时变信号处理关键技术研究

《时变信号处理关键技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TP39学校代码：10213国际图书分类号：681.3密级：公开工工工学学学博博博士士士学学学位位位论论论文文文时变信号处理关键技术研究博士研究生：高畅导师：李海峰教授申请学位：工学博士学科：计算机科学与技术所在单位：计算机科学与技术学院答辩日期：2016年3月授予学位单位：哈尔滨工业大学ClassifiedIndex:TP39U.D.C:681.3DissertationfortheDoctoralDegreeinEngineeringRESEARCHONKEYTECHNOLOGIESFORTIMEVARYINGS

2、IGNALPROCESSINGCandidate:GaoChangSupervisor:Prof.LiHaifengAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:ComputerScienceandTechnologyAffiliation:SchoolofComputerScienceandTechnologyDateofDefence:March,2016Degree-Conferring-Institution:HarbinInstituteofTechnology摘要

3、摘要信号是信息的载体，信息处理的关键在于对信号中关键信息属性的提取与分析。时变信号（TimeVaryingSignal,TVS），如各种音频信号和生命体征信号等，是一类重要的、具有非线性非平稳特性的常见信号，涵盖了信息提取的主要难点和热点问题。在目前的绝大多数研究中都将TVS视为短时平稳且线性的，重点关注其时域和频域包含的信息，而信号随时间变化部分所承载的信息大部分被忽略，严重影响TVS信息提取的精准度，使其实际应用受到了很大限制。本论文面对TVS处理的挑战，重点研究了TVS的信号分割标准、信号成分分析、信号建模与特征提取以及分类识

4、别等核心问题，主要研究内容包括：（1）实时精准分割是TVS信号分析的前提。针对TVS处理中的粒度划分标准与快速鲁棒分割算法等问题，提出了基于Hilbert谱（HilbertSpectrum，HS）的自适应信号分割技术。通过深入研究非平稳过程产生非线性失真的描述与恢复方法，精确地提取了信号在HS时域和频域上的能量特征。为了提升HS时域能量特征的区分能力，提出了基于时域能量对数的能量强度指数，并基于该指数完成初始分割。其后利用TVS在不同频带上的变化差异，通过对相邻等长时段内的频域能量差异进行考察，检测TVS的精确分割点。与其他主流信号

5、分割技术相比，本文方法得到的分割结果准确，并具有更少的插入与漏检错误；在语音识别应用中，本文方法在87%以上情况下会给出合理的分割结果。（2）针对TVS有效成分自动分析问题，提出了一种将独立成分分析（IndependentComponentAnalysis，ICA）和希尔伯特黄变换相融合的TVS成分分析技术。在复杂的实际环境中，所获得的TVS通常由多种源信号混合而成，ICA可以分离信号中的这些隐藏成分。但ICA也具有独立成分（IndependentComponent，IC）顺序和幅值不确定的问题。为此我们对各IC实施经验模态分解（E

6、mpiricalModeDecomposition,EMD），利用IC趋势项能够有效表征信号差异的特性，自动地对感兴趣的IC进行识别；通过计算IC的瞬时频率来实施频域滤波，得到了更加精确的成分。面对以多成分混合和强干扰频发为特征的典型TVS——脑电信号（Electroencephalogram，EEG），我们对本文方法的信号分离和成分提取能力进行了验证。对于眼电伪迹影响的问题，本文方法可以有效去除EEG信号中99.9%的眼电信号。在同经典的基于ICA和回归分析的方法比较中看到，本文方法将修正EEG信号与原始EEG信号的相关度从经典I

7、CA的0.69和回归分析的0.71提高到0.84，并且保留了更多的脑认知活动相关信息。（3）TVS包含的高维特征，只有通过高效的建模才能有效提取，稀疏模型-I-哈尔滨工业大学工学博士学位论文是TVS简洁、高效的表达，对此本文提出了一种基于本征模态函数基字典的TVS稀疏建模与特征提取方法。对信号进行EMD分解得到的本征模态函数（IntrinsicModeFunction，IMF）是信号最本质的成分。我们提出将IMF用于字典的学习，引进层级稀疏建模的思想，通过正交匹配追踪对TVS进行稀疏建模，在保证建模效果的前提下极大地消除了建模效率低

8、下的问题。并且，进一步提出了基于压缩感知理论的特征提取方法，将少量但却包含了主要信息的感知特征系数作为TVS后续处理的有效特征。实验证明：在相同稀疏度下，用本文稀疏模型重构信号的信噪比，比其他主流方法高2dB以上；在相同信噪比下，本方