盲源分离

一*********大学毕业设计（论文）任务书毕业设计（论文）题目：基于ICA盲源分离的研究及matlab实现毕业设计（论文）要求及原始数据（资料）：论文要求：（1）查找盲源分离的现状及发展历程第1周~第2周(2)大致了盲源分离的概念和简单的几种算法第3周~第8周（3）用matlab对其中的一种算法进行仿真实验第9周~第11周(4)写论文第12周~第14周（5）论文修改定稿准备答辩第15周~第16周二论文原始数据：盲信号分离与独立分量分析的问题在语音分析与处理、图像、生物信号等多个不同领域受到广泛的关注，特别是在这些领域中的信号提取、增强、降噪、模式缩减与分类等问题的解决有非常重要的意义，实际应用中主要包括脑电图想。心电图像、磁脑电图像和功能性磁共振成像数据等的盲分离（EEG、MEG、FMRI、PET），同时还包括生物特征提取模式化、语音提炼、数据挖掘、多信道反卷积和等量化、通信、遥感以及数据探索分析等，特别地专注于问题的独立性、神经网络解决、以及相关的论题发展前景。在许多实际应用中，同时还要针对决绝的问题设计并实现相应的硬件，包括模拟和数字芯片。由于噪音和干扰语音信号，语音识别系统显示效果会严重地受到影响，但在这种条件下人类能够很好地辨认出需要的语音，这是ICA与BSS算法在信号处理和生物学启示方法典型示例。其他一些重要的研究与应用实例包括：基于ICA和最大后验概率（MAP）估计器应用于改进的信噪比和识别率的噪音清除；对于源信号数量多于传感器数情况下决定混合类型的最优数量的算法及其在电信会议中的应用；盲信号分离算法及其相关方法在语音提炼中的应用；在医学信号处理应用中，以及电图分析为例，心电信号时非固定并显示良好重复性以及几乎周期性模式的一类信号数据。ECG信号干扰产生于认为损坏因素如电极、肌肉和呼吸作用，先前的方法包括ECG信号过滤，但当认为因素信号和ECG信号频率相同时，这一方法无法去掉干扰，BSS与ICA能够解决这一方面的问题。较早进行盲源分离方法研究的是jutten和Herault,1986年，他们提出了一种盲源分离方法，该方法基于反馈神经网络，通过选取奇次的非线性函数构成Hebb训练，从而达到盲源分离的目的。但该方法不能完成多于两个源信号的分离，非线性函数的选取具有随意性，并且缺乏理论解释。1991年，Juttcn,Herault以及Comon和Sorouchyari在杂志SignalProcessing上发表了关于盲信号分离的三篇经典文章，标志着盲源分离问题研究的重大进展.他们不仅提出了盲源分离中著名的H-J学习算法，而且设计了专门的CMOS集成芯片来实现他们的算法。H-J方法后来由Jutten和Herault、Comon,Cichocki和Moszczynski以及其他研究者解释并发展。Tong和liu分析了盲源分离的可分离性和不确定，并给出了一类基于高阶统计量的矩阵代数分方法。1993年，Cardoso提出了基于高阶统计的联合对角化盲源分离方法，并应用于波束形成。1994年，Cornon系统地分析了瞬时混合信号的盲源分离问题，同时引入独立分量分析的概念，他的思想是把神经网络中的主分量分析（PricncipleComponentAnalysis,简记PCA）加以扩展并提出了最小化输出传感器间的互信息的代价函数，通过对概率密度函数的高阶近似以提取出线性混合量中的独立分量。可以说，Comon的工作使得对盲信号分离算法的研究变成了对独立分量分析的代价函数以及其优化算法的研究，1995年，Bell和Sejnowsk基于信息理论，通过最大化输出非线性节点的熵，得出一种最大信息(InformatianMaximization,简记Infomax)传输的准则函数，并由此导出一种自适应盲源分离和盲反卷积方法，当该方法中非线性函数的选取逼近源信号的概率分布时，可以较好地恢复出源信号。该算法虽有其局限性，但在分离线性混合的语音信号方面非常有效。1996年，Cardoso和Laheld提出了著名的基于独立分量分析思想的EASI(EquivariautAdaptiveSeparationviaIndependence)算法，并且在这篇文献里首次提出了算法的等变化性概念，算法在快速性和稳定性上都较随机梯度算法有所改善。EASI算法的收敛速率和稳定性三条件只和源信号的概率密度分布有关，和源信号如何混合无关，因而它是等变化的。Amari,Cichocki和Yang以互信息(MutualInformation，简记MI)代价函数，首次提出自然梯度算法(naturalgradientalgorithm)。它是一类前馈网络的训练算法，自然梯度算法相对于随机梯度算法有着更快的收敛速度和更好的稳定性能，文献[14,15]已经证明了自然梯度算法的有效性。1997年，Hyvarinen等基于源信号非高斯性测度，给出一类定点训练算法(fixed-point)，该类算法可以提取单个具有正或负峰度的源信号。1999年，Lee、Girolami和Sejnowski将信息最大化原则的独立分量分析作了进一步的扩展，实现了超高斯源信号和亚高斯源信号的盲源分离，这个方法选取两个不同的非线性函数分别实现超高斯信号和亚高斯信号的盲源分离。但是这个方法只局限于实现标准的独立分量分析，不能解决当源信号维数大于混合信号维数时的盲源分离向题，也不能实现具有噪音的独立分量分析四毕业设计（论文）主要内容：1：介绍盲源分离研究的背景及意义；论述了盲源分离问题国内外研究的进展情况。2：详细阐述盲源分离的基本方法;分析了盲源分离常见的数学模型；简述了盲源分离的基本方法与准则以及其相关的研究内容；为以后讨论打下基础。3：简述了独立分量分析研究中的基本概念；提出了ICA研究中的主要问题及限制条件；详细对ICA的几种种主要算法做了分析和推导。4：对基于自然梯度ICA的语音盲分离算法进行研究；进行实验仿真，并分析仿真结果5：对全文进行总结与展望。学生应交出的设计文件（论文）：1.毕业设计论文一份2.电子光盘一张五主要参考文献（资料）：[1]胥永刚,张发启,何正嘉.独立分量分析及其在故障诊断中的应用[J]2004(03)[2]陈华富,尧德中.独立成分分析及其应用的研究进展[J]2003(02)[3]杨世锡,焦卫东,吴昭同.基于独立分量分析特征提取的复合神经网络故障诊断法[J].2004(04)[4]谭北海,杨祖元.欠定盲分离中源的个数估计和分离算法[J].2009(03)[5]申永军,杨绍普,孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J]2009(08)[6]张赟,李本威,王永华.基于位势函数的欠定盲源分离识别诊断方法[J].2010(01)[7]彭煊基于独立分量分析的语音增强[期刊论文]2002(05)[8]张智林.皮亦鸣基于独立分量分析的降噪技术[期刊论文]2005(03)[9]周成.刘钊基于独立分量分析的单通道语音降噪算法研究2005(05)[10]马建芬盲源分离在单通道语音增强算法中的应用[期刊论文]2006(11)[11]徐静波子带频谱分析的语音增强[期刊论文]2006(03)[12]钟静.傅彦基于快速ICA的混合语音信号分离[期刊论文]2005(05)[13]徐岩基于谱相减改进算法的语音增强研究[期刊论文]2004(01)[14]杨福生.洪波独立分量分析的原理与应用2006[15]洪欧麦克风阵列语音增强技术及其应用[期刊论文]2006专业班级学生要求设计（论文）工作起止日期指导教师签字日期教研室主任审查签字日期系主任批准签字日期VI基于ＩＣＡ盲源分离的研究及Matlab实现摘要盲源分离（BSS）是一种多维信号处理方法，它指在未知源信号以及混合模型也未知的情况下，仅从观测信号中恢复出源信号各个独立分量的过程。盲源分离已近成为现代信号处理领域研究的热点问题，在通信、语音处理、图像处理等领域具有非常重要的理论意义和广泛的应用价值。本文主要内容如下：首先，从盲源分离的理论出发，研究了盲分离的数学模型以及基本方法，并对盲分离的目标准则、研究领域以及研究内容进行了探讨。其次，引出了独立分量分析（ICA），并对其的概念以及相关的知识进行了研究，探讨了ICA研究中的主要问题，列出了ICA的3种基本算法：信息极大化、负熵最大化和最大似然估计法。最后，对基于自然梯度ICA的语音盲分离算法进行了具体的应用研究。先研究了自然梯度ICA算法的基本原理并用matlab对其进行仿真，然后列出了BATCH-HG与VS-BATCH-NG算法，进行仿真，对其结果进行比较后的得出结论：VS-BATCH-NG算法优于BATCH-NG算法。关键词：盲源分离；独立分量分析；自然梯度算法VIIBasedontheReseachofICABlindSourceSeparationandMatlabImplementationABSTRACTBlindsourceseparation(BSS)isamulti-dimensionalsignalprocessingmethod,whichreferstotheunknownsourcesignalsandmixedmodelsarealsounknowncircumstances,onlyfromtheobservedsignaltorecoverthesourcesignalsineachindividualcomponentoftheprocess.Blindsourceseparationforalmostamodernsignalprocessingresearchhottopicsincommunications,voiceprocessing,imageprocessingandotherfieldsisveryimportanttheoreticalsignificanceandwideapplication.First,fromtheblindsourceseparationtheory,studythemathematicalmodelforblindseparationandbasicmethods,andthetargetBSSstandards,research,andresearcharediscussed.Second,leadstotheindependentcomponentanalysis(ICA),anditsbasicconceptsandknowledgerelevanttothestudy,discussedthemainissuesintheICAstudy,liststhe3basicalgorithmICA:Informationmaximization,negativemaximumentropyandmaximumlikelihoodestimate.Finally,basedonnaturalgradientICAalgorithmforblindseparationofspeechspecificapplication.FirststudythenaturalgradientICAalgorithmandthebasicprinciplesofitssimulationwithmatlab,andthenliststheBATCH-HGandtheVS-BATCH-NGalgorithm,thesimulationresultswerecomparedtotheirconclusionafter:S-BATCH-NGalgorithmisbetterthanBATCH-NGalgorithm.KEYWORDS:Blindsourceseparation;independentcomponentanalysis;naturalgradientalgorithmVIII目录摘要...................................................................VI