论文部分内容阅读
随着盲源分离技术的日趋成熟,它的用途将会越来越广泛。但是在它得到应用的同时,它存在的一些问题也就凸显出来,例如盲源分离中源信号个数估计问题,即如果不能判断传感器的数量和源信号的数量的关系,就无法确定盲源分离的类型,所以对源信号数目的估计是非常有必要的;例如盲源分离算法在噪声环境下的分离性能问题,当前研究的带噪盲源分离问题都是把噪声作为一种独立信号来处理的,这种技术已经十分成熟,并且在多个领域中都成功应用。而实际工程应用中,噪声并不是作为一种独立的信号混合到源信号上的,所以带噪混合信号的盲源分离问题也是值得研究的;又例如独立成分分析(ICA)盲源分离算法本身存在的稳定性问题,即盲源分离算法本身存在的两个不确定性问题(分离信号的无序性和幅度不确定性),以及在对目标函数进行优化时,随机迭代矩阵的初始值的取值等问题,这些问题都可能导致盲源分离算法本身的不稳定。文章主要针对以下三点问题展开研究。一、先对盲源分离中现存的源信号数目估计方法基于经验模态分解—奇异值分解(EMD-SVD)的源信号数目估计方法进行了研究,发现算法进行多次实验时有时会失效,这是因为经验模态分解(EMD)对信号分解时会出现分解尺度不一致,模态混频的情况,从而导致算法无法对源信号数目做出准确的估计;因此文章在原算法的基础上作了改进,提出利用总体经验模态分解—奇异值分解(EEMD-SVD)的源信号数目估计方法来改进EMD-SVD的源信号数目估计方法的不足,使之不会出现以上问题。二、文章研究了带噪语音信号的盲源分离算法的性能,提出了用双重降噪的方案来提高盲源分离算法在噪声环境下的分离效果,并用实验仿真证明了方案的有效性。三、文章通过对梯度类算法、ICA算法、固定步长的自适应分离(EASI)算法、峭度算法以及快速独立成分分析(FastICA)算法的研究发现,它们算法本身的性能受到随机迭代矩阵的初始值和步长影响较大,因此文章对FastICA算法进行了改进,提出用最速下降法来改善FastICA算法中随机迭代矩阵对初始值的敏感性,并用仿真实验证明了改进后算法的正确性。