盲源分离技术及应用研究

论文摘要

盲源分离是指在源信号和传输网络均未知的条件下,仅根据接收到的多路混合信号,在统计独立的假设下,将目标源信号从混合信号中分离出来的过程。目前,该技术已被广泛的应用于医学信号分析与处理、语音识别、图像处理以及通信领域等各方面。近年来,盲源分离已成为信号处理和神经网络领域的热点研究问题。现有的盲源分离算法大都假设在无噪声情况或噪声很小可以忽略不计的情况;而在强噪声背景下,这些算法都无法获得理想的分离效果。本文在介绍了盲源分离的基本模型和基本理论的基础上,提出了一种更有效的含噪盲源分离模型,将小波和Curvelet变换联合去噪的方法结合FastICA算法用于对含噪图像的盲分离中,实验表明该方法能很好的解决由于存在加性高斯噪声而导致经典盲源分离算法性能发生严重恶化的问题,很好的实现了含噪图像的分离。其次针对盲源分离算法的性能大多依赖于非线性函数选取的问题,分析研究了粒子群算法,并提出了一种自适应的粒子群算法,该自适应粒子群算法具有全局收敛性好、收敛速度快、参数调节简单等优点。本文将自适应粒子群算法应用于盲源分离中,避免了对非线性函数选取的问题,能很好的分离超高斯和亚高斯信号的混合信号。最后分析了雷达阵列接收模型,将本文提出的基于自适应粒子群的盲源分离算法用于雷达阵列接收信号的分离中,实验证明了该方法的可行性和技术优势。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景和意义
• 1.2 盲源分离问题综述
• 1.2.1 盲源分离的基本模型
• 1.2.2 盲源分离发展的历史及研究现状
• 1.3 论文研究内容及结构安排
• 第2章 盲源分离技术
• 2.1 盲源分离的实现原理
• 2.1.1 相关的理论知识
• 2.1.2 盲源分离的不确定性和前提假设
• 2.1.3 盲源分离的独立性测度准则
• 2.2 盲源分离的求解过程及性能指标
• 2.2.1 中心化、白化预处理
• 2.2.2 目标函数的选择与等价化证明
• 2.2.3 两种衡量盲源分离性能的指标
• 2.3 盲源分离的主要方法
• 2.3.1 H-J算法
• 2.3.2 信息最大化法（Infomax）
• 2.3.3 互信息最小法（MMI）
• 2.4 本章小结
• 第3章 含噪图像盲分离方法
• 3.1 含噪盲源分离的基本模型和一般方法
• 3.2 小波门限法去噪
• 3.2.1 小波图像闭值去噪的基本原理
• 3.2.2 小波阈值化方法
• 3.3 曲波（Curvelet）门限法去噪
• 3.3.1 Curvelet变换
• 3.3.2 基于Curvelet变换的去噪算法
• 3.4 基于小波和曲波联合去噪的含噪图像分离
• 3.4.1 小波和曲波联合去噪
• 3.4.2 FastICA算法
• 3.4.3 含噪图像分离模型
• 3.5 含噪图像分离仿真实验与性能分析
• 3.6 本章小结
• 第4章 基于自适应粒子群算法的盲源分离算法
• 4.1 基本粒子群算法
• 4.2 自适应粒子群优化算法（APSO）
• 4.3 基于APSO的盲源分离算法
• 4.4 混合语音信号分离仿真实验与性能分析
• 4.5 本章小结
• 第5章 混合雷达信号的盲分离
• 5.1 阵列接收信号模型
• 5.2 接收信号的特性分析
• 5.3 混合雷达接收信号盲分离仿真实验与性能分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的论文和取得的科研成果
• 致谢