微弱信號檢測的盲源分離方法及應用研究.pdf

1、在科學研究和工程實踐中,通常需要對深埋在噪聲中的微弱信息進行捕獲和測量。如深空探測中的通信和測距信號檢測、微弱故障診斷中的特征信號提取、應急救援中的微目標檢測、生物醫(yī)學中的胎兒心電和腦電信號監(jiān)測等。然而,當所需要測量的信息越微弱,信號就越容易受到其它信號的干擾和復雜背景噪聲的污染,由于噪聲的復雜性和隨機性,一般的時域波形和頻譜分析方法很難實現(xiàn)微弱信號的有效提取。因此,需要深入分析微弱信號和噪聲的特性及其混合機制,研究復雜噪聲背景下微弱信

2、號的檢測方法。本文分析了當前多種微弱信號檢測方法及其應用,指出了現(xiàn)有方法存在的問題和局限性。在噪聲特性分析與信噪混合機制研究的基礎上,從信號與噪聲分離的思路出發(fā),針對信噪過定線性、過定非線性、單通道線性和欠定線性四種典型的混合機制,分別進行了基于盲源分離的微弱信號檢測模型和算法研究及相關應用分析。主要研究內容包括：
　?、裴槍^定線性干擾情況下的微弱信號檢測,在線性瞬時混合情況下分別考慮有用信號頻帶內噪聲和頻帶外噪聲。對于信號頻帶

3、外噪聲,提出了基于可變參數(shù)放大和濾波電路(Variable Parameters Amplification and Filtering Circuit,VPAFC)的噪聲抑制方法,可根據(jù)信號的頻譜特征調整濾波器的帶寬,能夠最大程度上抑制微弱信號頻帶外噪聲;而對于信號頻帶內噪聲,提出了基于降噪源分離的信噪分離方法,利用微弱信號與噪聲源之間的統(tǒng)計獨立性,實現(xiàn)了微弱信號頻帶內噪聲源的分離。數(shù)值仿真和胎兒心電微弱信號提取的實驗表明,該方法能夠

4、在過定線性噪聲干擾的情況下,成功提取出觀測信號中的微弱信號成分。
　?、漆槍^定非線性干擾情況下微弱信號的檢測,提出了基于區(qū)間優(yōu)化的信噪分離方法。采用多層感知機神經網絡對非線性信噪混合系統(tǒng)進行建模,并針對傳統(tǒng)多層感知機學習算法收斂速度慢且容易陷入局部極值的問題,給出了一種基于區(qū)間分析的分支定界全局優(yōu)化算法,通過最小化信號源之間的互信息,實現(xiàn)微弱信號成分與噪聲源的分離。數(shù)值仿真和化學離子傳感器微弱信號提取實驗驗證了該方法的有效性。<

5、br>　?、轻槍瓮ǖ谰€性干擾情況下的檢測問題,提出了基于迭代重加權連續(xù)基追蹤(Iterative Reweighted Continuous Basis Pursuit,IRCBP)的信噪分離方法。在信號變換不變性的假設下,利用微弱信號成分和結構化噪聲成分的樣本構建信號字典,建立微弱信號稀疏重構的連續(xù)基模型,將單通道盲源分離問題轉化為稀疏重構模型參數(shù)的優(yōu)化問題。通過迭代交替優(yōu)化連續(xù)基模型參數(shù),實現(xiàn)觀測信號中微弱信號成分的提取。微弱非周

6、期脈沖信號數(shù)值仿真和腦電微弱棘波信號提取實驗表明,該方法能夠從被噪聲嚴重干擾的觀測信號中恢復出有用的微弱信號。
　　⑷針對一般欠定線性干擾情況下的微弱信號檢測,提出了基于并行張量分解的信噪分離方法。對于信噪混合矩陣的估計,利用觀測信號空域延遲協(xié)方差矩陣的結構特征,構建混合矩陣估計的張量分解模型,將混合矩陣的估計問題轉化為延遲協(xié)方差矩陣張量分解問題;對于信號源的估計,利用信號源的時間結構特征,給出一種信號源估計的非線性規(guī)劃方法。針對

7、傳統(tǒng)基于張量分解的盲源分離方法在處理高維信號時計算效率低下的問題,采用基于 OpenCL的異構并行計算對算法進行了改進。齒輪箱微弱故障信號仿真實驗和噪聲背景下微弱音頻信號提取實驗表明,該方法能夠在觀測信號數(shù)目少于信號源數(shù)目的情況下,從被環(huán)境噪聲干擾的觀測信號中快速分離出微弱信號成分。
　?、稍趹T性約束聚變(Inertial Confinement Fusion,ICF)靶物理實驗中,為了測量打靶過程中受激散射光能量的變化,設計完成