检索结果-内蒙古大学图书馆

系统仿真学报 2009年第2期21卷 496-499页

作者：王卫华黄凤岗王桐哈尔滨工程大学计算机科学与技术学院哈尔滨150001 哈尔滨工程大学信息与通信工程学院哈尔滨150001

讨论了频域盲源分离算法中的排序不确定性问题。根据相邻频点上同一个信号的频谱幅度相关大于不同信号频谱幅度相关的特点,提出了一个改进的基于相邻频点幅度相关性的排序不确定性消除算法。在两个相邻频点上构造一个幅度相关矩阵,再根... 详细信息

讨论了频域盲源分离算法中的排序不确定性问题。根据相邻频点上同一个信号的频谱幅度相关大于不同信号频谱幅度相关的特点,提出了一个改进的基于相邻频点幅度相关性的排序不确定性消除算法。在两个相邻频点上构造一个幅度相关矩阵,再根据相关性大小将幅度相关矩阵转换为转置矩阵。该方法可以实时处理卷积信号频域盲源分离算法的排序不确定问题,在对每个频点进行独立分量分析的同时确定各分量的顺序。该算法效率高、鲁棒性好。仿真实验表明了算法的有效性。

关键词：频域盲源分离卷积混合排序不确定性幅度相关

来源：评论

学校读者我要写书评

暂无评论

水声信号盲分离排序算法

水声信号盲分离排序算法

引用

2011'中国西部声学学术交流会

作者：綦敦浩章新华范文涛海军大连舰艇学院信息与通信工程系

盲分离(BSS)算法发展至今,已渐近成熟,但由于分离信号存在排序模糊性,限制了盲分离算法的应用和性能,特别是水声信号,由于水声信道的多变性,使盲分离算法性能受到影响。本文针对盲分离后信号存在排序模糊性的问题,提出了一种基于相关系... 详细信息

盲分离(BSS)算法发展至今,已渐近成熟,但由于分离信号存在排序模糊性,限制了盲分离算法的应用和性能,特别是水声信号,由于水声信道的多变性,使盲分离算法性能受到影响。本文针对盲分离后信号存在排序模糊性的问题,提出了一种基于相关系数矩阵的水声信号盲分离排序算法。仿真实验表明,该算法可以有效消除分离信号的顺序不确定性,提高盲分离算法的性能。

关键词：盲分离排序不确定性相关系数

来源：评论

学校读者我要写书评

暂无评论

盲源分离算法及应用研究

盲源分离算法及应用研究

引用

作者：王卫华哈尔滨工程大学

学位级别：博士

盲源分离是近年来在信号处理领域中出现的一个热点课题。它是指在未知源信号数目、位置和混合过程等先验信息的情况下,仅根据一组传感器信号来估计原始信号。盲源分离是数据分析及信号处理强有力的工具,在许多领域都有很好的应用,如生... 详细信息

盲源分离是近年来在信号处理领域中出现的一个热点课题。它是指在未知源信号数目、位置和混合过程等先验信息的情况下,仅根据一组传感器信号来估计原始信号。盲源分离是数据分析及信号处理强有力的工具,在许多领域都有很好的应用,如生物医学信号处理、数据挖掘、语音信号处理、模式识别及无线通信等。二十几年来,由于广泛的应用和有效的数据处理能力,盲源分离算法吸引了大量学者的研究,并取得了很大进展。本文从语音信号的分离入手,对盲源分离算法进行了深入研究。论文首先对盲源分离算法的发展历史和研究现状进行了概括,并介绍了其在几个重要领域中的应用,接着介绍了盲源分离问题的几类主要算法。本文对盲源分离的理论和算法进行了探讨,重点研究了欠定情况下的盲分离问题。主要研究内容有以下几个方面：研究了频域盲分离算法中的排序不确定性问题。利用同一个语音信号相邻频点相关性大于两个不同语音信号相邻频点相关性的特点,提出了一个基于相邻频点幅度相关性的排序不确定性消除算法,使得在每个频点进行独立分量分析和排序同步进行。研究了欠定情况下的时频域盲分离算法。利用双耳的听觉机理,提出了个基于听觉场景分析的盲分离算法,通过对听觉特征耳间时间差和耳间强度差的聚类,完成对多个源信号混合而成的两个传感器信号的分离。另外,本文还提出了一种用于卷积混合的语音盲分离算法。通过在混合信号时频域的聚类,实现了欠定情况下的卷积盲分离。研究了源信号在时频域不充分稀疏情况下的欠定盲分离问题。提出一个新的二阶段式欠定盲分离算法,利用网格和密度聚类的方法,可以更好地估计混合系数矩阵。在源信号恢复时,使用简化的方法求最小l1范数解,网格的使用有效地减少了计算量。提出了一种基于匹配追踪的稀疏源信号恢复算法。针对匹配追踪算法在盲源分离的稀疏源信号恢复问题中的具体应用,将匹配追踪算法加以改进,有效地提高了算法的性能。提出的算法在病态混合矩阵的情况下,可以减少匹配失败时所带来误差,具有良好的鲁棒性。

关键词：盲源分离排序不确定性欠定盲分离听觉场景分析稀疏分量分析匹配追踪

来源：评论

学校读者我要写书评

暂无评论

基于ICA的盲源分离频域算法研究

基于ICA的盲源分离频域算法研究

引用

作者：潘子逸华南理工大学

学位级别：硕士

盲源分离的基本思想是仅从若干个传感器接收到的观测信号中分离、提取出无法直接观测到的各个源信号的过程。根据信号混合方式的不同,盲源分离又可以分为线性或非线性混合模型。目前主要研究的是线性混合模型,包括线性瞬时混合和线性卷... 详细信息

盲源分离的基本思想是仅从若干个传感器接收到的观测信号中分离、提取出无法直接观测到的各个源信号的过程。根据信号混合方式的不同,盲源分离又可以分为线性或非线性混合模型。目前主要研究的是线性混合模型,包括线性瞬时混合和线性卷积混合。线性瞬时混合模型的研究已经非常成熟,并且已经应用在很多领域之中。独立成分分析(ICA)是最常用的盲源分离方法。然而在实际环境中,信号的传输往往会受到很多因素的影响,源信号的数学混合模型更逼近与卷积混合的方式。本文主要是基于ICA对盲源分离频域算法进行研究,主要包括以下几个方面:第一,详细介绍了盲源分离的理论基础,同时还系统地介绍了独立成分分析的基本原理和性质,包括ICA的模型、约束条件以及特有的不确定性特征。并且深入研究了独立成分分析的几种典型的目标函数和优化算法。第二,介绍了卷积盲源分离频域算法的基本原理,对复数域上的盲源分离算法进行详细的介绍,深入探讨了ICA固有的幅度不确定性和排序不确定性问题对盲源分离频域算法的影响。第三,针对盲源分离频域算法排序不确定性问题,主要研究了语音信号经过短时傅里叶变换后,在每个频点上分离信号的特征。细致地分析了传统基于相邻频率间幅度相关性排序算法,然后提出了基于短时平均幅度函数和门限值判断分离不理想频点的改进幅度相关排序算法,仿真实验验证了算法的有效性。第四,研究了波达方向(DOA)排序算法,深入分析了幅度相关排序算法和DOA排序算法的优缺点,然后将DOA排序算法与改进的幅度相关排序算法相结合,提出了基于改进幅度相关和波达方向的分频段排序算法。仿真实验验证了算法的有效性。第五,介绍了约束独立成分分析(CICA)的基本原理,详细研究了目标语音信号和弥漫背景噪声的功率密度谱和频域模量的统计差异性。基于语音信号模量比弥漫背景噪声有一个更尖锐分布的统计差异性,提出了一种基于模量差异性约束的语音频域盲提取算法,仿真实验验证了算法的有效性。

关键词：盲源分离独立成分分析卷积混合排序不确定性约束独立成分分析

来源：评论

学校读者我要写书评

暂无评论

语音信号的盲分离技术研究及应用

语音信号的盲分离技术研究及应用

引用

作者：赵梦逸电子科技大学

学位级别：硕士

语音信号的盲分离指的是在语音源信号的信息未知,同时也不知道混合系统的情况下,只能依据观测到的语音信号来估计源信号的过程。主要用于现代的通信领域。随着人类步入信息社会的步伐加快,越来越多的领域需要语音信号盲分离。语音信号... 详细信息

语音信号的盲分离指的是在语音源信号的信息未知,同时也不知道混合系统的情况下,只能依据观测到的语音信号来估计源信号的过程。主要用于现代的通信领域。随着人类步入信息社会的步伐加快,越来越多的领域需要语音信号盲分离。语音信号盲分离研究主要在时域和频域上展开。时域内只能解决瞬时混合模型的语音信号,而有混响问题的卷积语音信号盲分离在频域内解决就容易很多。目前,语音盲分离领域已经出现了很多算法,主要分为批处理算法和自适应算法两大类。批处理算法主要是联合对角化算法,自适应算法则以在线学习的梯度算法为主,有随机梯度算法和自然梯度算法。大量的学者在这两类算法上探索研究改进,Fast ICA算法应运而生,结合了批处理算法和自适应算法的优点,对接收到的数据实施在线梯度算法,一次处理批量的数据并不断更新迭代分离矩阵,有很好的收敛性能。跟其它的ICA算法一样,FastICA算法也存在排序不确定性和幅度不确定性,本文对这部分难点做了大量仿真对比研究,最后实现了频点对齐并消除了幅度不确定性。本文主要做了以下方面的研究:1.分析比较了ICA的四类独立性判断准则,极大化似然度的判断准则、互信息最小化判断准则、信息最大化准则以及极大化非高斯性准则;研究分析了ICA中传统的批处理算法及自适应处理算法。2.深入讨论FastICA算法,并根据目标函数的不同,分别基于负熵、基于峭度以及基于似然度,分析比较三者的优缺点。3.针对排序不确定性和幅度不确定性做了大量对比研究,最终通过基于功率比的相关系数和最小失真法消除了这两种不确定性,并给出了仿真结果和对比分析。4.在语音盲分离的应用方面,探究其在麦克风阵列中的实际应用,分别对实际的欠定语音信号和超定语音信号成功的实现盲分离。

关键词：盲源分离 Fast ICA算法排序不确定性幅度解析超定语音信号盲分离

来源：评论

学校读者我要写书评

暂无评论

语音信号的卷积盲源分离算法研究

语音信号的卷积盲源分离算法研究

引用

作者：欧旭东重庆邮电大学

学位级别：硕士

盲源分离(Blind Source Separation,BSS)的主要思想是仅从若干接收到的混合信号中提取、恢复出无法直接观测到的各个源信号的过程。依据信号混合方式的不同,又可以把盲源分离分成几种不同的方式,例如线性或非线性、卷积或非卷积、正定... 详细信息

盲源分离(Blind Source Separation,BSS)的主要思想是仅从若干接收到的混合信号中提取、恢复出无法直接观测到的各个源信号的过程。依据信号混合方式的不同,又可以把盲源分离分成几种不同的方式,例如线性或非线性、卷积或非卷积、正定或欠定等。经过学者们二十几年的研究,混合方式为线性混叠的盲源分离已经研究的非常成熟,并且在一些领域已经有所应用。其中最常用的方法是独立分量分析(Independent Component Analysis,ICA)。然而,随着研究的深入,线性瞬时混叠盲源分离适用不了生活中的一些情况,尤其在语音信号的混合传输上体现得特别明显。语音信号的传播包含回响和干扰,如果多路信号混合传播,信号彼此间的影响更大,其数学模型更逼近于卷积混合的方式。目前,国内外针对语音信号的卷积盲源分离的研究越来越受到重视。然而,由于语音信号和卷积混合的复杂性导致盲源分离的效果不是非常理想、计算复杂度比较高,实际应用难以实现。并且针对于两路以上的信号分离实现起来特别复杂,稳健性不高,也就是说,目前针对于该技术的研究还处于初级阶段。如何高效率和高性能地实现语音信号的卷积盲源分离和多路观测信号的卷积盲分离成为该领域热点、难点问题。本文将着手对于这两个问题进行研究,主要包括以下几个方面:第一,细致梳理了盲源分离和卷积盲源分离的发展历史和研究现状。系统地介绍了盲源分离和卷积盲源分离算法理论,同时研究了这两个算法经常用到的一些基础理论知识,包括盲源分离和卷积盲源分离的基本模型、独立分量分析的约束条件、目标函数和基本的寻优准则等等。并且介绍了几种典型盲源分离和卷积盲源分离的算法,最后总结了语音信号卷积盲源分离算法的评优准则。第二,针对语音信号卷积盲源分离频域法排列不确定性问题,细致地研究了相关幅度排序算法和波达方向(Direction Of Arrival,DOA)估计排序算法,然后总结出了基于多频段能量排序算法。其算法的步骤如下,首先,通过对混合信号的短时傅立叶变换(Short Time Fourier Transformation,STFT),在频域上各个频点建立一个瞬时混合模型进行独立分量分析,之后结合能量相关排序法和波达方向排序法解决排序不确定性问题,再利用分裂语谱方法解决幅度不确定性问题,进而得到每个频点正确的分离子信号,最后用逆短时傅立叶(Inverse Short Time Fourier Transformation,ISTFT)变换得到分离的源信号。通过实验仿真对算法的收敛时间、分离效果、稳健性进行了比较。第三,针对瞬时盲分离在频域各频点盲分离精度不足的问题,本文又改进了幅度相关排序算法,研究了一种基于频点修正的排序算法。该算法首先通过相似度检测各频点的分离信号的正确性,然后用正确的相邻频点信号校正分离错误的频点,直到排序结束,最后,逆变换还原出源信号。通过实验仿真比较了经典算法的收敛速度和分离效果,实验效果表明了改进的算法在分离性能上要优于经典算法,但是该算法的收敛速度同经典算法相比要略逊一筹。第四,针对经典算法在两路以上观测信号分离效果不理想的问题,本文研究了特征排列的熵度量方法,然后结合这种排列方法,研究了一种基于特征排列熵度量的卷积盲分离排序算法。该算法通过引入特征排列熵度量排序算法解决各频点分离信号顺序不确定性问题。首先从第一个频点开始,计算该频点处分离信号的特征全集,然后依次计算每个分离信号对应的特征子集,再依次比较相应的熵差,筛选出差值最小的分离信号,最后依照同样法方法进行余下分离信号的排序,遍历所有频点,直到排序结束。该算法的收敛速度要略慢于经典算法,然而,能成功的解决了三路信号卷积混合的问题,对卷积盲源分离的研究具有重要的价值。本文紧密的联系卷积盲源分离的最新研究方向,细致地分析和研究了卷积盲源分离算法,并且在一定程度上改进和完善了语音信号的卷积盲源分离算法。对以上提到的新算法都进行了理论证明和计算机实验仿真,从不同角度分析和对比了不同的卷积盲源分离排序算法,相比与其它算法,本文研究的三种不同的算法分离性能各有优势,对该领域的研究具有一定的实用价值和应用前景。

关键词：卷积混合独立分量分析排序不确定性短时傅立叶变换特征排列熵度量

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：