基于独立分量分析的盲源分离算法优化研究

发布时间：2017-08-19 22:01

  本文关键词：基于独立分量分析的盲源分离算法优化研究

  更多相关文章： 盲源分离 独立分量分析 线性瞬时混合 线性卷积混合 动量项 人工蜂群

【摘要】：盲源分离技术是上世纪九十年代在信息与信号处理领域兴起的一个比较热门的研究方向,该技术主要解决的是在源信号和信号传输的混合系统的先验知识完全未知或者仅知道少数的情况下,根据源信号的统计特性,仅仅由接收到的混合信号分离出各个源信号。如今,独立分量分析方法是解决盲源分离问题的最有效的方法之一,它也是随着盲源分离技术发展起来的一种信号处理方法,主要是从混合的数据中提取出源信号。盲源分离技术可以广泛地应用在语音信号处理、医疗信号处理、图像处理、无线通信、地震信号勘测等方面,对当今社会而言具有很重要的实践价值。本文主要在基于独立分量分析方法的基础上,对盲源分离技术中算法的收敛速度以及信号的分离性能作了一定的优化研究,并通过语音信号验证算法的有效性。本文研究内容包括以下几个方面：(1).首先详细阐述了盲源分离问题的基础理论,包括根据不同的混合方式对盲源分离问题进行分类以及在线性条件下的瞬时混合以及卷积混合的数学模型建立,独立分量分析方法中一些符合现实情况的约束条件,信号的预处理过程,基于独立分量分析方法的不同分离准则的代价函数以及对算法分离性能的评判标准。(2).针对盲源分离算法中收敛速度与分离性能存在矛盾这一问题,提出了一种改进分离性能指标的自适应盲源分离算法,其中包括对传统的自适应的盲源分离算法的结构作出了一定的改进,定义了一个新的分离性能指标参数,并以这个新的参数作为自变量,引进一个瑞利分布函数来控制算法的步长因子,将改进后的结构结合自然梯度算法以及EASI算法进行仿真实验,实验表明改进后的算法比传统的分离算法具有更快的收敛速度以及更好的分离性能。(3).针对自然梯度算法中计算量大的问题,引入一个符号函数,将自然梯度盲分离算法改进为符号梯度盲分离算法,并通过研究神经网络,借鉴神经网络中的动量项思想,将它引进到盲源分离算法中来,重新构造了盲分离算法的更新公式,提出了融合动量项的符号自然梯度盲分离算法,并对改进后的算法进行了仿真实验,通过比较不同的动量项步长因子,对算法性能进行分析。(4).针对算法的收敛速度以及分离性能存在矛盾问题,将人工蜂群算法引入到盲源分离中来,使用人工蜂群算法对初始分离矩阵进行优化,并对人工蜂群算法进行研究,改进了该算法中在跟随蜂阶段的食物搜索方式,引入一个遗忘因子和邻域因子,使得人工蜂群算法具有更好的搜索性能,通过峭度函数将改进的人工蜂群算法与盲源分离技术结合起来,仿真结果表明,改进后的算法能够显著加快盲源分离的收敛速度,并保持较小的分离性能指标值,在一定程度上解决了收敛速度与分离性能指标值的矛盾问题。(5).针对更符合现实情况的卷积混合的盲源分离问题进行研究,首先将基于负熵最大化的快速独立分量分析方法进行改进,将传统具有二阶收敛速度牛顿迭代的形式修正为三阶,并将其应用于快速独立分量分析方法中来,得到新的盲源分离更新公式,对卷积混合的信号进行处理,使得改进的算法可以在时域中将卷积混合信号分离出来。将改进后的算法分别在瞬时混合和卷积混合情况下进行仿真实验并对实验结果进行分析。
【关键词】：盲源分离 独立分量分析 线性瞬时混合 线性卷积混合 动量项 人工蜂群
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN911.7
【目录】：

• 摘要6-8
• Abstract8-10
• 符号与缩写含义清单10-12
• 第一章 绪论12-18
• 1.1、研究目的及意义12-13
• 1.2、盲源分离技术国内外研究现状13-15
• 1.3、研究内容15-18
• 第二章 盲源分离的基础理论18-28
• 2.1. 盲源分离的数学模型18-21
• 2.1.1 线性瞬时混叠模型18-19
• 2.1.2 线性卷积混叠模型19-21
• 2.2 盲源分离的约束条件21
• 2.3 信号的预处理21-23
• 2.3.1 去均值21
• 2.3.2 白化21-23
• 2.4 盲分离的主要分离准则23-26
• 2.4.1 最小互信息准则23-24
• 2.4.2 信息传输最大化或负熵最大化24-25
• 2.4.3 最大似然准则25-26
• 2.5 盲源分离算法的评价准则26-27
• 2.6 本章小结27-28
• 第三章 基于改进分离性能指标的自适应盲源分离算法28-45
• 3.1 常见的自适应盲源分离算法28-34
• 3.1.1 基于自然梯度的盲源分离算法28-32
• 3.1.2 EASI算法32-34
• 3.2 基于改进分离性能指标参数盲源分离算法34-37
• 3.2.1 改进的系统结构34-35
• 3.2.2 改进的分离性能指标参数35-37
• 3.3 基于改进分离性能指标参数自然梯度盲分离算法37-40
• 3.3.1 算法仿真实验及性能分析38-40
• 3.4 基于改进分离性能指标参数EASI盲分离算法40-44
• 3.4.1 算法仿真实验及性能分析41-44
• 3.5 本章小结44-45
• 第四章 基于融合动量项的符号梯度盲源分离算法45-53
• 4.1 符号梯度盲源分离算法45-49
• 4.1.1 符号自然梯度算法原理45-47
• 4.1.2 仿真实验与算法性能分析47-49
• 4.2 融合动量项的符号自然梯度算法49-51
• 4.2.1 融合动量项的符号自然梯度算法原理49-50
• 4.2.2 仿真实验与性能分析50-51
• 4.3 本章小结51-53
• 第五章 基于改进人工蜂群的盲分离算法53-68
• 5.1 人工蜂群算法53-59
• 5.1.1 人工蜂群算法生物学描述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 改进的人工蜂群算法57-58
• 5.1.5 人工蜂群算法仿真结果与分析58-59
• 5.2 基于改进蜂群算法的盲源分离算法59-64
• 5.2.1 基于改进蜂群算法的盲源分离算法原理59-60
• 5.2.2 吉文斯旋转矩阵60-62
• 5.2.3 基于改进蜂群算法的盲源分离算法流程62-64
• 5.3 仿真实验及性能分析64-66
• 5.4 本章小结66-68
• 第六章 基于改进FastICA的卷积盲源分离算法68-78
• 6.1 在瞬时混合下FastICA算法68-72
• 6.1.1 传统的FastICA算法68-70
• 6.1.2 改进的FastICA算法70-71
• 6.1.3 仿真实验与性能分析71-72
• 6.2 时域中的卷积混合信号分离72-75
• 6.2.1 分离信号算法原理72-74
• 6.2.2 分离信号的流程74-75
• 6.3 算法仿真及性能分析75-76
• 6.4 本章小结76-78
• 第七章 总结与展望78-80
• 7.1 本文总结78-79
• 7.2 展望79-80
• 参考文献80-84
• 致谢84-85
• 攻读硕士学位期间的科研成果85

【参考文献】

中国期刊全文数据库 前3条

1 张贤达,保铮;盲信号分离[J];电子学报;2001年S1期

2 黄华;;一种改进型的人工蜂群算法在云计算的资源分配中的研究[J];科技通报;2013年05期

3 赵礼翔;刘国庆;;基于Givens变换矩阵的时间结构信号盲源分离新算法[J];计算机科学;2014年12期

中国硕士学位论文全文数据库 前1条

1 李杰;盲信号分离的优化技术研究[D];南京信息工程大学;2011年

，

本文编号：703140