搜索
1南京邮电大学专业学位硕士研究生学位论文开题报告学号1215012537姓名赵城手机13701580700专业（领域）电子与通信工程所在学院通信与信息工程学院实践企业南京邮电大学已获得的课程学分28是否达到培养计划要求是未完成的课程及预计完成时间无补修课程及成绩无初定论文题目基于稀疏表示的盲源分离技术研究论文选题来源国家自然科学基金和江苏省自然科学基金论文类型应用研究论文形式应用技术研究论文一、选题依据（综述报告）背景及发展趋势：在现实生活和自然界中存在许多我们人类需要不断去认知和获取的信息，这主要包括视觉、听觉等方面的信息，但这些信息通常是纷繁复杂的，有用、无用、准确、不准确、真实的、虚假的。这就给人们的生活和工作带來了诸多不便和困难，因为人们不但需要去辨别信息的真伪，还需要从这些已获取的信息中提取出自己关心和感兴趣的内容。盲信号分离问题的主要任务就是从大量数据中提取出人们所希望得到的信息。信号处理理论告诉我们，一个系统是由有着相互联系的输入信号、输出信号和系统特征三者构成的，如果我们知道其中任意的两个，第三个就能求出。但在真实的情形中，是不可能事先知道输入信号与系统特征信息的，在信源和信道未知或部分未知的情况下求解原信号的问题在学术上称之为盲源分离。盲信号分离问题的科学定义指的是在源信号与传输信道的先验知识都未知的情况下，根据仅有的源信号的统计特性，由所得到的观测信号分离或恢复出源信号的过程。由于无从得知源信号和传输信道的先验信息，盲信号分离问题具有极大的难度，但这种情形在许多实际环境中又的的确确存在，比如有名的鸡尾酒会问题。信号盲源分离问题的研究最早是由法国的J.Herauh和C.Jutten在1985年左右开始的，他们的方法现在常称为H-J算法[1]。90年代，L.Tong、Comon、曹希仁等学者在盲源分离的可分性问题上作出了许多卓有成效的工作[2][3]。1994年，Comom将数据处理与压缩的主分量分析（PrincipalComponentAnalysis.PCA）加以扩展成为独立分量分析（IndependentComponentCorrelationAlgorithm.ICA），阐述了独立分量分析这一概念[2]，提出了ICA方法的基本假设条件，并明确指出，应该通过某个称为对比函数的目标函数达到极大值来消除观测信号中的高阶统计关联，以实现线性混合的ICA。1995年，Bell和Sejnowski[4]利用神经网络的非线性特性来消除观测信号中的高阶统计关联，并把盲分离问题归入信息论框架，用信息最大化准则建立目标函数(Infomax算法)。1999年，Hyvarinen和Oja基于源信号的非高斯性测度，给出一类2定点算法(Fixed-Point)法，其具有非常快的收敛速度，因此也称为FastICA[5]，该方法至今仍然被广泛应用于盲源分离问题中。随后，Zhang、Ci-chocki和Amari发展了处理线性盲源分离/解卷积问题的状态空间方法，并推导出了相应的自然梯度算法[6]。另一方面，随着稀疏表示理论的提出，人们开始尝试利用稀疏表示实现盲源分离，在1998年，Chen、DonohoandSaunders等人就讨论在一组超完备(如小波基)下使用大规模线性规划寻找信号的稀疏表示[7]。2001年前后，Zibulevsky，Kisilev，Zeevi和Pearlmutter等先后发表了关于信号字典、超完备、稀疏分解方法的多篇文章[8]。2004年，李远青在NeuroComputations分析了稀疏表示和欠定的盲分离问题[9]。近年来，基于稀疏表示理论和字典学习的单通道盲源分离问题逐渐成为人们研究的热点，文献[10]是一个单通道盲信号分离问题的综述，总结了单通道盲信源分离常用的研究方法，文献[11][12]提出了基于部分字典学习和在线字典学习的的盲源分离方法。与此同时，人们更加关注盲源分离理论在生产、生活中的应用[13]。根据上文的论述，结合已有的研究成果，我们可以对盲源分离问题作出下面的分类，并针对不同的类别给出不同的研究方法。从源信号与观察信号数量关系上区分，现有的盲信号分离算法可以分为两类：第一类算法能够处理观察信号数量大于或等于源信号数量的情形，这种情形称之为超定。研究者们提出了许多效果良好的算法，例如PCA、ICA，最大信息熵(Infomax)方法，最大化负熵方法，最大化似然估计，基于信号时间关联性的方法(SOBI)等，采用上述方法，以及能够较好的求解这一类超定、适定盲源分离问题，故这一类问题以及不是研究的重点。第二类算法是处理观察信号数量小于源信号数量的情形，这种情况称为欠定，对于欠定情形，求解欠定问题的一个必备条件是原信号必须具有稀疏性，由于在日常生活中的信号不是稀疏的,为了使信号足够的稀疏,将信号进行变换,在变换域中得到足够稀疏的信号,如对混合信号进行时频变换、小波变换预处理[9],随着稀疏字典的出现，人们也开始利用字典对信号进行稀疏表示[11][12]。在得到稀疏的原信号后，欠定盲源分离问题可以按照下面的方法展开。先估计出混叠矩阵A，然后利用刚得到的混叠矩阵A来进一步估计出源信号()ts或者是在迭代过程中对混叠矩阵A和源信号两者交替估计,因此总可以把欠定盲分离问题归结为两步法来实现。对混合矩阵的估计以及原信号的重构成为目前研究的热点，求解混合矩阵的方法目前主要采用的是聚类的方法,如势函数法、k均值法、模糊C均值法、基于霍夫直线检测的方法。估计原信号的方法也是盲源分离问题的研究重点。目前，重构算法主要分为三类。基于0范数最小化的贪婪类算法，比如正交匹配追踪[15](OrthogonalMatchingPursuit,OMP)算法；基于1范数最小化的凸优化算法，比如基追踪[16][17](BasisPursuit,BP)法；以及它们的组合算法。同时，平滑0算法开始被用到重构方法中[18][19]。技术难度：本课题在基于稀疏表示进行语音后，拟进一步研究压缩感知主要三个核心问题：（1）选择合适的稀疏基使语音信号尽可能的稀疏；（2）混合矩阵的估计；（3）快速鲁棒的信号重构算法设计；在每一个过程中，需要结合语音信号自身的特性设计多种方法，对结果进行分析比较，从而找出一种最合适的方法，使得能够高质量的重构出原始信号。参考文献：[1].JuttenCandHeraultJ.Blindseparationofsources，partⅠ:anadaptivealgorithmbasedonneuromimeticarchitecture[J].SignalProeessing，1991，28:l-10[2].ComonP.IndependentComponentAnalysis，ANewConcept[J].SignalProcessing，1994，36(3):287-314.[3].CaoXRandLiuRW.Generalapproachtoblindsourceseparation[J].IEEETransactionsonSignalProeessing，1996，44(3):562一571[4].BellAJ，SejnowskiTJ.Ainformation-maximizationapproachtoblindsourceseparationandblinddeconvolution[J].NeuralComputation，1995，7(6):1129-1159.3[5].HyvarinenA.FastandRobustFixed-PointAlgorithmsforIndependentComponentAnalysis[J].IEEETransOnNeuralNetworks，1999，10(3):626-634.[6].ZhangL，AmariS，CichockiA.NaturalGradientApproachtoBlindSeparationofOver-andUnderCompleteMixtures[C]//ProcoftheFirstInternationalWorkshoponIndependentComponentAnalysisandSignalSeparationICA'99，Aussois，France，1999:455-460.[7].CichockiA，ZhangL.Two-StageBlindDeconvolutionUsingState-SpaceModels[C]//ProceedingsoftheFifthInternationalConferenceonNeuralInformationProcessing(ICONIP'98)，Kitaky-ushu，Japan，1998:729-732.[8].P.Bofill，M.Zibulevsky.Underdeterminedsourceseparationusingsparserepresentation[J].Signalprocessing，2001，81，2353-2362.[9].Y.Li，A.Cichocki，S.Amari.Analysisofsparserepresentationandblindsourceseparation[J].Neuralcomputation，June2004，vol.16，no.6，1193-1234.[10].彭耿,黄知涛等.单通道盲信号分离研究进展与展望[J].中国电子科学研究院学报,2009,03:268-277.[11].PlumbleyMD,BlumensathT,DaudetL,etal.Sparserepresentationsinaudio&music:fromcodingtosourceseparation[J].ProceedingsoftheIEEE,2010,98(6):995-1005.[12].ShapooriS,SaneiS,WangW.BlindSourceSeparationofMedialTemporalDischargesviaPartialDictionaryLearning[C]//IEEEInternationalWorkshoponMACHINELEARNINGFORSIGNALPROCESSING.2015.[13].RambhatlaS,HauptJ.Semi-blindsourceseparationviasparserepresentationsandonlinedictionarylearning[C]//AsilomarConferenceonSignals,SystemsandComputers.IEEE,2013.[14].练秋生,石保顺等.字典学习模型、算法及其应用研究进展[J].自动化学报,2015,41(2):240-60.[15].M.YangandF.deHoog,OrthogonalMatchingPursuitWithThresholdinganditsApplicationinCompressiveSensing,inIEEETransactionsonSignalProcessing,vol.63,no.20,pp.5479-5486,Oct.15,2015.[16].杨真真,杨震,孙林慧.信号压缩重构的正交匹配追踪类算法综述[J].信号处理,2013,04:486-496.[17].Ekanadham,D.TranchinaandE.P.Simoncelli,RecoveryofSparseTranslation-InvariantSignalsWithContinuousBasisPursuit,inIEEETransactionsonSignalProcessing,vol.59,no.10,pp.4735-4744,Oct.2011.[18].H.Mohimani,M.Babaie-ZadehandC.Jutten,AFastApproachforOvercompleteS