基于ICA算法的EMI传导发射信号分析

摘要

随着电子科学技术的飞速发展，大量的电子设备已广泛应用于社会的各个领域。但是由于电子设备在工作时产生的电磁波所携带的能量，会通过线缆耦合以及空间辐射对其他的电子设备产生电磁干扰，同时也会受到外来的电磁干扰的影响，从而造成设备的性能降低和电磁信息泄露，所以电磁兼容(EMC)问题受到越来越多的人们关注。各国也随之制定了许多EMC相关标准。电磁干扰主要分为传导干扰和空间干扰，传导发射干扰作为电磁兼容问题中的一个重要指标，如何能够低成本、高效率的抑制传导发射干扰已成为了一项重要的研究课题。
　　 独立分量分析（Independent Component Analysis，ICA）是从多元观测数据中寻找其统计独立和非高斯因子的一种盲源分离技术。该技术因其具有独特的信号分析理论体系，所以在信息挖掘、信号特征提取、通信信息系统信号分析等众多研究领域引起了国内外众多学者的极大兴趣。
　　 模式识别技术(Pattern Recognition)又被称作模式分类，它是通过对含有表征事物或现象的各种信息进行处理和分析（这种信息是通常是通过数值、文字以及各种逻辑关系的形式来反应的），来进一步描述、辨认、分类和解释事物或现象的过程，是信息科学和人工智能的重要组成部分。目前已经被广泛应用于图像信号识别、语音信号识别、声音信号的分类、通信信号识别、计算机故障辅助诊断、数据挖掘等领域。
　　 本文对ICA算法进行了优化并且在此基础之上结合现代模式识别技术，对传导发射信号进行了分析，并对传导发射信号中的差模分量和共模分量进行了有效的分离。提出了一套对电磁干扰中的传到发射信号的解决方案，能最大程度地降低经济成本，实现技术与经济一体化，对于解决电磁兼容问题具有较高的社会经济价值。

目录

声明

摘要

符号说明

第1章 绪论

1．1 课题背景简介

1．2 发展现状

1．3 论文的主要工作内容

1．4 本文的技术路线与章节安排

第2章 盲源分离理论简介

2．1 盲源分离理论的发展

2．2 盲源分离的原理

2．2．1 盲源分离的数学模型

2．2．2 盲源分离的基本假设

2．2．3 源信号的独立性判据

2．3 盲源分离算法及评价指标

2．3．1 几种常见的盲源分离方式

2．3．2 盲源分离的评估

2．4 本章小结

第3章 独立分量分析算法

3．1 独立分量分析理论的发展

3．2 独立分量分析的含义

3．2．1 独立分量分析算法的模型

3．2．2 ICA的分离准则

3．2．3 ICA算法与PCA算法的比较

3．3 FastlCA算法

3．3．1 FastICA算法原理

3．3．2 FastICA算法方法

3．3．3 FastlCA算法的优化

3．3．4 仿真验证

3．4 本章小结

第4章 特征值提取与模式识别技术

4．1 特征值提取

4．1．1 小波变换概述

4．1．2 小波包变换

4．2 模式识别技术

4．2．1 模式识别的基本理论

4．2．2 人工神经网络的基本模型

4．2．2 人工神经网络的学习方式

4．3 BP人工神经网络

4．3．1 BP人工神经网络的工作方式与算法

4．3．2 BP人工神经网络的特点

4．4 本章小结

第5章 ICA算法在传导发射信号分析中的应用

5．1 基于ICA算法的传导发射信号分析

5．1．1 传导发射信号的产生原理

5．1．2 传导发射信号的采集

5．1．3 基于ICA的传导发射信号实验验证

5．2 传导发射信号的分类辨

5．2．1 基于小波包变换的特征提取

5．2．2 基于人工神经网络的模式识别

5．3 本章小结

第6章 总结与展望

6．1 全文工作总结

6．2 展望

参考文献

致谢

攻读学位期间个人科技成果