线性盲源分离算法的理论与应用研究

论文摘要

盲信号处理（BSP）是目前信号处理中最热门的新兴技术之一，它具有稳定的理论基础和许多方面的应用潜力。事实上，BSP已成为重要的研究课题，并在许多领域得到发展，尤其是在雷达、声呐、遥感、通信系统、噪声控制、医学成像、图像处理等领域。作为盲信号处理中的一部分，盲源分离或盲信号分离（BSS）也正成为信号和图像处理等领域的一个强有力的工具。BSS的目标是在没有任何或很少关于源信号和混合先验知识的前提下，从一组混合（观测）信号中恢复原始的信号。在本文中，首先研究和讨论了在线性瞬态混合BBS和卷积混合BSS中应用的各种方法，并通过采取不同技术的仿真和比较，阐述了在解决BSS问题中所采用的主要理论和方法，分析了各种算法的特点，通过采用固定性算法（FastICA）和联合近似对角化法（JADE）进行了盲源分离的仿真，验证了算法的有效性。同时，也研究了各种混合模型下的语音分离的主要算法和问题。 基于非线性函数和步长因子对算法的性能有着很大的影响，如收敛速度、均方误差、系统的稳定性等，通过对自然梯度算法的研究，提出了一种新的变步长方法（VS-NGA），极大地提高了系统的收敛速度。为了降低算法的计算复杂性，将符号函数引进EASI算法中，产生了新的S-EASI算法。同时又派生出其余两种改进的算法：符号自然梯度算法（S-NGA）和变步长符号自然梯度算法（VS-S-NGA），并经证明在简化复杂性和提高收敛速度上，改进的算法是成功的。在有关BSS的文献中，混合矩阵一直被假设为是固定的，而在实际应用过程中，随时间变化的BSS更具现实意义，本文首次在仿真中使用了一个随时间变化的混合矩阵，并获得了一个满意的仿真结果。 对水下混合信号的盲源分离问题进行了建模，将瞬态BSS和卷积BSS模型应用到实际采集到的水下混合信号的分离中。混合信号如何去噪，一直是很难解决的问题，本文在处理过程中提出将噪声当作是源信号中的组成部分，并在实验中验证了方法的可行性。

论文目录

• 第1章 绪论
• 1.1 盲分离问题的来源
• 1.2 盲信号处理的应用
• 1.2.1 语音信号处理中的应用
• 1.2.2 数字通信
• 1.2.3 生物医学工程
• 1.2.4 图像处理
• 1.2.5 盲源分离技术在水声中的应用
• 1.3 盲源分离处理技术研究概况
• 1.3.1 国外盲信号处理技术研究概况
• 1.3.2 国内盲信号处理发展概况
• 1.3.3 盲信号处理技术发展新动态
• 1.4 本文研究的工作和内容安排
• 第2章 线性盲源分离算法及其应用研究
• 2.1 线性瞬态盲源分离模型
• 2.1.1 盲源分离的不确定性和一些假设
• 2.1.2 盲源分离前的预处理
• 2.2 相关的理论知识
• 2.2.1 熵
• 2.2.2 Kunllack-Leibler散度和香农的互信息
• 2.2.3 峰度
• 2.2.4 负熵
• 2.2.5 高阶矩与高阶累计量
• 2.3 盲源分离的方法
• 2.3.1 信息理论方法
• 2.3.2 高阶统计（Higher Order Statistics，HOS）法
• 2.3.3 其它方法
• 2.4 仿真实验
• 2.5 本章小结
• 第3章 基于梯度的盲分离算法及其改进
• 3.1 自然梯度算法及其改进
• 3.1.1 自然梯度算法
• 3.1.2 算法中的非线性函数
• 3.1.3 变步长的自然梯度算法
• 3.2 相对梯度算法（EASI Algorithm）及其改进
• 3.2.1 相对梯度算法
• 3.2.2 符号 EASI算法
• 3.2.3 派生的算法及计算量分析
• 3.3 综合性能指数
• 3.4 仿真研究
• 3.4.1 EASI算法有效性实验
• 3.4.2 EASI、NGA算法及其改进算法的仿真比较
• 3.5 本章小结
• 第4章 线性卷积盲源分离的研究
• 4.1 卷积混合模型
• 4.2 时间域（Time-domain，TD）方法
• 4.2.1 信息理论方法
• 4.2.2 Bussgang方法
• 4.2.3 二阶统计（Second Order Statistic，SOS）办法
• 4.3 频率域（Frequency-domain，FD）方法
• 4.3.1 频率域方法简析
• 4.3.2 采用频率域方法时的排列问题和幅度不确定性
• 4.3.3 频率域中的二阶统计方法
• 4.4 状态空间模型法及其它方法
• 4.4.1 状态空间模型法
• 4.4.2 其它方法
• 4.5 混合语音盲分离的应用及仿真研究
• 4.5.1 网络结构类型
• 4.5.2 混合语音的盲分离仿真实现
• 4.6 本章小结
• 第5章 混合水声信号的盲源分离
• 5.1 引言
• 5.2 实验环境、条件及理论模型
• 5.3 实验内容
• 5.4 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历