最大信噪比盲源分离算法研究

数字信号处理中的盲信号分离算法研究随着数字信号处理技术的不断发展，越来越多的应用场景需要进行信号分离操作，例如在语音识别、音频处理、图像处理等领域。

然而，很多情况下信号的混合是未知的，传统的信号分离算法无法完成任务。

因此，盲信号分离算法开始受到越来越多的关注。

本文将介绍数字信号处理中的盲信号分离算法研究。

1. 盲信号分离算法的定义盲信号分离算法是指在未知信号混合的情况下，通过不依赖于混合信号模型的方法，将混合信号分离为原始信号的过程。

盲信号分离算法常用于音频处理和图像处理，在这些应用中常常存在混合信号的情况。

例如，在鸟类识别中，鸟鸣声会和环境噪声混合在一起，通过盲信号分离算法可以将鸟鸣声和噪声分离开来，从而提高识别的准确度。

2. 盲信号分离算法的分类盲信号分离算法主要分为线性盲源分离算法和非线性盲源分离算法两种。

①线性盲源分离算法线性盲源分离算法是指在混合信号中存在线性关系的情况下，通过矩阵分解、独立成分分析等方法将混合信号分离为原始信号的过程。

矩阵分解法是其中最基础的方法之一，其基本思路是将混合信号视为是原始信号矩阵与混合矩阵的乘积，通过对混合矩阵的分解，将混合信号分离为原始信号。

独立成分分析算法是常用的线性盲源分离算法之一，它基于统计学原理，通过对混合信号的统计分析，估计各个原始信号的概率密度函数并分离出来。

②非线性盲源分离算法非线性盲源分离算法是指在混合信号中存在非线性关系的情况下，通过神经网络、遗传算法等方法将混合信号分离为原始信号的过程。

神经网络算法是常用的非线性盲源分离算法之一，其基本思路是通过训练神经网络来寻找混合信号和原始信号之间的映射关系，从而将混合信号分离为原始信号。

遗传算法是一种优化搜索算法，通过模拟生物进化的过程，不断迭代寻找最优解。

在盲信号分离中，遗传算法被用于优化分离算法的参数，从而提高分离效果。

3. 盲信号分离算法的应用盲信号分离算法被广泛应用于音频处理和图像处理领域。

太原理＿１：大学硕十研究生学位论文实验二取两段语音信号用做系统的独立源，采样点为３２０００个点，其中一个为男声汉语语音“中国男单选手林立文和董炯击败各自对手”作为源信号５ｌ，另一个为女声汉语语音“中国男单选手林立文和董炯击败各自对手”作为源信号ｓ２。

波形如图３－９所示。

混合矩阵Ａ＝（：磊篙：三；；习，混合信号如图ｓ一·。

所示。

ｖｌｎ４图３－９源信号Ｆｉｇ３－９Ｔｈｅｓｏｕｒｃ２ｓｉｇｎａｌｓ３５太原理二【：大学硕士研究生学位论文Ｖ。

１１３４图３．１０混合信号Ｆｉｇ３－１０Ｔｈｅｍｉｘｅｄｓｉｇｎａｌｓ取动量项口＝０．０３，步长∥＝０．０００３。

非线性函数用Ｚ∽）＝ｔａｎｈｙｆ，算法收敛后，得到分离信号乃、Ｙ２的波形如图３－１１所示，与源信号波形图３－９比较，基本恢复。

图３．１１分离信号ＴｈｅｓｅｐａｒａｔｅｄｓｉｇｎａｌｓＦｉｇ３－１Ｉ３６太原理【：大学硕十研究生学位论文通过图３－１３性能曲线比较图可以看出，利用本文算法权值在接近５００步左右已经收敛，而原算法需要大约７００步才能收敛。

通过模拟实验，得到分离输出结果，与输入语音源信号的试听比较，本文加入动量项的最小互信息盲分离算法可以成功的完成分离任务。

实验三本实验选取三幅像素为２５６ｘ２５６的图像“ｔｈｅａｔｅｒ”、“ｌｅｎｎａ”和“ｂｉｒｔｈｄａｙ”为源信号＾，ｓ２，ｓ３，如图３－１４所示。

实际运算时它们将被拉直为矢量，以便利『０．５６８２－０．３４６１０．２９７５］用本文的算法。

随机选取混合矩阵Ａ＝ｌ－０．６１９３ｏ．１０９５ｏ．４２１３Ｉ，经过Ａ混迭ｌｏ．２６０９ｏ．８ｌ５７－０．５７６８ｊ后的图像如图３．１５所示。

匿３．１４源信号Ｆｉｇ３－１４ｔｈｅｓｏｕｒｃｅｓｉｇｎａｌｓ图３．１５混合信号Ｆｉｇ３－１５ｔｈｅｍｉｘｅｄｓｉｇｎａｌｓ３８太原理［大学硕士研究生学位论文采用本文分离算法，取口＝０．０１，步长一＝ｏ．０３，非线性函数用厂（乃）＝∥。

基于盲源分离技术的音频信号处理研究近年来，随着数字化技术的不断发展，音频信号处理的技术也得到了快速的发展和普及，特别是基于盲源分离技术的音频信号处理，在语音识别、音乐分离及降噪等方面的应用得到了广泛的关注和研究。

因此，本文将从什么是盲源分离技术以及它的应用、算法模型、实现方法等方面逐一进行讲解。

1. 什么是盲源分离技术？盲源分离，简称BSS （Blind Source Separation），是指不依赖于源信号信息而只使用混合后的信号进行分离的一种技术方法。

由于混合后的信号包含有源信号的混合成分，因此通过数学方法对信号进行处理，可以将各个源信号进行分离和重构，并获得原始源信号。

以语音信号为例，它们的混合存在于许多实际应用场景中，如电话会议、语音信箱等。

在这种情况下，我们需要分离出各个讲话者的语音信号，这时候就需要用到盲源分离技术。

2. 盲源分离技术的应用盲源分离技术主要应用于语音识别、音乐分离、图像处理、生物信号处理等领域。

其中，语音识别和音乐分离是它的主要应用领域之一。

在语音识别中，对于多个人同时说话的场景，BSS技术可以有效地将不同讲话者的语音分离开来，使得语音识别的精度得到大幅提高。

而在音乐分离中，BSS技术可以将混合的音频信号中的不同乐器进行分离，从而获得原始的音乐声音信号，为音乐分析和后期处理提供了方便。

3. 盲源分离高斯混合模型盲源分离技术一般采用高斯混合模型（GMM）进行建模，这个模型基于每个源信号的先验分布进行分离。

GMM模型的假设是下面式子：$$\omega_k = P(s_k)，x^i \sim N(\mu_k, \Sigma_k)$$其中，gmm模型包含K个高斯混合模型，每个高斯混合模型对应一个源信号sk，P（sk）表示源信号sk出现的概率，而x表示混合的信号，μk和Σk分别是第k个高斯混合模型的均值和方差。

4. 盲源分离技术的基本实现方法盲源分离技术采用的算法包括最小均方（LMS）和独立组分分析（ICA）等。

基于卷积神经网络的盲源分离算法研究随着人工智能的快速发展，深度学习算法已被广泛应用于图像和语音领域。

其中，盲源分离算法已成为语音信号处理的研究热点。

基于卷积神经网络的盲源分离算法在语音信号处理领域也得到了广泛的应用和探索。

一、盲源分离算法概述盲源分离算法是指通过观察到多个混合的信号，将其恢复成原始源信号的一种方法。

在传统的盲源分离算法中，常见的方法有独立成分分析（ICA）、线性预测解耦（LP）、非负矩阵分解（NMF）等。

但是这些传统方法对于一些复杂的信号分离问题表现不尽人意。

随着深度学习的发展，基于卷积神经网络的盲源分离算法开始在语音信号处理领域得到广泛的应用和探索。

基于卷积神经网络的盲源分离算法可以通过对信号的频谱图进行卷积神经网络训练，实现对信号的有效分离和恢复。

二、卷积神经网络的盲源分离算法卷积神经网络是一种针对图像和语音信号处理的深度学习算法，它通过神经网络的层次结构来提取信号中的空间和时间特征。

在卷积神经网络中，最重要的是卷积层和池化层。

卷积层是通过卷积操作对输入信号进行滤波处理，产生相应的特征图。

池化层则对相邻特征图的信息进行汇总，减少了输入数据的大小和计算量。

在基于卷积神经网络的盲源分离算法中，需要将信号转化为时间和频率上的信息，将其作为输入数据传入卷积神经网络进行训练。

在基于卷积神经网络的盲源分离算法中，需要将多个混合信号的分量转换为频率信息，得到幅度和相位信息。

频率幅度和频率相位信息可以由傅里叶变换得到。

然后将频率信息归一化后，用卷积神经网络进行训练，得到恢复后的源信号。

三、卷积神经网络的盲源分离算法的优缺点基于卷积神经网络的盲源分离算法具有很多优点。

首先，该算法可以自动提取源信号的特征，避免了传统方法中需要手工提取特征的繁琐过程。

其次，卷积神经网络可以在深度方向上进行特征提取，提高了信号处理的鲁棒性和准确性。

最后，该算法可以通过大规模数据的训练来提高模型的性能和预测精度。

然而，基于卷积神经网络的盲源分离算法也存在一些缺点。

基于最大信噪比的盲源分离算法的修正与比较
高剑茹;高宝成
【期刊名称】《电脑与信息技术》
【年(卷),期】2009(017)001
【摘要】对基于最大信噪比的盲源分离算法进行了修正,解决了原算法在一些情况下失效的问题,并且比较分析了以上算法和全局最优盲源分离算法的分离性能.仿真结果表明,修正了的基于最大信噪比的盲源分离算法和全局最优盲源分离算法经常在分离性能上很相近,且都解决了修正前算法在一些情况下失效的问题.
【总页数】3页(P19-21)
【作者】高剑茹;高宝成
【作者单位】北京邮电大学,自动化学院,北京,100876;北京邮电大学,自动化学院,北京,100876
【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于最大信噪比的盲源分离雷达抗主瓣干扰方法 [J], 董玮;李小波;徐旭宇;王伟;李磊
2.基于最大信噪比盲源分离的脑电信号伪迹滤波算法 [J], 罗志增;曹铭
3.基于最大信噪比的盲源分离算法 [J], 张小兵;马建仓;陈翠华;刘恒
4.基于伪信噪比最大化的盲源分离算法 [J], 柴娟芳;司锡才;张雯雯;李利
5.基于相关运算的低信噪比盲源分离抗干扰算法 [J], 曹越;张杭;朱宏鹏;秦媛;李炯
因版权原因，仅展示原文概要，查看原文内容请购买。

目录摘要 ............................................................................................................................. I II ABSTRACT ................................................................................................................. I V 第一章语音信号及噪声概述................................................................................. - 1 - 1.1 语音信号的概述 ............................................................................................... - 1 -1.1.1 语音特性分析................................................................................. - 1 -1.1.2 语音信号的基本特征..................................................................... - 2 -语音噪声特性分析..................................................................................... - 3 -1.2.1 信噪比(Signal Noise Ratio，SNR) ................................................ - 3 -1.2.2 信干比(signal-to-Interference Ratio，SIR) ................................... - 4 - 第二章盲信号处理................................................................................................. - 5 - 盲信号处理的概述 .................................................................................................. - 5 -2.1.1 盲信号处理的基本概念................................................................. - 5 -2.1.2 盲信号处理的方法和分类............................................................... - 5 -2.1.3 盲信号处理技术的研究应用........................................................... - 6 -2.2 盲源分离法.......................................................................................... - 7 -2.2.1 盲源分离技术................................................................................... - 7 -2.2.2 盲分离算法实现............................................................................... - 7 -2.2.3 盲源分离技术的研究发展和应用................................................... - 8 - 2.3 独立成分分析 ................................................................................................... - 9 -2.3.1 独立成分分析的定义....................................................................... - 9 -2.3.2 ICA的基本原理.............................................................................. - 10 - 2.3.3 本文对ICA的研究目的及实现.................................................................. - 12 - 第三章盲语音信号分离的实现及抑噪分析....................................................... - 15 - 3.1 盲语音信号分离的实现 ................................................................................. - 15 -3.1.1 盲信号分离的三种算法................................................................. - 15 -3.1.2 不同算法的分离性能比较............................................................. - 17 - 3.2 抑制噪声的算法仿真及结果分析 ............................................................... - 17 -3.2.1 抑噪算法仿真实现......................................................................... - 17 -分离结果分析........................................................................................... - 20 -3.2.2 不同算法的分离性能比较............................................................. - 28 - 第四章结论与展望............................................................................................... - 34 - 致谢................................................................................................................. - 36 - 参考文献................................................................................................................. - 37 - 附录................................................................................................................. - 38 -基于盲源分离技术的语音信号噪声分析与处理摘要语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。

盲信号分离算法分析与应用研究盲信号分离是信号处理领域非常重要的研究课题,在无线通讯、语音识别、信号加密、特征提取、信号抗干扰、遥感图像解译以及生物医学信号处理等领域具有广泛的应用前景,因而受到了越来越多学者的关注。

尽管盲分离领域的发展很快,不过仍然存在如下问题:怎样分离相关源信号?如何处理大规模或者实时数据集?怎样处理欠定盲分离问题,特别是源信号数目未知的情况下怎样估计源的数目并分离源信号?如何使盲分离技术走向实际应用领域等等。

本文从如下几方面继续探讨了盲分离问题:首先,系统研究了基于非负矩阵分解(nonnegative matrix factorization,NMF)的盲分离方法。

根据观测信号所体现出来的几何特征,在经典的NMF中添加了关于混叠矩阵体积的惩罚项。

进而探讨了源信号的可分性条件,并分析了该条件与源信号稀疏特征之间的关系。

同时,通过采用基于自然梯度的优化算法,使得传统的交替最小二乘乘法更新规则仍然适用于求解基于体积约束的NMF模型。

该约束NMF方法特别适合处理相关信号的盲分离,同时由于采用了体积约束,不仅增强了基于NMF的盲分离方法的可辨识性,而且降低了对源信号的稀疏性要求。

其次,对大规模数据集或者实时数据集,论文介绍了增量或在线盲分离算法,特别推导了基于增量非负矩阵分解的在线盲分离方法。

通过采用充分使用每个样本的“平均遗忘”学习手段,该方法既保障了学习的统计效率,又降低了计算消耗。

由于在每次迭代时,消耗非常小,因而适合于处理在线盲分离问题。

然后,分析了稀疏信号的欠定盲分离问题。

介绍了两类分离方法:1)二步法,即先通过具有优越分类性能的支持向量机方法来估计混叠矩阵,然后采用线性规划方法来恢复源信号,其中在估计混叠矩阵时采用定向非循环图方法将传统的二分类支持向量机推广到了多分类;2)同步法,采用基于约束自然梯度的交替更新优化算法,可以同时估计混叠矩阵和源信号。

与传统采用近似梯度的方法不同,本文从理论上严格推导了学习混叠矩阵的实际梯度,相应的学习结果明显优于近似梯度方法。

基于小波包改进的最大信噪比的盲分离算法申晨宇;刘增力【摘要】针对现有算法基于最大信噪比的盲源分离算法在低信噪比情况下分离效果降低甚至失效的问题,提出了一种利用小波包改进的最大信噪比的盲源分离算法,提高了现有算法在较低信噪比下的分离效果.具体地,先利用小波对预处理后的观测信号进行滤波,用此信号代替现有算法中估计信号的滑动平均,然后根据信噪比建立的代价函数进行广义特征值分解计算得到分离矩阵.仿真结果表明,改进算法的分离效果优于现有算法的分离效果.【期刊名称】《通信技术》【年(卷),期】2018(051)012【总页数】7页(P2812-2818)【关键词】盲源分离;小波包分解与重构;最大信噪比;评价标准【作者】申晨宇;刘增力【作者单位】昆明理工大学信息工程与自动化学院,云南昆明 650500;昆明理工大学信息工程与自动化学院,云南昆明 650500【正文语种】中文【中图分类】TP30 引言盲源分离是20世纪末发展起来的一个新兴领域，是人工神经网络、统计信号处理以及信息理论相结合的产物，在很多领域已经得到了广泛应用。

盲源分离是在不知道源信号的组成成分以及传输通道或只知道其少量先验知识（如非高斯性、统计独立性等）的情况下，仅从观测信号中恢复或分离感兴趣的源信号，即需要找到一个分离矩阵，从观测信号中提取出各个源信号。

一个典型的例子就是“鸡尾酒会”问题[1]，即在一个房间里听到的是混合在一起的嘈杂的声音，应如何把混合在一起的声音分离开的问题。

当前，国内外研究者提出了各种各样的分离算法，且各有利弊。

例如，基于独立分量分析的盲源分离算法[2-4]，是盲源分离算法中非常经典有效的方法。

它需要假设前提条件，即源信号满足非高斯分布且相互统计独立。

这些算法存在一些弊端，一是无法让分离后的信号与混合前的信号一一对应，二是无法恢复混合前信号的真实幅度[5]，但这些缺点对于最终分离的目的来说在可接受范围内。

还有一些近年来新兴的算法，如稀疏成分分析[6]。

基于深度学习的盲源分离技术研究近年来，随着深度学习技术的不断发展和成熟，越来越多的领域开始应用这一技术来解决实际问题。

其中，盲源分离技术就是一个重要的应用领域。

本文将介绍盲源分离技术的概念、应用、研究现状以及未来发展方向。

一、概念盲源分离是指在没有知道源信号的情况下，从混合信号中分离出其中的每个源信号。

它具有广泛的应用领域，比如音频信号处理、图像分析、语音识别等等。

盲源分离技术的实现依赖于独立成分分析（ICA）算法。

ICA 是一种基于统计特性的算法，通过分离统计独立的成分来实现盲源分离。

二、应用盲源分离技术在音频信号处理方面具有广泛的应用。

比如，利用盲源分离技术可以将一段音乐中的各个乐器信号进行分离，使得用户可以对各个乐器信号进行独立处理，从而达到更好的音效效果。

此外，盲源分离技术在语音识别方面也有重要的应用。

比如，在一段有噪声的语音信号中，盲源分离技术可以将语音信号和噪声信号进行分离，从而减小语音识别中的误差率。

三、研究现状随着深度学习技术的不断发展，基于神经网络的深度盲源分离技术逐渐成为研究热点。

其中，基于卷积神经网络（CNN）和循环神经网络（RNN）的深度盲源分离技术最为常见。

目前，深度盲源分离技术在音频信号处理和语音识别方面已经取得了很大进展。

在音频信号处理方面，一些基于深度学习的算法已经可以实现实时盲源分离。

在语音识别方面，与传统的盲源分离算法相比，深度盲源分离算法具有更好的鲁棒性和准确性。

四、未来发展方向当前，深度盲源分离技术仍有很大的应用空间和研究空间。

未来，可以继续改进和优化深度盲源分离算法，实现更高的盲源分离性能。

此外，未来还可以将深度盲源分离技术应用到更多的领域中，比如图像分析、视频分析等等。

这些领域的实际问题也需要盲源分离等技术的支持，因此深度盲源分离技术的发展前景广阔。

总之，基于深度学习的盲源分离技术在音频信号处理、语音识别等领域具有重要的应用价值和研究价值。

随着深度学习技术的不断发展，深度盲源分离技术有望成为这些领域中的研究热点和应用热点。

盲源分离和信道编码盲识别研究盲源分离和信道编码盲识别研究引言：随着通信技术的飞速发展，盲源分离和信道编码盲识别成为了无线通信中的热门研究领域。

盲源分离是指在没有先验信息的情况下，通过无线信道接收到的信号来分离出多个输入信号源。

而信道编码盲识别是指在无线通信中，在不知道信道编码方式的前提下，通过接收到的信号来识别信道编码方式。

本文将对盲源分离和信道编码盲识别的原理、方法以及应用进行探讨。

一、盲源分离的原理和方法盲源分离是通过接收到的混合信号来分离出多个输入信号源的技术。

其基本原理是通过对混合信号进行逆变换，将其转换为独立的源信号。

常用的盲源分离方法有独立成分分析（ICA）、自适应混合估计（AMUSE）以及小波变换等。

其中，独立成分分析是应用最广泛的一种方法，它基于统计独立性原理，通过最大似然估计的方法将混合信号分离成独立的源信号。

在实际应用中，盲源分离可以应用于音频信号处理、图像处理以及无线通信等领域。

例如，在多输入多输出（MIMO）系统中，通过盲源分离可以实现多个天线同时传输和接收多个信号源的数据，从而提高系统容量和可靠性。

二、信道编码盲识别的原理和方法信道编码盲识别是通过接收到的信号来识别信道编码方式的技术。

其基本原理是通过对接收信号进行解调和译码，分析其特征参数来判断信道编码方式。

常用的信道编码盲识别方法有自适应等化器、循环冗余校验（CRC）校验和最大后验概率（MAP）译码等。

在无线通信中，信道编码盲识别可以应用于误码率（BER）性能评估、调制识别以及自适应调制算法等方面。

例如，在软件定义无线电（SDR）系统中，通过信道编码盲识别可以自动选择合适的调制方式和编码方式，提高系统的灵活性和性能。

三、盲源分离和信道编码盲识别的应用盲源分离和信道编码盲识别在无线通信中有着广泛的应用。

在语音和音频信号处理中，盲源分离可以用于人声识别、语音增强以及音频信号去噪等方面。

在图像处理中，盲源分离可以实现图像分割、目标跟踪以及图像去水印等功能。

基于盲源分离的信号处理技术研究一、介绍信号处理技术是实现信息处理和传输的关键技术之一。

随着信息技术发展，信号处理技术已成为现代通信、图像处理、音频处理等领域的基础性技术。

盲源分离技术是目前广泛研究的信号处理技术之一，它可以从多种传感器接收的混合信号中提取出有用信号。

二、盲源分离技术原理盲源分离技术属于一种无需预先知道源信号和混合矩阵，即可对混合信号进行分离处理的信号处理方法。

其原理基于独立性假设，即假设每个源信号之间是相互独立的，且混合信号是源信号的线性组合。

这种假设在实际问题中常常成立。

盲源分离技术中，主要有独立分量分析（ICA）、极大似然估计（MLE）等方法。

其中，ICA 是最常用的一种方法，它通过估计源信号的独立性来进行分离。

通常采用的是牛顿迭代算法、FastICA 等。

三、盲源分离技术的应用1. 音频信号处理盲源分离技术在音频信号处理领域得到了广泛应用。

例如，在会议录音、电话会议、语音识别等应用场景中，可以将多个话筒麦克风接收的混合声音分离为不同的声源。

此外，在音乐信号处理中，盲源分离技术可以将多个乐器演奏声音分离开来。

2. 图像信号处理在图像信号处理领域中，盲源分离技术也有广泛的应用。

例如，在医学图像处理中，可以将脑电图信号（EEG）和磁共振成像信号（MRI）进行分离，以便更好地诊断疾病。

3. 数据挖掘盲源分离技术还可以用于数据挖掘中。

例如，在监督学习和无监督学习中，可以将多种特征组合成新的特征，从而更好地分类和聚类。

四、盲源分离技术的改进虽然盲源分离技术应用广泛，但其效果往往受到多种因素的影响，如信噪比、信号的独立性、混合矩阵的质量等。

为了解决这些问题，研究人员提出了多种改进算法。

例如，基于高斯过程的盲源分离技术、扩展的 ICA 算法、二阶谱分析等方法。

五、结论盲源分离技术是一种十分重要的信号处理技术，可以在多个领域中得到广泛应用。

随着技术不断改进，我们相信盲源分离技术会在未来发挥越来越重要的作用。

盲源分离论文：通信信号的盲源分离算法研究【中文摘要】随着计算机技术的飞速发展,数字信号处理技术在通信、医学等领域得到了广泛的应用。

盲源分离技术作为一种尖端的信号处理方法成为众多学者竞相研究的对象。

盲源分离技术是指在未知原始信号和信号传输信道的情况下,只根据原始信号独立的统计特征,通过传感器的输出信号将原始信号恢复出来的过程。

按未知信号传输信道的传输模式可以将盲源分离分为线性盲源分离和非线性盲源分离。

线性映射下盲源分离可以只利用源信号的独立条件解决,而非线性映射下的盲源分离则是一个棘手的病态问题,需要大量的工作对它进行研究。

本文分别对线性盲源分离问题与非线性盲源分离问题进行了研究。

对于线性映射下的盲源分离问题,本文系统地研究了基于信息论、联合近似对角化及负熵的盲源分离算法,其中基于负熵的FastICA算法具有收敛速度快的优势,可以实时地应用于工程环境中,但它的求解依赖于初始分离矩阵的设置。

本文对FastICA算法进行了改进,提出将牛顿下降法与Shamarskii法结合以改变原来的迭代方式,降低算法对随机初始分离矩阵的敏感性。

利用实信号及复信号分别对改进后的FastICA算法进行仿真,结果表明改进后的FastICA算法不再敏感于随机分离矩阵的初始设置且提高了分离效果及收敛速度,与基于信息论、联合近似对角化的盲源分离算法相比分离效果及收敛速度更优。

对于非线性映射的情况,本文针对后非线性混合研究了马尔可夫的盲源分离(Markov-PNL)和互信息的盲源分离(MIM-PNL)算法。

本文在研究Markov-PNL算法基础上探讨了马尔可夫阶对算法性能的影响;传统的MIM-PNL与Markov-PNL算法因计算评分函数使收敛速度较慢,本文在评分函数参数化的基础上,利用多层感知器进行后非线性盲源分离,并对算法迭代式增加阻尼项,使算法更快地达到收敛。

仿真结果表明改进的MIM-PNL算法提高了分离效果及收敛速度。

【英文摘要】With the rapid development of computer technology, digital signal processing technology in communication, medicine and other fields has been widely used. Blind Source Separation (BSS) technique as a sophisticated signal processing method is researched by many scholars.BSS recover unknown signals only based on independent statistical characters of the original signals without any prior knowledge of the signal transmission channel and source signals. The BSS can be divided into linear blind source separation and nonlinear blind source separation by transmission mode. Under linear map, BSS can be resolved only use the independent statistical character between the source signals. Nonlinear map is a sick problem and hard to make. It need more work on this subject.This paper researched the linear and nonlinear blind source separation.For the linear mapping BSS problem, we systematically studied the algorithms based on informationtheory, joint approximate diagonalization and the negative -entropy, in which negative-entropy-based FastICA algorithm has the advantage of fast convergence, suitably applied in the engineering environment, but its drawback is also exist. The answer is sensitive to the initial of separating matrix, inappropriate initialization of the separating matrix will come to wrong solutions. In this paper, FastICA algorithm is improved by combing Newton’s method and Shamarskii method to change the iteration mode. This will reduce the sensitivity on the initialization of separating matrix. Real signal simulation and complex signal simulation showed that the improved FastICA algorithm is not sensitive to the separating matrix which randomly initialed, and the separation efficiency and convergence rate are also improved. Compared with algorithms based on information theory, joint approximate diagonalization, improved FastICA is better. For the case of non-linear mapping, this paper studied Markov Post-Nonlinear separation (Markov-PNL) algorithm and the mutual information Post-Nonlinear separation (MIM-PNL). Firstly for the Markov-PNL, this paper discussed the effect which Markov order make on. The stimulation shows the weak instance of the Markov-PNL algorithm; as traditional MIM-PNL and Markov-PNLboth calculate the score function, the convergence speed is slow. Base on parametric of the score function, this paper use multilayer perception for nonlinear blind source separationand add a damping term to the iteration which speed up the convergence. Simulation result shows that the improved MIM-PNL algorithm increased separating efficiency and convergent speedin some extend.【关键词】盲源分离 FastICA 后非线性评分函数马尔可夫【英文关键词】BSS FastICA post non-linear score function Markov【备注】索购全文在线加好友：1.3.9.9.3.8848同时提供论文写作一对一指导和论文发表委托服务【目录】通信信号的盲源分离算法研究摘要4-5Abstract5-6第一章绪论9-13 1.1 盲源分离的研究背景及意义9-10 1.2 盲源分离研究的应用10-11 1.3 课题的研究内容11-12 1.4 论文内容安排12-13第二章盲源分离的基本理论13-28 2.1 盲源分离的基本模型13-16 2.2 统计知识16-19 2.3 信息论基础知识19-23 2.3.1 熵19-21 2.3.2互信息量21-22 2.3.3 负熵22-23 2.4 信号预处理23-25 2.4.1 零均值化23 2.4.2 白化23-25 2.5 盲源分离的性能评价指标25-26 2.6 本章小结26-28第三章线性盲源分离算法的研究28-48 3.1 基于信息论的盲源分离28-31 3.2 极大似然度的盲源分离31-33 3.2.1 似然估计31-32 3.2.2 极大似然盲源分离算法32-33 3.3 联合近似对角化的盲源分离算法33-34 3.4 FastICA 算法及其改进34-45 3.4.1 FastICA 算法的研究34-36 3.4.2 FastICA 算法的改进36-39 3.4.3 仿真分析39-45 3.5 算法的对比与分析45-47 3.6 本章小结47-48第四章后非线性盲源分离算法的研究48-63 4.1 非线性盲源分离解的存在性及不确定性48 4.2 后非线性盲源分离的模型48-49 4.3 基于马尔可夫的后非线性盲源分离研究49-57 4.3.1 马尔可夫盲源分离算法49-53 4.3.2 仿真分析53-57 4.4 基于互信息量的后非线性盲源分离研究57-61 4.4.1 基于互信息的后非线性盲源分离57-58 4.4.2 算法的改进58-60 4.4.3 仿真分析60-61 4.5 本章小结61-63第五章总结与展望63-65参考文献65-69攻读学位期间发表的学术论文69-70致谢70-71。