量分析

【摘要】：盲源分离(Blind Source Separation,BSS)是指在源信号和混合模型未知的情况下,根据接收到的混合信号的特征,还原出各路源信号的过程。随着科学研究的深入和工程应用的发展,在生物医学检测,语音信号识别,机械故障诊断,无线频谱检测等方面都有涉及信号的盲源分离技术。其中,单通道盲源分离(Single Channel Blind Source Separation,SCBSS)是欠定盲源分离的一种极端形式,即仅根据观测到的单路混合信号,恢复出多路源信号,是盲源分离的热点和难点。本文针对随机信号的单通道盲源分离进行研究,主要内容有以下几个方面:1、提出一种新的盲源分离方法。通过经验模态分解(EEMD)将接收到的混合信号分解为多路本征模态函数(IMFs),提出一种改进的主成分分析法(PCA),对多路本征模态函数提取主元,进行二次降维,再采用独立成分分析(ICA)完成随机信号的盲源分离。最后通过实验对比此方法和EEMD-PCA-ICA法,EEMD-ICA法的分离效果,验证本文提出的算法的有效性。2、针对随机信号中典型的周期平稳随机信号和非平稳随机信号这两类随机信号,利用“EEMD-PCA-ICA”与“EEMD-改进PCA-ICA”两种方法进行单通道盲源分离,通过实验数据进一步研究对比两种方法对不同随机信号盲源分离的区别和适用性。3、卷积混合信号的盲源分离的探索。提出一种适用于表面肌电信号分解的变步长的独立向量分析梯度算法,根据表面肌电信号(sEMG)的生理学特性,将独立向量分析(IVA)模型应用到卷积混合肌电信号的频域分离中,提取隐含在表面肌电信号中的运动单位动作电位成分,并分析比较该方法与独立成分分析方法的分解性能。
【关键词】：单通道盲源分离 随机信号 总体经验模态分解 主成分分析 独立成分分析 独立向量分析
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7
【目录】：

• 中文摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-13
• 1.1 选题背景及研究意义9-10
• 1.2 单通道盲源分离研究及现状10-11
• 1.2.1 国外研究现状10-11
• 1.2.2 国内研究现状11
• 1.3 本文研究内容和论文结构11-13
• 第二章 盲源分离的基本理论13-21
• 2.1 引言13
• 2.2 盲源分离的理论介绍13-16
• 2.2.1 盲源分离的基本原理13
• 2.2.2 盲源分离分类及数学模型13-16
• 2.3 单通道盲源分离理论16-20
• 2.3.1 单通道盲源分离的基本模型16-17
• 2.3.2 分离方法17-20
• 2.3.3 算法性能评价标准20
• 2.4 总结20-21
• 第三章 一种基于二次降维的单通道盲源分离法21-33
• 3.1 引言21
• 3.2 EEMD-改进PCA-ICA算法21-28
• 3.2.1 具体算法流程图22
• 3.2.2 总体经验模态分解EEMD算法基本原理22-25
• 3.2.3 改进的主成分分析PCA25-27
• 3.2.4 快速独立成分分析算法27-28
• 3.3 仿真及分析28-32
• 3.3.1 实验仿真28-31
• 3.3.2 实验分析对比31-32
• 3.4 总结32-33
• 第四章 不同随机信号的单通道盲源分离实验及分析33-49
• 4.1 引言33-34
• 4.2 周期平稳随机信号仿真及分析34-41
• 4.2.1 正弦波与sEMG的混合信号的单通道盲源分离34-37
• 4.2.2 方波与sEMG的混合信号的单通道盲源分离37-41
• 4.3 非平稳随机信号实验仿真及分析41-48
• 4.3.1 sEMG与随机锯齿波信号的混合信号的单通道盲源分离41-44
• 4.3.2 sEMG与ECG的混合信号的单通道盲源分离44-48
• 4.4 总结分析48-49
• 第五章 卷积混合信号的盲源分离的探索49-56
• 5.1 引言49
• 5.2 卷积混合的IVA模型49-52
• 5.2.1 IVA算法原理51-52
• 5.3 仿真及分析52-54
• 5.3.1 表面肌电信号分解实验52-53
• 5.3.2 结果分析53-54
• 5.4 总结54-56
• 第六章 总结和展望56-58
• 6.1 总结56
• 6.2 展望56-58
• 参考文献58-62
• 致谢62-63
• 攻读硕士期间所发表的论文63-64

【相似文献】

中国期刊全文数据库 前10条

1 李广彪,张剑云,毛云祥;盲源分离的发展及研究现状[J];航天电子对抗;2004年06期

2 王昆;;盲源分离问题的分析研究[J];科技信息;2008年29期

3 柯维;张永祥;吕博;;基于微分进化算法的盲源分离[J];海军工程大学学报;2012年05期

4 林秋华,殷福亮;盲源分离自适应算法的统一形式[J];大连理工大学学报;2002年04期

5 刘海林;谢胜利;章晋龙;;微延迟病态卷积混叠盲源分离的可分性研究[J];计算机科学;2003年07期

6 吴微东,庄哲民;基于盲源分离的一种快速独立分量分析算法[J];汕头大学学报(自然科学版);2004年02期

7 郭松;孙云莲;;基于独立分量分析盲源分离快速算法[J];电子测量技术;2004年02期

8 丁铎,贾永强,王映民;一种基于峰度的盲源分离算法研究[J];现代电子技术;2005年14期

9 肖俊,何为伟;源信号数目大于观察信号数目情况下的盲源分离[J];现代电子技术;2005年11期

10 李广彪,张剑云,毛云祥;盲源分离中的非高斯性极大准则[J];舰船电子对抗;2005年05期

中国重要会议论文全文数据库 前10条

1 李舜酩;;转子振动信号的盲源分离研究[A];第三届全国虚拟仪器大会论文集[C];2008年

2 许林周;章新华;范文涛;;一种盲源分离后续去冗余方法[A];2009年全国水声学学术交流暨水声学分会换届改选会议论文集[C];2009年

3 韩少博;林京;吴文焘;;频域盲源分离中的一种稳健解排列模糊方法[A];中国声学学会2009年青年学术会议[CYCA’09]论文集[C];2009年

4 章林柯;何琳;江涌;;基于盲源分离的潜艇源识别信号去除干扰研究[A];第十一届船舶水下噪声学术讨论会论文集[C];2007年

5 康春玉;章新华;李军;;盲源分离与自适应滤波器结合抑制强干扰研究[A];2012'中国西部声学学术交流会论文集(Ⅱ)[C];2012年

6 周祥;樊涛;;基于盲源分离的储油罐底腐蚀混叠信号的识别与分离[A];第八届沈阳科学学术年会论文集[C];2011年

7 王颖翠;;一种基于自然梯度的卷积混合频域盲源分离算法[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年

8 许策;章新华;高成志;;源数目估计对盲源分离算法影响分析[A];2007年全国水声学学术会议论文集[C];2007年

9 成谢锋;张仲;孙夏;;一种单路混合信号的盲源分离新方法[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

10 胡增辉;朱炬波;;基于盲源分离的波达角估计[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 张良俊;欠定盲源分离算法及其应用研究[D];武汉理工大学;2015年

2 吴微;含噪盲源分离算法研究及其在水声信号中的应用[D];解放军信息工程大学;2014年

3 徐先峰;利用参量结构解盲源分离算法研究[D];西安电子科技大学;2010年

4 王尔馥;盲源分离理论及其在通信系统中的应用[D];哈尔滨工业大学;2009年

5 李昌利;盲源分离的若干算法及应用研究[D];西安电子科技大学;2010年

6 高建彬;盲源分离算法及相关理论研究[D];电子科技大学;2012年

7 郭靖;盲源分离的时频域算法研究[D];重庆大学;2012年

8 张念;盲源分离理论及其在重磁数据处理中的应用研究[D];中国地质大学;2013年

9 刘建强;非平稳环境中的盲源分离算法研究[D];西安电子科技大学;2009年

10 李灯熬;基于循环平衡理论的盲源分离算法[D];太原理工大学;2010年

中国硕士学位论文全文数据库 前10条

1 彭帆;多输入多输出系统盲源分离频域新方法的研究[D];汕头大学;2002年

2 程舒慧;动态盲源分离及其在生物医学信号处理中的应用研究[D];安徽大学;2011年

3 张政;基于独立分量分析的盲源分离算法优化研究[D];南京信息工程大学;2015年

4 高鹏;基于单通道盲源分离理论的故障特征提取技术[D];长安大学;2015年

5 姚鑫;基于EEMD的单通道盲源分离研究与应用[D];大连交通大学;2015年

6 张颖;低角雷达盲信号分离方法研究[D];河南师范大学;2015年

7 吴康锐;基于空间几何信息约束的欠定卷积盲源分离[D];南昌大学;2015年

8 李莽;盲源分离在信号探测中的应用[D];电子科技大学;2014年

9 宋继飞;噪声条件下欠定盲源分离算法研究[D];大连理工大学;2015年

10 甘一凡;基于盲源分离的车辆检测与分类技术研究[D];电子科技大学;2015年

，

本文编号：523179