線性瞬時混合模型中的盲信號分離研究.pdf

1、盲信號分離是一種新興的信號處理技術，它在地震勘探、語音處理、圖像增強、雷達聲納及生物醫(yī)學工程等領域中具有潛在的應用價值，同時線性瞬時混合是盲信號分離中最基本的混合方式，在此模型中推導出的算法很多都可以擴展到其它混合模型中，因此本文著重研究了線性瞬時混合模型中的盲信號分離問題，并做了如下主要工作。 1、盲信號分離首先要解決的是信源數(shù)的估計問題，本文在深入分析了現(xiàn)有主要方法估計出錯原因和適用范圍的基礎上，提出了一種基于聚類分析的信源

2、數(shù)估計方法，并且通過期望聚類過程定義了一種新的類間距離。仿真結果證實，該方法不僅能對平穩(wěn)信源數(shù)做出一致性估計，并且對非平穩(wěn)信源數(shù)做出一致性估計的概率要明顯高于其他方法，為盲信號分離在實際中的應用進一步奠定了基礎。 2、信源數(shù)未知和動態(tài)變化時的盲分離問題可以分為無觀測噪聲混合模型和有觀測噪聲混合模型。在無觀測噪聲混合模型中，本文提出將分離矩陣設為N×N維而不是通常的N×M維，并利用信息熵理論說明了該方法的可行性，顯然該方法需要的計

3、算量更少，仿真也表明該方法具有更好的收斂效果。在有觀測噪聲混合模型中，本文通過先對觀測得到的混合信號樣本做主分量提取，再將其作為分離網(wǎng)絡的輸入，以此提高了分離網(wǎng)絡輸出信號的信噪比。 3、FastICA的本質是基于牛頓迭代的，因此其對隨機選擇的初始值較敏感，針對該問題，本文提出了一種基于擬牛頓迭代的批處理盲分離算法，并詳細討論了將負熵作為對比函數(shù)的算法推導過程。仿真結果證實，該方法不僅對隨機選擇的初始值不敏感，而且具有與FastI