搜索
毕业设计（论文）开题报告题目自适应独立分量分析算法研究专业电子信息工程班级电信112学生陈明指导教师李维勤2015年一、毕业设计(论文)课题来源、类型本课题来源于对盲信号算法的研究，研究自适应独立分量分析算法及其应用，分别对超高斯信号和亚高斯信号建立模型并实现。属于应用基础研究类课题。二、选题的目的及意义近年来，独立分量分析移动信号处理、语音信号处理、医学信号处理等领域得到了广泛应用，并取得了长足发展。由于各自领域问题的复杂性，独立分量分析及其相关问题的研究仍然是比较热的研究领域。虽然独立分量分析的研究取得了长足的发展，在各个方面的应用也取得不错效果。但是我们看到，目前算法存在的主要问题是：算法的自适应能力较差；这对于独立分量分析的实用构成了障碍。因此，本设计研究自适应独立分量分析算法及其应用，分别对超高斯信号和亚高斯信号建立数学模型并实现，最后对算法进行仿真实验验证。通过毕业设计使学生具备如下能力：①运用数学基础知识，建立系统模型，并进行分析；②查阅相关中英文文献，了解前沿发展动态；③熟练使用示波器、万用表等仪器,对实验结果进行分析，主动学习新的信号处理方法。三、本课题在国内外的研究状况及发展趋势1.研究背景近几年来，盲信号分离已成为信号处理学界和神经网络学界共同感兴趣的研究热点领域,并获得了迅速发展。在多用户通信、天线阵列信号处理等诸多实际应用中，多个源信号在传输过程中因传输信道间的耦合而发生混迭，故接收到的信号是已混合了的数据信号。盲信号分离就是根据观测到的混合数据向量确定一变换,以恢复原始信号或信源。典型情况下,观测数据向量是一组传感器的输出,其中每个传感器接收到的是源信号的不同组合。术语“盲的”有两重含义:(1)源信号不能被观测,(2)源信号如何混合是未知的。由于各源信号如何混合不得而知，因此为了恢复它们，就需要根据各源信号的一些统计特性从混合的数据信号中将其分离出来。这样一个信号分离或恢复的过程就称为盲信号分离简称盲分离。上个世纪80年代末以来，如何对天线阵列或者传感器接收的混合信号实现盲分离，一直是信号处理领域的难点和热点，有不少学者虽提出过各种方法试图解决这个问题，但分离效果都不理想。盲信号研究工作的实质性进展是从Linsker发表的论文（1989）和Jutten与Herault提出创造性的H-J递归神经元网络（1991）开始的，用H-J网络解决两个线性混合源信号的盲分离问题。在以后的几年内大量的盲分离有效算法不断被提出，使盲分离理论在应用中得到很大推广。例如，在多用户通信、声纳、阵列及通讯信号处理，在地球物理学，在多传感器监测的生物电信号，以及在图像处理、生物医学工程中，盲信号分离技术都得到了广泛应用。目前国际上的研究主要集中在分解算法及其应用上，主要有：Cardoso提出了基于高阶统计的联合对角化盲信号分离方法，并应用于波束形成；Comon系统分析了混合信号盲信号分离问题，并明确了独立分量的概念，通过对概率密度函数的高阶近似，给出一类基于特征分解的独立分量分析方法；Bell和Sejnowski提出了基于Linsker的信息最大化准则(Infomax)的最大熵法；Amari（1998）和Cardoso（1996）简化了信息最大化学习规则并且提出了自然梯度的概念。Hyvarinen和Oja基于信源信号非高斯性测度（或峭度），给出一类定点训练算法（Fixed-Point）；Lee和Bell将基于信息最大传输的盲信号分离算法应用于语音信号分离，语音识别率有明显提高；Karhunen和Hyvarinen等将神经网络盲分离算法用于提取图像特征和分离医学脑电信号；Sahlin和Broman在移动通信的手机中增加一个麦克风，用信号分离算法改善通信中信号传输之间的信噪比等等。虽然盲信号分离在最近几年已获得了长足的发展，但是还有许多问题有待进一步研究和解决。尤其是需要发展以下算法：①能够在非平稳环境(其性质未知)下工作；②能够在奇异混合情况下工作；③能够在非线性混合情况下工作；④信号个数未知时能够工作；⑤信号个数动态变化时能够工作；⑥亚高斯和超高斯信号并存情况下能够有效工作的自适应算法；此外，模糊系统理论在盲信号分离中的应用可能也是一个有前途的研究方向，当然在发展上述算法的过程中，学习算法的全局稳定性和收敛分析也需要同时考虑。参考文献：【1】朱孝龙,张贤达,冶继民.基于自然梯度的递归最小二乘盲信号分离[J].中国科学E辑.2003,8:741-747【2】张贤达，保铮.盲信号分离[J].电子学报，2001,29(12A):1766-1770.【3】李维勤.基于混合信号概率密度函数估计的盲信号分离[D].西安电子科技大学,2004.【4】虞晓,胡光锐.基于高斯混合密度函数估计的语音分离[J].上海交通大学学报,2000,34(2):177-180.【5】杨福生洪波.独立分量分析的原理与应用[M].清华大学出版社,2006四、本课题主要研究内容本研究设计建立综合考虑的数值分析模型，基于混合信号概率密度函数估计的盲信号分离方法，利用Gram-Charlier展开估计混合后信号的概率密度函数，由此估计信号的评价函数，可以分离同时包含超高斯信号和亚高斯信号的混合信号。可以直接应用与所有以非线性函数代替评价函数的盲信号分离函数算法。为了全面而准确地进行基于概率密度函数估计的盲信号分离算法研究，主要研究任务分为以下几个部分：一、研究传统盲信号分离算法，了解其适应性以及缺陷。二、研究基于混合信号概率密度函数估计的盲信号分离算法，了解盲信号分离的原理及应用。三、研究参数化密度估计的相关算法，研究参数化密度估计的分离算法的应用。五、完成论文的条件和采用的研究手段（途径）对照传统独立分量分析盲信号分离算法，基于混合信号概率密度函数估计的盲信号分离算法，采用参数化的密度估计算法实现。算法采用Matlab编程算法实现。六、本课题进度安排、各阶段预期达到的目标3月2日-3月6日查阅资料，学习独立分量分析的工作原理及发展现状。3月9日-3月13日学习独立分量分析的基本算法。3月16日-3月20日同上。3月23日-3月27日撰写开题报告。3月30日-4月3日熟悉MATLAB开发环境。4月6日-4月10日学习最小户信息独立分量分析算法。4月13日-4月17日同上。4月20日-4月24日基于参数化的密度估计方法实现。4月27日-5月1日程序调试和测试。5月4日-5月8日自适应独立分量分析算法的实现。5月11日-5月15日程序调试和测试。5月18日-5月22日算法仿真验证。5月25日-5月29日不同数据结果分析。6月1日-6月5日总结分析实验结果，撰写论文。6月8日-6月12日撰写论文。6月15日-6月19日撰写论文。6月22日-6月26日答辩。七、指导教师意见对本课题的深度、广度及工作量的意见和对设计（论文）结果的预测：指导教师：八、所在专业审查意见负责人：