学位论文 > 优秀研究生学位论文题录展示

盲源分离算法及应用研究

作　者: 王卫华
导　师: 黄凤岗
学　校: 哈尔滨工程大学
专　业: 计算机应用技术
关键词: 盲源分离排序不确定性欠定盲分离听觉场景分析稀疏分量分析匹配追踪
分类号: TN911.7
类　型: 博士论文
年　份: 2009年
下　载: 742次
引　用: 5次
阅　读: 论文下载

内容摘要

盲源分离是近年来在信号处理领域中出现的一个热点课题。它是指在未知源信号数目、位置和混合过程等先验信息的情况下,仅根据一组传感器信号来估计原始信号。盲源分离是数据分析及信号处理强有力的工具,在许多领域都有很好的应用,如生物医学信号处理、数据挖掘、语音信号处理、模式识别及无线通信等。二十几年来,由于广泛的应用和有效的数据处理能力,盲源分离算法吸引了大量学者的研究,并取得了很大进展。本文从语音信号的分离入手,对盲源分离算法进行了深入研究。论文首先对盲源分离算法的发展历史和研究现状进行了概括,并介绍了其在几个重要领域中的应用,接着介绍了盲源分离问题的几类主要算法。本文对盲源分离的理论和算法进行了探讨,重点研究了欠定情况下的盲分离问题。主要研究内容有以下几个方面：研究了频域盲分离算法中的排序不确定性问题。利用同一个语音信号相邻频点相关性大于两个不同语音信号相邻频点相关性的特点,提出了一个基于相邻频点幅度相关性的排序不确定性消除算法,使得在每个频点进行独立分量分析和排序同步进行。研究了欠定情况下的时频域盲分离算法。利用双耳的听觉机理,提出了个基于听觉场景分析的盲分离算法,通过对听觉特征耳间时间差和耳间强度差的聚类,完成对多个源信号混合而成的两个传感器信号的分离。另外,本文还提出了一种用于卷积混合的语音盲分离算法。通过在混合信号时频域的聚类,实现了欠定情况下的卷积盲分离。研究了源信号在时频域不充分稀疏情况下的欠定盲分离问题。提出一个新的二阶段式欠定盲分离算法,利用网格和密度聚类的方法,可以更好地估计混合系数矩阵。在源信号恢复时,使用简化的方法求最小l1范数解,网格的使用有效地减少了计算量。提出了一种基于匹配追踪的稀疏源信号恢复算法。针对匹配追踪算法在盲源分离的稀疏源信号恢复问题中的具体应用,将匹配追踪算法加以改进,有效地提高了算法的性能。提出的算法在病态混合矩阵的情况下,可以减少匹配失败时所带来误差,具有良好的鲁棒性。

全文目录

摘要  5-7
Abstract  7-12
第1章绪论  12-20
  1.1 课题背景及意义  12-14
  1.2 盲源分离的数学模型  14-16
  1.3 盲源分离的研究现状  16-18
  1.4 论文主要工作  18-19
  1.5 论文组织结构  19-20
第2章盲源分离的理论基础和主要算法  20-43
  2.1 概率与统计理论  20-22
    2.1.1 随机变量的统计独立性  20-21
    2.1.2 高阶累积量和峭度  21-22
  2.2 信息理论  22-27
    2.2.1 熵  23-24
    2.2.2 Kullback-Leibler散度  24-25
    2.2.3 互信息  25-26
    2.2.4 负熵  26-27
  2.3 独立分量分析基础  27-31
    2.3.1 ICA的基本模型  27-29
    2.3.2 ICA的不确定性  29
    2.3.3 算法评价准则  29-31
  2.4 盲源分离的主要算法  31-42
    2.4.1 基于高阶统计量的盲源分离  32-35
    2.4.2 基于信息论的盲源分离  35-40
    2.4.3 基于二阶统计量的盲源分离  40-41
    2.4.4 基于源信号稀疏性的盲源分离  41-42
  2.5 本章小结  42-43
第3章频域盲分离算法中的排序不确定问题  43-58
  3.1 引言  43-44
  3.2 卷积混合信号盲分离  44-48
    3.2.1 时域方法  44-46
    3.2.2 频域方法  46-47
    3.2.3 排序不确定性问题  47-48
  3.3 基于频谱幅度相关矩阵的排序不确定性去除算法  48-57
    3.3.1 算法原理  48-50
    3.3.2 算法过程  50-53
    3.3.3 实验与分析  53-57
  3.4 本章小结  57-58
第4章欠定情况下的时频域盲分离算法  58-82
  4.1 引言  58-59
  4.2 基于时频分析的盲分离方法  59-63
    4.2.1 基于Wigner-Vill分布的时频盲分离算法  59-61
    4.2.2 DUET算法  61-63
  4.3 基于听觉特征聚类的盲分离算法  63-75
    4.3.1 人耳听觉模型  63-67
    4.3.2 混合模型  67-68
    4.3.3 听觉外周模型处理  68-69
    4.3.4 聚类分析及信号分离  69-71
    4.3.5 实验与分析  71-75
  4.4 欠定情况下的卷积盲分离算法  75-81
    4.4.1 混合模型  75-76
    4.4.2 聚类分析  76-77
    4.4.3 源信号恢复  77-78
    4.4.4 实验与分析  78-81
  4.5 本章小结  81-82
第5章基于稀疏分量分析的盲源分离  82-102
  5.1 引言  82
  5.2 二阶段式的盲源分离  82-87
    5.2.1 混合矩阵的估计  83-85
    5.2.2 源信号的恢复  85-87
  5.3 基于网格和密度聚类的稀疏源信号盲分离方法  87-94
    5.3.1 混合参数估计  87-89
    5.3.2 源信号的恢复  89-91
    5.3.3 实验与分析  91-94
  5.4 基于匹配追踪的稀疏源信号恢复算法  94-100
    5.4.1 混合矩阵的估计  94-95
    5.4.2 源信号的恢复  95-97
    5.4.3 实验与分析  97-100
  5.5 本章小结  100-102
结论  102-104
参考文献  104-118
攻读博士学位期间发表的论文和取得的科研成果  118-119
致谢  119

盲源分离算法及应用研究

内容摘要

全文目录

相似论文