复数参考独立分量分析算法与应用研究

论文摘要

独立分量分析（independent component analysis，ICA）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，因此又被称作盲源分离（blind source separation，BSS）。因其对先验知识要求低的突出优点，独立分量分析已广泛应用在无线通信、生物医学、语音分离和图像消噪等许多领域。传统ICA方法通常存在输出不确定、估计效率低等缺陷，并且人们对源信号及其混合情况并非一无所知。为此，一些学者直接将这些先验知识引入盲源分离，得到了性能改善的结果，这便是半盲ICA（又称半盲分离）。鉴于先验信息及其利用方式的多样性，半盲算法种类较多。其中，参考独立分量分析（ICA with Reference，ICA-R）是一种应用源信号波形信息的典型半盲算法，具有输出顺序确定、估计效率高等优点。目前，ICA-R已被有效用于期望实值源信号的抽取。然而，许多ICA应用领域要求直接或间接地分离复值信号，如通信信号和语音的频域变换信号等。但目前尚无文献报道复数域半盲方法研究。本文针对复数域ICA-R主要做了以下三方面工作：（1）详细分析了复数ICA数学模型的特点，将复数ICA转化为实数ICA，并采用复数源信号的实部或虚部先验信息构造了参考信号，提出了基于实数ICA-R的复数半盲算法，计算机仿真结果表明了算法的有效性。（2）在约束ICA框架下，采用全盲复数fastICA算法的差异函数和关于复数信号幅值信息的不等式约束，建立了复数ICA-R的约束优化模型，并分别推导了定点和牛顿两种复数ICA-R算法。（3）提出了一种从含噪语音信号中获得有效先验信息的方法——带通滤波法，在此基础上将实数和复数两种ICA-R算法应用于语音增强，给出了时域和频域两种语音增强方法。计算机仿真实验结果表明，两种语音增强算法均可得到令人满意的效果。和时域算法相比，频域算法具有更好的恢复效果。这表明了复数ICA-R算法在语音增强中的优势。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景与意义
• 1.2 本文算法的主要内容
• 2 全盲算法概述
• 2.1 数学模型和求解原理
• 2.2 实数FastICA算法
• 2.3 复数ICA模型
• 2.4 复数独立分量分析算法
• 2.4.1 差异函数
• 2.4.2 数据预处理
• 2.4.3 算法原理
• 2.5 性能评价方法
• 3 半盲算法概述
• 3.1 算法背景
• 3.2 先验信息分类
• 3.3 典型的半盲算法
• 3.3.1 Bayesian算法
• 3.3.2 空间约束的快速独立分量分析算法
• 3.3.3 参考独立分量分析算法
• 4 复数半盲算法
• 4.1 复数先验信息和复数半盲算法
• 4.2 基于ICA-R的复数半盲算法
• 4.2.1 算法原理
• 4.2.2 仿真实验与性能测试
• 4.3 复数参考独立分量分析定点算法
• 4.3.1 一单元定点算法原理
• 4.3.2 多单元定点算法原理
• 4.3.3 仿真实验与性能测试
• 4.4 复数参考独立分量分析牛顿算法
• 4.4.1 一单元牛顿算法原理
• 4.4.2 多单元午顿算法原理
• 4.4.3 仿真实验与性能测试
• 5 复数半盲算法在语音增强中的应用
• 5.1 语音信号的频谱分布特点
• 5.2 时域语音增强参考信号的构建方法
• 5.3 频域语音增强参考信号的构建方法
• 5.4 仿真实验与性能测试
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢