广义特征分解盲源分离算法的若干问题研究

摘要

盲源分离是指在信号源和传输信道完全或部分未知情况下，只利用传感器阵的观测数据来分离、提取源信号的方法。近年来，已成为信号处理和神经网络领域的一个研究热点。盲分离在无线通信、雷达、声纳、语音信号处理、医学信号处理、图像处理等方面有着广泛的应用。本文研究了基于二阶统计量的广义特征值盲分离算法。主要研究内容如下:
　　 ⑴针对含噪信号的盲源分离问题，将小波变换去噪的方法应用于盲源分离方法的预处理过程。在总结分析多种小波变换去噪方法优缺点的基础上，将基于卷积型小波包变换的多尺度降噪方法用于对含噪盲信号进行预处理，保证了含噪信号盲源分离的精度。
　　 ⑵提出了一种基于二进小波变换的广义特征值盲分离算法，该算法通过对混合信号的二进小波变换，增强了信号间的非高斯性，在此基础上运用广义特征分解对混合信号进行分离，能够获得较高的分离精度。
　　 ⑶针对非平稳混合信号的分离，提出基于EMD分解的广义特征值盲分离算法。EMD分解具有比小波变换更高的时频分辨率且不会发生频谱泄漏，将其与广义特征值盲分离算法结合，对非平稳混合信号有更好的分离效果。同时EMD能够自适应的分解信号，克服了小波变换中需选择小波基的困难，使得算法简单，适用性强。
　　 ⑷针对非线性盲源分离问题，将线性广义特征分解盲分离算法扩展到了非线性领域。利用核函数将混合信号投影到高维特征空间，将样本空间的非线性混合问题转化成非线性特征空间的线性混合问题，再用基于二进小波变换的广义特征值盲分离法进行求解，能够获得较高的分离精度。算法对源信号的概率密度分布不必进行过多的假设，且不需要进行最优化迭代，故简单易实现。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 研究背景及其意义

1.2 盲源分离的问题描述及常用算法

1.2.1 盲分离的问题描述

1.2.2 盲分离的常用算法

1.3 盲源分离现状及其发展趋势

1.3.1 国内外研究现状

1.3.2 盲源分离发展趋势

1.4 本文研究内容及章节安排

第二章 盲源分离问题的预处理研究

2.1 引言

2.2 小波分析基本理论

2.2.1 连续小波变换

2.2.2 离散小波变换

2.2.3 小波包分解

2.3 小波降噪的基本知识

2.3.1 小波降噪的基本流程

2.3.2 常用的小波降噪方法及存在问题

2.4 基于卷积型小波包变换的信号降噪研究

2.4.1 卷积型小波包变换

2.4.2 噪声在卷积型小波包变换中的传播特性

2.4.3 基于卷积型小波包的信号降噪算法实现

2.4.4 仿真研究

2.5 结论

第三章 基于时频分析的广义特征盲源分离

3.1 引言

3.2 广义特征值盲分离算法

3.3 基于二进小波变换的广义特征值盲分离算法

3.3.1 二进小波变换

3.3.2 基于二进小波变换的GED盲分离算法

3.3.3 仿真研究

3.4 基于EMD分解的广义特征值盲分离算法

3.4.1 经验模态分解

3.4.2 基于EMD分解的广义特征盲分离算法

3.4.3 仿真研究

3.5 总结

第四章 基于核函数的广义特征盲源分离

4.1 引言

4.2 非线性混合盲分离模型

4.3 基于核函数的广义特征分解非线性盲分离算法

4.3.1 Mercer核函数

4.3.2 基于核函数的广义特征分解盲分离算法

4.3.3 改进的基于核函数的广义特征值盲分离算法

4.3.4 仿真研究

4.4 总结

第五章 总结与展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

附录：作者在攻读硕士学位期间发表的论文