基于改进自然梯度算法的盲源分离研究
发布时间：2022-01-15 18:52
盲源分离是信号处理领域中一种新发展起来的对未知混合信号分离的方法。经过几十年来不断地研究和发展,盲源分离已经成为众多学科领域研究的热门课题,具有很多潜在的应用价值,已经被广泛地应用于很多领域。二十一世纪以来,盲源分离的研究方向主要分为两个方面,一面是解决卷积混合问题和欠定问题等,另一方面是优化分离算法和提高算法的分离性能等。本文对盲源分离理论进行了深入的研究,着重研究了自然梯度算法,针对算法存在的缺陷,提出了改进的盲源分离算法。对于含噪盲源分离,通过引入动量因子对算法作进一步的改进,并结合小波去噪原理,构造了基于小波去噪和改进自然梯度的盲源分离算法。自然梯度算法是盲源分离中常用且重要的方法,具有较快的收敛速度和良好的分离性能。由于标准自然梯度算法采用的是固定步长,所以存在着收敛速度和稳态误差之间的固有矛盾,并且其码间干扰的收敛速度很慢。当步长较大时,虽然收敛速度快,但其稳态误差较大;当步长较小时,虽然稳态误差较小,但其收敛速度比较慢,不能迅速跟踪系统变化。针对上述问题,提出一种改进的自然梯度算法。首先,构造一个步长迭代更新函数,实现算法中步长的自适应选取。然后对改进算法进行Froben...
【文章来源】：湘潭大学湖南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
盲源分离原理图
盲源分离的基本原理如图 2-1 所示。图 2-1 盲源分离原理图2.1.2 盲源分离的混合模型因为信号混合的方式不同，盲源分离分为线性和非线性两种混合模型，其中线性又包括瞬时和卷积两种。所以盲源分离共三种混合模型分别是线性瞬时、线性卷积和非线性[52]。由于非线性混合模型的研究理论相对比较少，目前还不够完善，而且其混合情况也是相当的复杂，所以本文主要研究的是线性混合盲源分离模型，主要针对线性模型进行说明。（1）线性瞬时混合模型现阶段对于盲源分离的研究，基本上是以线性瞬时混合模型为基础的，所以有着重要的理论研究意义。线性瞬时是一种相对理想的盲源分离混合模型，也是盲源分离研究中较为常用的混合模型，其原理如图 2-2 所示。图 2-2 线性瞬时混合模型在图 2-2 中，n 维源信号 s (t)=[s1(t), s2(t), s3(t),…, sn(t)]T，然后通过传感器接收到 m 维观测信号 x(t)=[x1(t), x2(t), x3(t)
2,3,…,m，j=1,2,3,…,n，aij表示传输信道的混合参数。把混合参数转换为矩阵的形式，则通过式(2-4)可以得到：x (t ) As (t )(2-5)可知，理想状态下的线性瞬时混合模型忽略了噪声信号 n输系统的影响。在通常情况下，如果没有特别的说明，对盲源把噪声的影响给忽略掉了，即研究的模型都是理想化的。）线性卷积混合模型在信道传输的过程中，因为信道特性和传播速度的不同，每个信号源的时间不会全部相同，即会出现时间延迟，而且每个信到多个不同的信号源，即信号源是通过多径传输的，所以源信程中会出现多径传输和延时的情况。针对上述情况，有学者提模型[53]，该模型比较符合实际情况，其原理如图 2-3 所示。
【参考文献】：
期刊论文
[1]基于步长自适应的独立向量分析卷积盲分离算法[J]. 付卫红,张琮. 电子与信息学报. 2018(09)
[2]基于串音误差与分离度的变步长EASI盲源分离算法[J]. 李振璧,王康,姜媛媛. 计算机工程. 2017(08)
[3]带自适应动量因子的变步长盲源分离方法[J]. 张天骐,马宝泽,强幸子,全盛荣. 通信学报. 2017(03)
[4]基于分级迭代变步长的自然梯度盲源分离算法[J]. 张延良,师晨旭,张伟涛,李兴旺. 测控技术. 2017(01)
[5]变步长等变自适应盲源分离算法[J]. 陆建涛,成玮,訾艳阳,何正嘉. 西安交通大学学报. 2015(12)
[6]基于阵列接收模型的宽带盲源分离算法[J]. 熊坤来,柳征,姜文利. 系统工程与电子技术. 2014(04)
[7]一种新的自适应量子遗传算法[J]. 沙林秀,贺昱曜. 计算机工程. 2013(09)
[8]多样本变异系数比较的似然比检验[J]. 汪鹏,周怡,周基元. 中国卫生统计. 2013(03)
[9]自适应组合型盲源分离算法及其优化方案[J]. 欧世峰,高颖,赵晓晖. 电子与信息学报. 2011(05)
[10]基于平面聚类势函数法的欠定混合信号盲分离[J]. 张烨,方勇. 高技术通讯. 2010(08)
博士论文
[1]水声信号的盲源分离算法研究[D]. 陈晓屹.西北工业大学 2016
硕士论文
[1]盲源分离在雷达侦察中的应用[D]. 陈一飞.西安电子科技大学 2017
[2]基于盲源分离的设备故障音检测算法与应用[D]. 张康荣.山东大学 2016
[3]稀疏表示理论的研究及其在图像去噪中的应用[D]. 张凤.西安电子科技大学 2014
[4]基于小波变换的电能质量暂态扰动识别方法的研究[D]. 张铮.西安科技大学 2012
[5]基于盲源分离的信号处理算法研究[D]. 杨杰.内蒙古科技大学 2012
[6]基于自然梯度算法的变步长盲源分离[D]. 陈琛.太原理工大学 2012
[7]基于神经网络的盲分离技术研究及其应用[D]. 祝捷.哈尔滨工程大学 2012
[8]基于盲信号分离和阵列扩展的主动声纳目标回波信号提取[D]. 徐梁.哈尔滨工程大学 2010
[9]数字图像的盲源分离[D]. 李雪松.重庆邮电大学 2009
本文编号：3591143
【文章来源】：湘潭大学湖南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
盲源分离原理图
盲源分离的基本原理如图 2-1 所示。图 2-1 盲源分离原理图2.1.2 盲源分离的混合模型因为信号混合的方式不同，盲源分离分为线性和非线性两种混合模型，其中线性又包括瞬时和卷积两种。所以盲源分离共三种混合模型分别是线性瞬时、线性卷积和非线性[52]。由于非线性混合模型的研究理论相对比较少，目前还不够完善，而且其混合情况也是相当的复杂，所以本文主要研究的是线性混合盲源分离模型，主要针对线性模型进行说明。（1）线性瞬时混合模型现阶段对于盲源分离的研究，基本上是以线性瞬时混合模型为基础的，所以有着重要的理论研究意义。线性瞬时是一种相对理想的盲源分离混合模型，也是盲源分离研究中较为常用的混合模型，其原理如图 2-2 所示。图 2-2 线性瞬时混合模型在图 2-2 中，n 维源信号 s (t)=[s1(t), s2(t), s3(t),…, sn(t)]T，然后通过传感器接收到 m 维观测信号 x(t)=[x1(t), x2(t), x3(t)
2,3,…,m，j=1,2,3,…,n，aij表示传输信道的混合参数。把混合参数转换为矩阵的形式，则通过式(2-4)可以得到：x (t ) As (t )(2-5)可知，理想状态下的线性瞬时混合模型忽略了噪声信号 n输系统的影响。在通常情况下，如果没有特别的说明，对盲源把噪声的影响给忽略掉了，即研究的模型都是理想化的。）线性卷积混合模型在信道传输的过程中，因为信道特性和传播速度的不同，每个信号源的时间不会全部相同，即会出现时间延迟，而且每个信到多个不同的信号源，即信号源是通过多径传输的，所以源信程中会出现多径传输和延时的情况。针对上述情况，有学者提模型[53]，该模型比较符合实际情况，其原理如图 2-3 所示。
【参考文献】：
期刊论文
[1]基于步长自适应的独立向量分析卷积盲分离算法[J]. 付卫红,张琮. 电子与信息学报. 2018(09)
[2]基于串音误差与分离度的变步长EASI盲源分离算法[J]. 李振璧,王康,姜媛媛. 计算机工程. 2017(08)
[3]带自适应动量因子的变步长盲源分离方法[J]. 张天骐,马宝泽,强幸子,全盛荣. 通信学报. 2017(03)
[4]基于分级迭代变步长的自然梯度盲源分离算法[J]. 张延良,师晨旭,张伟涛,李兴旺. 测控技术. 2017(01)
[5]变步长等变自适应盲源分离算法[J]. 陆建涛,成玮,訾艳阳,何正嘉. 西安交通大学学报. 2015(12)
[6]基于阵列接收模型的宽带盲源分离算法[J]. 熊坤来,柳征,姜文利. 系统工程与电子技术. 2014(04)
[7]一种新的自适应量子遗传算法[J]. 沙林秀,贺昱曜. 计算机工程. 2013(09)
[8]多样本变异系数比较的似然比检验[J]. 汪鹏,周怡,周基元. 中国卫生统计. 2013(03)
[9]自适应组合型盲源分离算法及其优化方案[J]. 欧世峰,高颖,赵晓晖. 电子与信息学报. 2011(05)
[10]基于平面聚类势函数法的欠定混合信号盲分离[J]. 张烨,方勇. 高技术通讯. 2010(08)
博士论文
[1]水声信号的盲源分离算法研究[D]. 陈晓屹.西北工业大学 2016
硕士论文
[1]盲源分离在雷达侦察中的应用[D]. 陈一飞.西安电子科技大学 2017
[2]基于盲源分离的设备故障音检测算法与应用[D]. 张康荣.山东大学 2016
[3]稀疏表示理论的研究及其在图像去噪中的应用[D]. 张凤.西安电子科技大学 2014
[4]基于小波变换的电能质量暂态扰动识别方法的研究[D]. 张铮.西安科技大学 2012
[5]基于盲源分离的信号处理算法研究[D]. 杨杰.内蒙古科技大学 2012
[6]基于自然梯度算法的变步长盲源分离[D]. 陈琛.太原理工大学 2012
[7]基于神经网络的盲分离技术研究及其应用[D]. 祝捷.哈尔滨工程大学 2012
[8]基于盲信号分离和阵列扩展的主动声纳目标回波信号提取[D]. 徐梁.哈尔滨工程大学 2010
[9]数字图像的盲源分离[D]. 李雪松.重庆邮电大学 2009
本文编号：3591143
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3591143.html
