单通道时频域重叠信号盲分离算法研究

发布时间：2017-10-21 07:20

  本文关键词：单通道时频域重叠信号盲分离算法研究

  更多相关文章： 单通道盲分离 无线超宽带通信信号 最小值搜索算法 遗传算法

【摘要】：随着电磁环境日益复杂,无线通信技术的快速发展及广泛应用,单个数目天线接收多个信号的情况也日益普遍,因此研究单通道时频重叠混合信号盲分离问题具有重要的价值与意义。为了解决无线超宽带通信信号的单通道时频域重叠信号的盲分离问题,本文提出了两种分离算法,并经过仿真实验验证了这两种算法的有效性。仿真实验结果显示,这两种算法估计精度高,收敛速度快,且不受初始点选取的影响。1、根据信号的特性建立了信号模型,在忽略多径衰落的情况下,将盲分离问题转化为一个多维变量参数估计问题。2、一种基于遗传算法的最小值估计算法。根据目标函数的多峰值特性,采用遗传算法的全局搜索得到最小值搜索算法的初始点,然后利用最小值搜索算法以其初始点进行局部强化搜索,估计出这个多维变量的各个参数值,然后恢复出各个源信号。仿真结果表明,该算法能精确的估计出各个参数,进而能有效地分离出各个源信号。3、一种带预估计的混合遗传算法与最小值算法。由于模型中参数P和t0的估计准确度对整个算法的收敛有重要影响,这里提出一种对其进行预估计来提高收敛速度的算法。根据信号本身的特性,对时宽参数P和时域中心t0进行预估计；利用遗传算法的全局搜索获得最小值搜索算法的初始点；利用最小值搜索算法以其初始点进行局部强化搜索,估计出这个多维变量的各个参数值；最后用已估计出的参数恢复出各个正弦调制的高斯脉冲信号。仿真结果表明,该算法不受选取的初值的影响,不仅参数估计精确而且收敛速度加快。
【关键词】：单通道盲分离 无线超宽带通信信号 最小值搜索算法 遗传算法
【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】：2016
【分类号】：TN911.7
【目录】：

• 摘要5-6
• Abstract6-8
• 第一章 绪论8-14
• 1.1 研究背景及意义8-10
• 1.2 国内外研究现状10-11
• 1.3 本文的主要工作和各章节内容安排11-14
• 1.3.1 论文主要工作11-12
• 1.3.2 各章节内容安排12-14
• 第二章 信号模型的建立及其分离方法14-35
• 2.1 建立信号的模型14
• 2.2 单通道盲分离的可分离性14-15
• 2.3 常用的两种多通道盲分离方法15-23
• 2.3.1 独立分量分析解决上述模型的多通道盲分离问题15-19
• 2.3.2 基于时频分布盲分离方法解决该模型的多通道盲分离问题19-23
• 2.4 虚拟多通道理论23-29
• 2.4.1 空时法23
• 2.4.2 时频域分解法23-29
• 2.5 虚拟通道分离方法29-34
• 2.5.1 EMD-ICA算法和EMD-TFBSS29-32
• 2.5.2 相空间重构-ICA和相空间重构-TFBSS32-34
• 2.6 本章小结34-35
• 第三章 基于遗传与最小值搜索混合的盲信号分离算法35-52
• 3.1 转化成多维变量参数估计问题35-36
• 3.2 分离方法理论及流程图36-43
• 3.2.1 Nelder-Mead搜索算法36-39
• 3.2.2 遗传算法理论39-43
• 3.3 分离方法步骤43-44
• 3.3.1 用遗传算法求λ的初始值43
• 3.3.2 采用最小值搜索法求出λ的最优值43-44
• 3.3.3 计算各个源信号44
• 3.4 仿真实验及结果44-51
• 3.4.1 一个信号分量的分离45-47
• 3.4.2 两个信号的盲分离47-49
• 3.4.3 多个信号分量的分离49-51
• 3.5 本章小结51-52
• 第四章 带预估计的混合盲分离算法52-64
• 4.1 分离方法步骤52-54
• 4.1.1 根据信号的特性预估计P和t_052-53
• 4.1.2 计算λ的初始值53-54
• 4.1.3 计算λ的最优值54
• 4.1.4 计算各个正弦调制高斯脉冲信号54
• 4.2 算法流程图54-55
• 4.3 仿真实验及讨论55-62
• 4.3.1 单个信号分量的分离55-56
• 4.3.2 两个信号分量的分离56-60
• 4.3.3 多个信号分量的分离60-62
• 4.4 本章小结62-64
• 第五章 总结与展望64-66
• 5.1 总结64-65
• 5.2 工作展望65-66
• 参考文献66-72
• 攻读硕士期间发表的论文72-73
• 致谢73-74
• 作者简介74

【相似文献】

中国期刊全文数据库 前10条

1 陈创新;;基于协方差矩阵的自适应盲分离算法[J];中山大学学报(自然科学版);2005年06期

2 李立峰,刘会龙;基于独立分量分析的等变化自适应盲分离算法[J];无线电通信技术;2005年02期

3 傅予力;谢胜利;;一种基于改进罚函数的盲分离算法[J];移动通信;2006年09期

4 王振力;白志强;;一种新的卷积混合信号的盲分离算法[J];数据采集与处理;2008年05期

5 张朝柱;李惠;;一种基于稳定分布模型的非线性盲分离算法[J];黑龙江大学自然科学学报;2010年01期

6 章林柯;江涌;何琳;崔立林;;均匀度估计的噪声源盲分离算法研究[J];声学学报;2012年02期

7 汪增福;刘庆文;;基于前馈网络的盲分离算法[J];模式识别与人工智能;2001年03期

8 鞠昆汝,林家骏;幂函数的稳定性和有效性在盲分离算法中的应用[J];仪器仪表用户;2005年03期

9 虞闯;王坤;;基于自然梯度的盲分离算法混合气体分析[J];传感器世界;2008年07期

10 谢胜利,章晋龙;基于旋转变换的最小互信息量盲分离算法[J];电子学报;2002年05期

中国重要会议论文全文数据库 前9条

1 史晓非;王宪峰;黄耀P;刘人杰;;一种盲分离算法在图像分离中的应用[A];中国航海学会通信导航专业委员会2004学术年会论文集[C];2004年

2 杨坤德;马远良;史仪凯;;任意信号源盲分离算法性能研究[A];中国声学学会2003年青年学术会议[CYCA'03]论文集[C];2003年

3 马守科;何选森;;一种改进的变步长在线盲分离算法[A];2006通信理论与技术新进展——第十一届全国青年通信学术会议论文集[C];2006年

4 陈晋央;吴瑛;;基于独立分量分析的通信信号盲分离算法研究[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

5 高莉;黄力宇;;基于最大熵盲分离算法的脑电消噪方法[A];2007'仪表，自动化及先进集成技术大会论文集（二）[C];2007年

6 傅予力;何昭水;谢胜利;;信号的规范高阶累积量以及高阶累积量盲分离算法[A];第二十四届中国控制会议论文集（上册）[C];2005年

7 张安清;章新华;;基于最大熵的水声信号盲分离算法[A];2001年全国水声学学术会议论文集[C];2001年

8 徐桂芳;陈莹莹;徐晋;;SHIBBS盲分离算法失效性分析[A];2010年西南三省一市自动化与仪器仪表学术年会论文集[C];2010年

9 王凯旋;袁大钧;刘静微;;基于联合对角化的卷积混合语音频域盲分离算法[A];中国通信学会通信建设工程技术委员会2010年年会论文集[C];2010年

中国博士学位论文全文数据库 前4条

1 张明键;盲分离算法的研究[D];华南理工大学;2004年

2 张华;基于联合（块）对角化的盲分离算法的研究[D];西安电子科技大学;2010年

3 杨柳;基于系统模型的盲分离算法研究[D];华南理工大学;2013年

4 孟强;基于单通道盲分离算法的大型风电机组早期机械故障诊断[D];沈阳工业大学;2013年

中国硕士学位论文全文数据库 前10条

1 谷千伟;盲分离算法在高速列车监测数据分析中的应用[D];西南交通大学;2015年

2 杨硕;含噪声音信号盲分离算法的研究[D];甘肃农业大学;2015年

3 郭一鸣;PCMA信号盲解调关键技术研究[D];解放军信息工程大学;2015年

4 熊涛;同频混合信号单通道盲分离关键技术研究[D];解放军信息工程大学;2015年

5 宁晓鹏;基于时频分析的跳频信号盲分离算法研究[D];哈尔滨工业大学;2016年

6 支亚京;单通道时频域重叠信号盲分离算法研究[D];南京信息工程大学;2016年

7 刘沛;PCMA信号盲分离算法研究及实现[D];电子科技大学;2016年

8 朱琳;基于独立分量分析的变步长自适应盲分离算法[D];华中科技大学;2008年

9 刘燕青;基于高阶统计量的自适应盲分离算法研究[D];西北工业大学;2003年

10 朱丽敏;基于独立分量分析的盲分离算法研究[D];新疆大学;2008年

，

本文编号：1071993