基于深度学习的调制信号盲分离算法研究
发布时间：2021-06-20 21:01
盲信号分离技术一直是现代信号处理领域的主要组成之一。传统的盲分离研究主要集中在语音、图像、生物医学等信号的处理上,相应的盲分离算法不能直接适用于调制信号。目前盲分离算法大多是在源信号数目已知的条件下实现的,而在实际中源信号数目通常是未知的,因此在盲分离前需要先对信源数进行估计。随着计算机性能的快速提高,深度学习技术被成功地应用在通信、图像、语音等领域。基于深度学习对大数据中特征信息的自动提取能力,本文将深度学习的方法应用于信源数估计与调制信号盲分离等方面,所作研究内容归纳如下:1)由于当前深度学习架构以及优化算法存在不能有效地学习复数基带信号特征信息的问题,本文建立了一种三维卷积神经网络架构,来实现对复数基带信号的特征学习。该架构利用三维卷积层综合学习输入的多路复数信号的实部和虚部特征信息,根据运算规则重构获得输出,完成了对多路复数映射的学习。相较于目前其他的解决方法,该架构实现简单,能够有效实现对复数映射的学习,还避免了激活函数、优化算法等在复数域不能获得理论支撑的问题。2)分析了信源数估计的传统方法,设计了一种由三维卷积神经网络架构和全连接层串联构成的卷积神经网络。本文通过仿真实验...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
线性瞬时混合盲分离原理
第二章盲分离基础理论以及深度学习基础概论9每个源信号的延迟也是不一样的，源信号和传感器的相对位置和信号在空间中的传播速度决定了延迟的多少；而且传感器接收到的观测信号是源信号通过多径传播获得的，是源信号各个延迟值的线性组合。如多输入多输出系统（MIMO）中，源信号受到阻挡物和复杂环境的影响产生多径衰落，接收到的信号则可能是由许多不同的源信号的延迟信号组成的。假设有M维相互独立的源信号()ist，i[1,2,,M]，通过卷积混合后接收传感器观测到N维观测信号()jxt，j[1,2,,N]，其数学建模的表达式为：11()()()()()τττMMjjiijjiijiixtastntastnt(2-6)其中，是卷积符号，jiτa代表源信号第i个分量到达第j个接收传感器的系统冲激响应。为了方便表示，式(2-6)的向量形式表示为：()()()τττxtAstnt(2-7)其中，τA为混合滤波矩阵，当τ0时，该模型就退化为瞬时混合模型。由于卷积混合模型比较特殊，在Z域中更能方便表示，则卷积混合模型的Z域表达式为：X()A()S()+N()(2-8)其中，X()D8μ，S()°6分别是x(t)和s(t)的Z变换，A()D8μ为Z域的卷积混合矩阵。卷积混合信号盲分离是寻找一个分离滤波器W，使得输出信号为：()()llytWxtl(2-9)其中，y(t)为源信号s(t)的估计，则式(2-9)在Z域的表达式为：Y()W()X()°W(2-10)卷积混合信号模型的盲分离原理如图2-2所示：图2-2卷积混合信号盲分离原理图
第二章盲分离基础理论以及深度学习基础概论11通常取α1。Gaussy是零均值，单位方差的高斯随机向量。对目标函数进行优化时，FastICA采用了固定点算法，其推导如下。根据Kuhn-Tucker条件，在T22E[(Wx)]|W|1的约束下，E[G(WTx)]的最优值通过求导得到：TE[xg(Wx)]βW0(2-14)其中，函数g()是G()的导数，β为常数，TT00βE[Wxg(Wx)]，0W是W优化后的值。用F(W)表示式(2-14)左边的函数，可得到F(W)的Jacobian矩阵为：TTJF(W)E[xxg(Wx)]βI(2-15)对数据进行球化，TE[xx]I，所以，近似有：TTTTT[()][][()][()]ExxgWxExxEgWxEgWxI(2-16)将式(2-16)代入式(2-15)，采用牛顿迭代法求解，得到迭代公式为：T1T[()][()]ββkkkkkEgEgxWxWWWWx(2-17)其中，k1W是kW的新值。对式(2-17)化简，并进行归一化处理得到FastICA的迭代公式：TT11111[()][()]||||kkkkkkkWExgWxEgWxWWWW(2-18)综上所述，FastICA的盲分离过程如下图所示。图2-3FastICA算法流程图根据图2-3，提取多个源信号的FastICA算法步骤如下：
【参考文献】：
期刊论文
[1]基于深度学习的信源数估计方法[J]. 麻凯利,王川川. 航天电子对抗. 2019(03)
[2]基于前馈神经网络的非合作PCMA信号盲分离算法[J]. 郭一鸣,彭华,杨勇. 电子学报. 2019(02)
[3]利用随机矩阵理论的MDL信源数估计算法[J]. 艾健健,刘成城,赵拥军. 信号处理. 2015(02)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]盲信号分离技术综述[J]. 胡婧,张更新,熊纲要. 数字通信世界. 2010(04)
[6]盲信号分离技术研究与算法综述[J]. 周治宇,陈豪. 计算机科学. 2009(10)
[7]盖氏圆准则信源数估计算法的分析与改进[J]. 胡隽. 系统工程理论与实践. 2007(10)
[8]信源数目未知和动态变化时的盲信号分离[J]. 冶继民,张贤达,朱孝龙. 中国科学E辑:信息科学. 2005(12)
[9]基于递归神经网络的信息理论盲源分离准则[J]. 刘琚,聂开宝,李道真,何振亚. 电路与系统学报. 2001(01)
[10]基于FIR神经网络的非线性盲信号分离[J]. 虞晓,胡光锐. 上海交通大学学报. 1999(09)
本文编号：3239924
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
线性瞬时混合盲分离原理
第二章盲分离基础理论以及深度学习基础概论9每个源信号的延迟也是不一样的，源信号和传感器的相对位置和信号在空间中的传播速度决定了延迟的多少；而且传感器接收到的观测信号是源信号通过多径传播获得的，是源信号各个延迟值的线性组合。如多输入多输出系统（MIMO）中，源信号受到阻挡物和复杂环境的影响产生多径衰落，接收到的信号则可能是由许多不同的源信号的延迟信号组成的。假设有M维相互独立的源信号()ist，i[1,2,,M]，通过卷积混合后接收传感器观测到N维观测信号()jxt，j[1,2,,N]，其数学建模的表达式为：11()()()()()τττMMjjiijjiijiixtastntastnt(2-6)其中，是卷积符号，jiτa代表源信号第i个分量到达第j个接收传感器的系统冲激响应。为了方便表示，式(2-6)的向量形式表示为：()()()τττxtAstnt(2-7)其中，τA为混合滤波矩阵，当τ0时，该模型就退化为瞬时混合模型。由于卷积混合模型比较特殊，在Z域中更能方便表示，则卷积混合模型的Z域表达式为：X()A()S()+N()(2-8)其中，X()D8μ，S()°6分别是x(t)和s(t)的Z变换，A()D8μ为Z域的卷积混合矩阵。卷积混合信号盲分离是寻找一个分离滤波器W，使得输出信号为：()()llytWxtl(2-9)其中，y(t)为源信号s(t)的估计，则式(2-9)在Z域的表达式为：Y()W()X()°W(2-10)卷积混合信号模型的盲分离原理如图2-2所示：图2-2卷积混合信号盲分离原理图
第二章盲分离基础理论以及深度学习基础概论11通常取α1。Gaussy是零均值，单位方差的高斯随机向量。对目标函数进行优化时，FastICA采用了固定点算法，其推导如下。根据Kuhn-Tucker条件，在T22E[(Wx)]|W|1的约束下，E[G(WTx)]的最优值通过求导得到：TE[xg(Wx)]βW0(2-14)其中，函数g()是G()的导数，β为常数，TT00βE[Wxg(Wx)]，0W是W优化后的值。用F(W)表示式(2-14)左边的函数，可得到F(W)的Jacobian矩阵为：TTJF(W)E[xxg(Wx)]βI(2-15)对数据进行球化，TE[xx]I，所以，近似有：TTTTT[()][][()][()]ExxgWxExxEgWxEgWxI(2-16)将式(2-16)代入式(2-15)，采用牛顿迭代法求解，得到迭代公式为：T1T[()][()]ββkkkkkEgEgxWxWWWWx(2-17)其中，k1W是kW的新值。对式(2-17)化简，并进行归一化处理得到FastICA的迭代公式：TT11111[()][()]||||kkkkkkkWExgWxEgWxWWWW(2-18)综上所述，FastICA的盲分离过程如下图所示。图2-3FastICA算法流程图根据图2-3，提取多个源信号的FastICA算法步骤如下：
【参考文献】：
期刊论文
[1]基于深度学习的信源数估计方法[J]. 麻凯利,王川川. 航天电子对抗. 2019(03)
[2]基于前馈神经网络的非合作PCMA信号盲分离算法[J]. 郭一鸣,彭华,杨勇. 电子学报. 2019(02)
[3]利用随机矩阵理论的MDL信源数估计算法[J]. 艾健健,刘成城,赵拥军. 信号处理. 2015(02)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]盲信号分离技术综述[J]. 胡婧,张更新,熊纲要. 数字通信世界. 2010(04)
[6]盲信号分离技术研究与算法综述[J]. 周治宇,陈豪. 计算机科学. 2009(10)
[7]盖氏圆准则信源数估计算法的分析与改进[J]. 胡隽. 系统工程理论与实践. 2007(10)
[8]信源数目未知和动态变化时的盲信号分离[J]. 冶继民,张贤达,朱孝龙. 中国科学E辑:信息科学. 2005(12)
[9]基于递归神经网络的信息理论盲源分离准则[J]. 刘琚,聂开宝,李道真,何振亚. 电路与系统学报. 2001(01)
[10]基于FIR神经网络的非线性盲信号分离[J]. 虞晓,胡光锐. 上海交通大学学报. 1999(09)
本文编号：3239924
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3239924.html
