论文摘要
盲源分离(Blind source separation, BSS)是近年来数字信号处理领域的一个活跃分支。它能在不知道源信号的分布类型和混合参数的情况下,仅利用源信号的混合信号去恢复源信号的各个独立成分。因此又被称作独立分量分析(Independent Component Analysis, ICA)。本文回顾了盲源分离问题的发展历史,并对盲源分离问题进行了简单的数学描述,包括盲源分离问题的数学模型、基本假设、数学理论基础和实现途径。然后针对一些盲源分离的算法和应用问题进行了深入的研究,提出了一些有效的方法,并对现有的一些方法做出了相应的改进和提高。全文的主要工作包括以下几个方面:讨论了独立分量分析研究中的主要问题,介绍和推导了基于独立分量分析的盲源分离算法的几种典型的代价函数和学习算法,并对信息理论框架下的几种代价函数作了统一;总结出几种针对复数混叠情况的算法,并通过仿真对比各种算法性能;应用互累积量迫零算法实现对同频混合信号的分离仿真;针对时变信道下混合信号分离问题,应用学习速率自适应调节的广义EASI,实现单样本迭代算法分离简单实时混叠信号;运用平滑窗口法实现批处理算法的复杂时变信号分离应用;对噪声情况下的独立分量分析进行了初步的研究,运用自适应去偏置原理对传统EASI算法进行改进并通过仿真对比性能。
论文目录
摘要Abstract第一章 绪论1.1 背景意义1.2 盲源分离问题描述1.3 发展历史及现状1.4 本文主要内容与结构第二章 盲源分离理论2.1 盲源信号分离与独立分量分析的关系2.2 基础知识2.2.1 高阶累计量2.2.2 Kullback-Leibler散度2.2.3 互信息2.2.4 负熵2.3 盲源信号分离算法的分类2.3.1 根据BSS所用的统计信息分类2.3.2 根据BSS数学原理分类2.4 其它问题2.4.1 盲分离的两类不确定性2.4.2 性能指标ISR2.4.3 信号源个数的估计2.4.4 处理信号的分类2.4.5 信号预处理第三章 盲源分离算法3.1 盲源分离中常见的几种典型代价函数3.1.1 基于信息理论的方法3.1.1.1 基于信息最大化（Imfomax）的ICA算法3.1.1.2 基于最小互信息（MMI）的ICA算法3.1.1.3 基于极大似然估计（MLE）的ICA算法3.1.1.4 基于信息理论方法的几种代价函数的关系3.1.2 基于高阶统计量的方法3.2 盲源分离的几种典型的学习算法3.2.1 随机梯度学习算法3.2.2 自然梯度学习算法3.2.3 固定点算法3.2.4 EASI算法3.2.5 非线性PCA算法3.2.6 互累积量迫零算法第四章 复数盲分离算法4.1 阵列天线模型4.2 复数域固定点算法4.2.1 代价函数4.2.2 复数固定点算法4.2.3 算法仿真4.3 改进的复信号盲分离算法及性能仿真4.3.1 改进的自然梯度法4.3.2 改进的双梯度法4.3.3 改进的EASI算法4.3.4 几种复数算法总结第五章 自适应盲源分离算法5.1 广义EASI算法5.1.1 广义自然梯度方法得稳健ICA算法推导5.1.2 解相关算法5.1.3 适用于实时算法的广义EASI算法5.1.4 广义EASI算法单样本实时信号分离仿真5.2 批处理算法平滑窗口法实现信号的实时分离实现5.2.1 平滑窗口法实现批处理算法实时处理思想5.2.2 EASI算法平滑窗时变信号分离仿真第六章 有噪声数据的盲分离处理6.1 白化处理中噪声数据的去偏置原理6.2 稳健的预白化－批处理算法6.3 通过去偏置自适应白化改进EASI算法结束语1.论文主要工作2.展望致谢参考文献作者在读期间的研究成果
相关论文文献
标签：盲源分离论文; 独立分量分析论文; 代价函数论文; 平滑窗论文; 自适应去偏置论文;
