基于神经网络的盲信号分离的研究与应用

论文摘要

近年来,盲信号分离已经成为信号处理领域的研究热点问题,已经在众多领域获得了广泛应用和迅速发展。目前,盲信号分离的研究尚存在许多问题有待于进一步的深入研究和发展。首先,本论文介绍盲信号分离问题的国内外研究现状。然后介绍了常用的盲信号分离算法相关知识。最后,基于以往的熵最大化盲信号分离算法,提出了基于神经网络盲信号分离算法和基于高阶统计量的盲信号分离算法,并就其在基因数据处理、电力系统闪频信号检测的应用进行了研究,本文的主要工作概括如下：1.基于传统的神经网络的概率密度函数学习算法,得到评价函数的神经网络估计算法,在此基础上,提出基于神经网络盲信号分离算法。最后就亚高斯和亚高斯混合信号、超高斯和超高斯混合信号、亚高斯和超高斯混合信号以及图像混合信号进行了仿真实验,并就算法的计算复杂度和收敛特性进行了分析,结果证实了算法的有效性。2.基于高阶统计量的概率密度估计理论,得到评价函数的高阶统计量的多项式展开,把该评价函数应用于最大熵化的盲信号分离算法中,提出基于高阶统计量的盲信号分离算法。针对亚高斯和亚高斯混合信号、亚高斯和超高斯混合信号的盲信号分离仿真实验表明了算法的有效性。3.代替传统的生物医学方法,我们用基于神经网络的盲信号分离算法对基因数据进行异质修正。仿真实验表明了算法及其在该领域研究的有效性。电网电压中波动信号的检出是电压波动与闪频测量中的关键技术之一,能否从电网信号中准确地提取出波动电压,直接影响计算的精度。通过采用本文提出的算法,在观测信号中构建新的输入矩阵,有效地实现了信号频谱的提取。仿真实验验证了算法的有效性。4.实际情况下源信号的数目是未知的。在这种情况下,为了进行有效地分离,就需要估计源信号的数目。首先通过因子分析方法来计算噪声的协方差矩阵,进而利用基于特征值估计方法估计源信号的数目,仿真实验验证了提出算法的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.1.1 盲信号分离研究背景
• 1.1.2 盲信号分离问题国内外研究现状
• 1.1.3 盲信号分离的应用
• 1.1.4 基因芯片技术研究背景
• 1.1.5 电压闪频信号研究背景
• 1.2 本文工作与结构
• 2 盲信号分离理论基础
• 2.1 盲信号分离的问题描述
• 2.1.1 源信号的统计性质对算法的影响
• 2.2 常用盲信号分离算法
• 2.2.1 独立分量分析
• 2.2.2 非线性主分量分析
• 2.2.3 盲信号分离最新算法
• 2.3 非线性混合情况下的盲信号分离
• 2.4 本章小结
• 3 基于神经网络的盲信号分离
• 3.1 基于熵最大化盲信号分离算法
• 3.2 基于神经网络的概率密度函数估计
• 3.3 评价函数估计
• 3.4 基于神经网络的盲信号分离仿真
• 3.4.1 亚高斯和亚高斯混合信号
• 3.4.2 超高斯和超高斯混合信号
• 3.4.3 超高斯和亚高斯混合信号
• 3.4.4 图像信号的盲分离
• 3.5 算法性能及计算复杂度
• 3.6 本章小结
• 4 基于高阶统计量的盲信号分离
• 4.1 概率密度函数的高阶统计估计
• 4.1.1 基于高阶统计量的概率密度估计原理
• 4.1.2 概率密度展开的迭代计算
• 4.2 基于高阶统计量的盲信号分离
• 4.3 仿真实验
• 4.3.1 亚高斯与亚高斯混合的仿真实验
• 4.3.2 亚高斯与超高斯混合的仿真实验
• 4.4 算法收敛特性
• 4.5 本章小结
• 5 盲信号分离技术的应用
• 5.1 基因表达分析研究背景
• 5.2 基于盲信号分离的基因部分体积修正
• 5.3 电压闪频信号的盲分离
• 5.3.1 电压闪频信号的频率提取
• 5.3.2 电压闪频信号的盲信号分离算法实现
• 5.4 本章小结
• 6 盲信号分离中源数目估计
• 6.1 源信号数目估计
• 6.1.1 无信道噪声的源数目估计
• 6.1.2 低信道噪声的源数目估计
• 6.1.3 高信道噪声的源数目估计
• 6.2 源数目估计仿真实验
• 6.2.1 无信道噪声的源数目估计仿真实验
• 6.2.2 低信道噪声的源数目估计仿真实验
• 6.2.3 高信道噪声的源数目估计仿真实验
• 6.3 本章小结
• 7 结论
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢