基于噪声模型的盲源分离技术研究

论文摘要

盲源分离作为当今信号处理学界的研究热点，已经成功地应用于图像和语音信号处理、生物医学信号分析与处理、天线阵列信号处理等诸多领域之中。其主要任务是在源信号和传输信道未知的情况下，仅利用传感器接收到的观测数据恢复出源信号。本文首先系统阐述了盲源分离问题的主要解决方法——独立分量分析法，研究了独立分量分析的基本假设、基本性质、优化准则以及算法性能评价指标，并在瞬时线性混合盲分离模型的基础上分析了目前较为成熟并且广泛使用的自然梯度算法和FastICA算法。大多数盲分离算法都是建立在无噪声干扰模型上的，然而当噪声不可忽略时，这些算法的性能就会下降甚至失效。为解决该问题，根据噪声叠加位置的不同，建立了两种噪声盲分离模型，并在此基础上总结出四类噪声盲分离方法。考虑对经典的盲分离算法进行改进，以消除由噪声引起的偏差，分析了基于高斯矩的FastICA算法和基于偏差去除技术的自然梯度算法。考虑到结合现有的滤波去噪算法进行盲分离，对小波分析去噪进行了研究。本文的主要创新如下：(1)FastICA算法利用了二阶收敛的牛顿迭代法进行优化，为了加快算法的收敛速度，本文提出用五阶收敛的牛顿迭代法对其进行改进，得出两种改进算法。实验证明改进算法分离效果与原算法相当，且其收敛速度更快;(2)通过分析影响小波阈值去噪性能的主要因素，提出一种去噪效果更好的新阈值函数；(3)针对噪声模型，提出用基于偏差去除技术的自然梯度算法估计出分离矩阵，从而分离出各路信号，再用新的小波阈值函数进行去噪处理后，使用该方案分离效果良好，得到的信号更接近源信号，较以往方法具有更高的信噪比。盲源分离技术虽然已经获得了长足的发展，提出了很多较为成熟的理论与方法，但是许多问题仍有待于进一步研究和解决，本文在最后简单地讨论了下一步的研究方向。

论文目录

• 摘要
• Abstract
• 目录
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 BSS 问题描述
• 1.2.1 BSS 的分类
• 1.2.2 BSS 的实现方法
• 1.2.3 研究的主要内容
• 1.3 BSS 的历史及研究现状
• 1.4 论文的主要工作及组织结构
• 第2章 独立分量分析
• 2.1 ICA 基本理论
• 2.1.1 基本假设
• 2.1.2 盲分离的重要性质
• 2.1.3 相关数学知识
• 2.2 数据的预处理
• 2.3 ICA 估计算法
• 2.3.1 优化准则
• 2.3.2 优化算法
• 2.3.3 FastICA 改进算法
• 2.3.4 影响算法性能的主要因素
• 2.3.5 算法的性能评价指标
• 2.4 算法性能仿真分析
• 2.4.1 经典盲分离算法的仿真分析
• 2.4.2 FastICA 基本算法及其改进算法的仿真分析
• 2.5 本章小结
• 第3章 小波分析去噪
• 3.1 小波分析基本理论
• 3.1.1 小波变换的定义
• 3.1.2 Mallat 分解与重构
• 3.2 小波分析去噪原理
• 3.2.1 小波变换模极大值去噪
• 3.2.2 基于小波变换尺度间相关性去噪
• 3.2.3 小波阈值去噪
• 3.3 小波阈值去噪的改进
• 3.3.1 阈值门限的选取
• 3.3.2 常用的小波阈值函数
• 3.3.3 小波阈值函数的改进
• 3.4 算法仿真分析
• 3.5 本章小结
• 第4章 基于噪声模型的盲源分离
• 4.1 噪声 ICA 模型
• 4.2 噪声盲分离算法
• 4.2.1 噪声成分数目较少的情况
• 4.2.2 结合各种滤波去噪的盲分离算法
• 4.2.3 基于最大信噪比的 BSS 算法
• 4.2.4 改进的噪声盲分离算法
• 4.3 算法性能仿真分析
• 4.3.1 自然梯度算法与改进的自然梯度算法
• 4.3.2 预处理
• 4.3.3 后处理
• 4.3.4 改进的自然梯度去噪算法
• 4.4 本章小结
• 结束语
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文及参加的科研项目