确定信号的盲分离-信息处理课群综合训练与设计.doc
《确定信号的盲分离-信息处理课群综合训练与设计.doc》由会员分享,可在线阅读,更多相关《确定信号的盲分离-信息处理课群综合训练与设计.doc(39页珍藏版)》请在咨信网上搜索。
1、武汉理工大学信息处理课群综合训练与设计课程设计说明书课程设计任务书学生姓名: 专业班级: 指导教师: 工作单位: 题 目: 确定信号的盲分离初始条件:Matlab软件平台要求完成的主要任务: 根据盲信号分离原理,用matlab生成两个以上确定信号,选择合适的混合矩阵生成若干混合图像。选取合适的盲信号分离算法(如独立成分分析ICA等)进行训练学习,求出分离矩阵和分离后的信号。设计要求:(1) 用matlab做出采样之后信号的时域和频域波形图(2) 选择合适的混合矩阵,得到混合信号,并做出其时域波形和频谱图(3) 采用混合信号进行训练学习,求出分离矩阵,编写出相应的确matlab代码。(4) 用求
2、出的分离矩阵从混合信号中分离出原信号,并画出各分离信号的时域波形和频谱图。(5) 对结果进行对比分析。时间安排:查阅资料 2天仿真设计 2天撰写报告 1天指导教师签名: 年 月 日系主任签名: 年 月 日目录摘 要IABSTRACTII1确知信号11.1 确知信号的概念11.2 确知信号的类型11.3 常见的确知信号22盲分离原理32.1 盲信号处理的基本概念32.2 盲信号分离的分类32.3 盲分离的目标准则42.4 盲信号处理技术的研究应用53 独立分量分析(ICA)基础63.1 ICA理论的概念和模型63.2 ICA数据分析问题中的约束条件83.3 ICA算法的分类与基本原理93.4 F
3、astICA算法114 MATLAB简介135 确定信号盲分离仿真与分析155.1 原始信号的产生155.2 原始信号的频谱165.3 信号的混合175.4 ICA算法实现196 小结体会25参考文献26附录1 程序27摘 要盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。通常观测到的混合信号来自多个传感器的输出,并且传感器的输出信号具有独立性(线性不相关)。盲信号的“盲”字强调了两点,一是原始信号并不知道,二是对于信号混合的方法也不知道。独立分量分析(Independent Component-Analysis,简称ICA)是近年来由盲信元分解技术发展而来的多通道信号处理方
4、法。通过假定传感器阵列所采集到的信号是多个具有独立统计特性的内在信源信号的线性叠加,在采用某种特定的优化准则将所谓的独立分量一一分解出来。本文重点研究了以确定信号为目标的盲处理方法,首先介绍了盲源分离的思想和数学模型,介绍了盲分离的几种准则。然后对盲分离普遍采用的独立分量分析技术做了介绍,讨论了其多种算法,详细讨论了一种快速ICA算法,并在编程中利用这一算法对多路确定信号进行盲分离,根据结果对这一算法进行分析。关键词:盲信号分离;独立分量分析;快速ICA算法;Matlab编程 AbstractBlind signal separation refers to analyze observati
5、ons from multiple mixed-signal which was not observed in the original signal. Usually mixed signals observed from a plurality of sensor output and the sensor output signals have independent (linearly independent).The word blind emphasized two points. First we dont know the original signal. Second, w
6、e dont know the signal mixing method.Independent component analysis (Independent Component-Analysis, referred ICA) in recent years by blind signal decomposition technique developed from the multi-channel signal processing methods. By assuming that the sensor array signal collected is more than an in
7、dependent statistical properties inherent linear superposition of the source signal, the adoption of a specific optimization criterion eleven so-called independent component decomposition.This paper focuses on the goal to determine the blind signal processing method, introduced the idea of blind sou
8、rce separation and mathematical models, introduced several blind separation criteria. Then the blind separation widely used independent component analysis techniques have been described, discussed its various algorithms discussed in detail a fast ICA algorithm, and use this in the programming algori
9、thm to determine the multi-channel signal separation, according to the results of this algorithm for analysis.Key words: blind signal separation; Independent Component-Analysis; Fast ICA algorithm; Matlab programming.II1确知信号1.1 确知信号的概念确知信号是指其取值在任何时间都是确定的和可预知的信号,通常可以用数学公式表示它在任何时间的取值。1.2 确知信号的类型1.2.1
10、周期信号和非周期信号周期信号满足: (式1)其中,为此信号的周期,称为此信号的基频。1.2.2 能量信号和功率信号在通信理论中,常把信号功率定义为电流在单位电阻上消耗的功率(归一化功率)。 (式2)若信号的能量是一个正的有限值,则称此信号为能量信号。在实际的通信系统中,信号都具有有限的功率、有限的持续时间,因而具有有限的能量,为能量信号。但是,若信号的持续时间非常长,则可以近似认为它具有无限长的持续时间。此时,信号的平均功率是一个有限的正值,但其能量近似为无穷大。这种信号称为功率信号。周期信号属于功率信号。1.3 常见的确知信号1.单位冲击函数 (式3)2.单位阶跃函数 (式4)3.常数 (式
11、5)4.单边指数函数 (式6)5.三角脉冲 (式7)2盲分离原理2.1 盲信号处理的基本概念盲信号处理(Blind Signal Processing)是现代数学信号处理、计算智能学近年来迅速发展的重要方向。在电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。盲信号处理利用系统(如无线信道、通信系统等)的输出观测数据,通过某种信号处理的手段, 获得我们感兴趣的有关信息(如原来独立发射的信号等)。盲信号的研究是当前学术界的一个研究热点,而盲信号分离则是盲信号研究中的一个重要的课题。BSS是指从观测到的混合信号中分离出未知的源信号。盲信号中的“盲”意味着两个方面
12、:第一,对源信号一无所知或只有少许的先验知识。第二,混合本身是未知的。这看似是一个不可能的任务,然而理论和实际都证实了只需要相当简单的假设,就可以得到该问题的解。这一特点使得BSS成为一种功能相当强大的信息处理方法。如图1所示:图2.1 盲信号处理原理框图2.2 盲信号分离的分类源信号进过传输通道的混合方式而言,其处理方法可分为线性瞬时混合信号盲处理、线性卷积混合信号盲处理和非线性混合信号盲处理三类。根据通道传输特性中是否含有噪声、噪声特性(白噪声、有色噪声等)、噪声混合形式,可分为有噪声、无噪声盲处理,含加性噪声和乘性噪声混合信号盲处理等。按源信号和观测信号数目的不同可以将混合方式分为欠定
13、、适定和超定情况 ;按源信号特性的不同分为 : 平稳 、非平稳 、超高斯 、亚高斯 、超高斯和亚高斯混合分离等 。2.3 盲分离的目标准则盲源分离的实现方法有多种,他们的原理主要可以归纳为以下四种准则: (1)独立分量分析(Independent Component Analysis,ICA):当假设源信号各分量间彼此统计独立,且没有时间结构时,在某一分离准则下通过对神经网络权值的反馈调整,使得变换后信号的不同分量之间的相依性最小,也即输出达到尽可能的独立。这种方法对多于一个高斯分布的源信号不适用(因为高斯信号的线性叠加仍是高斯信号),这是近年来盲源分离的主要解决方法。(2)主分量分析(Pri
14、ncipal Component Analysis,PCA)的方法:在尽可能保持原始变量更多信息的前提下,导出一组零均值随机变量相对少的不相关线性组合(主分量),并由此恢复出对源信号的估计。(3)二阶非平稳性:即采用非平稳性和二阶统计量。由于源信号随时间有不同的变化,所以可以考虑利用二阶非平稳性,应用简单的解相关技术实现盲源分离。与其他方法相比,它能够分离具有相同功率谱形状的有色高斯源,然而却不能分离具有相同非平稳特性的源信号。(4)运用信号的不同多样性,典型的是时域多样性、频域多样性或时频域多样性,更一般的,即联合空间-时间-频率多样性,如果源信号具有不同的时频域多样性,信号的时频域特征不完
15、全重叠,那么可以通过屏蔽时频域的单个源信号或干扰信号,并从一个(或多个)传感器信号中提取源信号,然后再在时频域中合成,然而这些情况下,通常需要一些源信号的先验知识,所以这种分离只能是一种半盲分离。2.4 盲信号处理技术的研究应用近年来,盲信号处理逐渐成为当今信息处理领域中热门的课题之一,并且已经在尤其在生物医学工程、医学图像、语音增强、遥感、通信系统、地震探测、地球物理学、计量经济学和数据挖掘等领域显示出诱人的前景,特别是盲源分离技术、ICA的不断发展和应用最为引人注目。下面介绍盲处理应用中的两个主要方面:1.语音识别语音信号分离、语音识别是盲处理应用的一个重要领域。最典型的应用就是声控计算机
16、,计算机所接受到的语音指令肯定是肯定是带有各种环境噪声的,还可能存在其他的语音信号(如有其他人说话),而且这些信号源与接收器的相对位置也未知,计算机需要在这种情况下识别出正确的语音命令。在移动通信中,往往存在通信质量问题,极大的影响了通话效果,而盲源分离或盲均衡技术能够消除噪声、抑制干扰及增强语音,提高通话质量。2.生物医学信号处理在生物医学领域,盲信号处理可应用于心电图(ECG)、脑电图(EEG)信号分离、听觉信号分析、功能磁共振图像(FMRI)分析等。例如人们常常需要从肌电图中确定神经元细胞信号的触发模式,而EMG信号通常由多个特殊的传感器在人体表处测得,从信号源到传感器之间的信号传输介质
17、参数是未知的,而人们之间各不相同。目前已经有一些学者将盲源分离技术成功地够应用于脑电图等信号的数据处理。3 独立分量分析(ICA)基础 3.1 ICA理论的概念和模型ICA是20世纪90年代发展起来的一种新的统计学数据处理技术,它是从多维统计数据中找出隐含因子或统计独立数据的方法。从线性变换和线性空间角度,源信号为相互独立的非高斯信号,可以看作线性空间的基信号,而观测信号则为源信号的线性组合,ICA的主要目的就是在源信号和线性变换均不可知的情况下,确定一个非正交变换,使得变换后的输出各个信号分量之间尽可能的统计独立,从而从观测的混合信号中估计出数据空间的基本结构或者说源信号。根据概率论中的中心
18、极限定理,一定条件下多个独立分布的和分布趋向于高斯分布。盲分离问题中,观测信号是多个独立源信号的线性组合,所以其高斯性比源信号的高斯性强,即源信号的非高斯性比观测信号的非高斯性强,粗略地说就是越独立非高斯性越强。于是在盲分离算法中,我们可以将非高斯性作为一个分离信号效果的判据,通过自适应过程使得分离信号的非高斯性足够强时,就认为达到了分离的效果。在ICA发展初期,其被等同于盲源分离(BSS)。早期文献对于ICA和BSS是不加区分的。实际上它们还是有所区别:BSS属于信号处理范畴,其出现早于ICA,而ICA应该理解为一种统计学领域的数学工具,是解决BSS问题的一种分析方法。下面先给出ICA的基本
19、线性模型:设x1,x2,xn 为n维随机观测混合信号,由m个未知源信号(或称独立源) s1,s2,sm 线性组合而成,忽略时间下标t,并假设每个混合信号xi都是一个随机变量,而不是时间信号。每个观测值xi(t),为该随机变量的一次抽样。不失一般性,设混合的随机变量和独立源都具有零均值。下面用矩阵形式来定义ICA模型。令X=(x1,x2,xn)T为n维随机向量,S=(s1,s2,sm)T是m维未知源信号,则ICA的线性模型可表示为: , i=1,2,m, (式8)式中,si称为独立分量,A=a1,a2,am是一满秩的n*m矩阵,称为混合矩阵,ai是混合矩阵的基向量。由方程可知,各观测数据xi是由
20、独立源si经过不同的aij线性加权得到的。独立源si是隐含变量,不能被直接测量;混合矩阵A也是未知矩阵,唯一可利用的信息只剩观测的随机矢量X。若没有任何限制条件,要仅由X估计出S和A,方程的解必为多解。而ICA正是在某些限制条件下,根据X的统计特性,给出方程唯一解,实现独立分量的提取。如上所述,ICA的一个重要基本假设就是对未知源信号独立性的要求。将基本的ICA模型扩展到有噪声的情形,并且假设噪声是以加性噪声形式存在的。这是一个相当现实的假设,因为加性噪声是因子分析和信号处理中通常研究的标准形式,具有简单的噪声模型表达方式。因此,噪声ICA模型可表示为: (式9) 式中,是噪声向量。信号源噪声
21、,即直接添加到独立成分(即信号源)上的噪声。信号源噪声可用下式来表示: (式10)实际上,如果可以直接考虑带噪声的独立成分,那么可将此模型写为: (式11)可以看出,这就是基本的ICA模型,只是独立成分本身变了。针对ICA具体模型,未知源信号间相互独立即要求: (式12)在ICA模型中,除了要求源信号相互独立外,还必须满足非高斯分布的特性。此外,为简化模型,假设未知混合矩阵A是方阵,即m=n。那么ICA的目的就是寻找一个变换矩阵,对X进行线性变换,得n维输出向量: (式13)当允许存在比例不定性和顺序不定性的前提下,Y成为对独立分量si的一个估计。以上,从盲源分离观点阐述了ICA的模型,下面给
22、出从多维信号的线性描述观点论述的ICA模型。设X=(x1,x2,xn)T为n维观测数据,ICA的目的即寻找一个坐标系统,使得当X中各分量x1,x2,xn在该坐标系下投影时: , i=1,2,n (式14)投影系数s1,s2,sn相互独立。若令Y=WX,在ICA实现算法中,系统目标是寻找一个最优矩阵W使使出yi相互统计独立,即Y互信息为零。可以证明,此时为ICA线性描述模型中的坐标系统。3.2 ICA数据分析问题中的约束条件对于ICA/BSS中所涉及的多维数据分析问题,一般都要对观测信号及生成信号的过程作一些假设,这些约束能使分离问题有一个合理而有意义的解,同时约束条件还须具有一定范围的实用性。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 确定 信号 分离 信息处理 综合 训练 设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【a199****6536】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【a199****6536】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。