毕业设计（论文）-基于稀疏分量分析的欠定盲信号分离算法研究

《毕业设计（论文）-基于稀疏分量分析的欠定盲信号分离算法研究》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、毕业设计说明书基于稀疏分量分析的欠定盲信号分离算法研究学生姓名：学号：学院：信息与通信工程学院专业：信息对抗技术指导教师：2014年6月基于稀疏分量分析的欠定盲信号分离算法研究摘要随着人们对通信记录和视频化系统的高质量和高可靠性方面的要求,对数字信号处理技术提出新的要求，盲信号分离是数字信号处理领域的一种新兴技术，在无线通信、生物医学等方面有着重要应用，研究盲源分离技术有其重要意义。盲源分离分为超定盲源分离、正定盲源分离、欠定盲源分离。一般会把超定盲源分离、正定盲源分离归于一类即观测信号数目大于等于源信号数目的情况，在这种情况下，可采用独立分量分析(ICA)方法进行分离

2、，分离过程比较简单。若是欠定情况，即观测信号数目小于源信号数目的情形，常利用信号在某时刻具有稀疏性，对信号进行稀疏表示，利用稀疏分量分析(SCA)方法来恢复源信号。针对稀疏分量分析的盲源分离问题，本论文核心工作和创新点主要体现在以下几个方面：(1)从正定盲源分离出发，研究了盲源分离基本问题，为更易理解欠定情况下盲源分离提供了一个很好的过渡。(2)讨论了欠定盲源分离的一些重要的算法，并给出了这些算法的具体实施过程，分析了各算法的优缺点。(3)提出了一种改进的K-means聚类算法来估计混合矩阵。首先，以K-means聚类算法为基础，对数据进行预处理，通过区域划分法挑选出初

3、始聚类中心进而进行聚类估计出混合矩阵。本文算法改进了K-means算法对样本输入顺序及初始聚类中心很敏感的不足，运用改进后的算法对稀疏观测混合信号进行聚类，精确地估计出了混合矩阵。(4)在源信号恢复上，若信源不充分稀疏，且样本区间上的非零源信号不超过两个，提出采用稀疏分解准则(SSDP)分离信源，此准则相对常用的线性规划算法，提高了源信号的分离精度。关键字：盲源分离；ICA；SCA；欠定盲源分离；K-means聚类；中心点划分；稀疏表示；统计稀疏分解准则StudyonBlindSourceSeparationAlgorithmBasedonSparseRepresent

4、ationAbstractWithpeople’shighrequirementsofqualityandreliabilityforcommunicationrecordsandvideosystem,somenewdemandshavebeenbroughtfordigitalsignalprocessing,blindsourceseparationisanemergingtechnologyinthefieldofdigitalsignalprocessing,ithasimportantapplicationsinmanyaspects,suchaswirel

5、esscommunication,biomedicalandsoforth,thestudyonblindsourceseparationhasimportantsignificance.Blindsourceseparationproblemcanbedividesintothreesituations:overdeterminedblindsourceseparation,positivedefiniteblindsourceseparationandunder-determinedblindsourceseparation.,Generallywegrouptog

6、etheroverdeterminedblindsourceseparationandpositivedefiniteblindsourceseparationasonekind,namelythenumberofobservedsignalsareequalorgreaterthanthenumberofsourcesignals,inthiscase,weusuallyuseindependentcomponentanalysis(ICA)toseparateblindsourceseparation,whichissimpleandsmart.Ifwhenunde

7、r-determinedsituation,namelythenumberofobservedsignalsarefewerthanthenumberofsourcesignals,inthiskindofsituation,weoftenusethesparsityofthesignalsatonemomenttomakethesignalshavesparserepresentation,andthenusesparsecomponentanalysis(SCA)torestorethesourcesignals.Accordingt