论文部分内容阅读
盲源分离是信号处理领域和神经网络领域研究的热点问题之一,目前已经广泛地应用于语音识别、图像处理、生物医学信号处理、通讯和经济学等诸多领域。该技术主要是研究如何根据观察数据的一些统计特征,从混合信号中分离出在实际应用中有意义的源信号。
在过去的二十年里,由于其广阔的应用前景,吸引了众多的科研工作者献身于这一领域的研究,盲源分离技术因此也获得了迅猛的发展。然而,盲源分离技术尚处于发展阶段,其在理论和应用方面的研究有待进一步深化和完善。
本文首先回顾了盲源分离问题的发展历史、研究现状和不足,并对盲源分离问题进行了简单的数学描述,包括盲源分离问题的数学模型、基本假设、数学理论基础和实现途径。然后针对一些盲源分离的算法和应用问题进行了深入的研究,提出了一些有效的方法,并对现有的一些方法做出了相应的改进和提高。全文的主要工作包括以下几个方面:
1)对于基于信号时间结构的盲源分离方法,提出了一种新的基于遗传算法的时间延迟优化选择方法。基于时间结构的盲源分离方法,时间延迟的选择对于算法的计算复杂度和最后的信号盲分离效果都有着较大的影响,传统的选择方法一般是直接采用前面几个最小的自然数,这样做并不能总是取得很好的效果。在本文中,我们将时间延迟选择问题看成组合优化问题,通过选取合适的适应度函数、编码方式和遗传操作,采用遗传算法实现时间延迟的优化组合。
2)提出了一种基于多层感知器网络的后非线性-线性混合模型(PNL-L)盲源分离方法。后非线性-线性混合模型是非线性混合的一个重要的模型,现有的实现方法往往不能同时正确估计非线性函数和源信号的累积概率密度函数,或者是不能很好地分离出源信号。为此,针对PNL-L混合模型,本文提出了一种采用两组感知器网络的分离结构,并给出了基于最小互信息的无监督学习算法。对于多层感知器网络,附加动量法和自适应步长技术在训练过程中被采用以加快整个分离系统的收敛速度。本文中所提出的方法可以同时动态估计混合模型的非线性和源信号的累积概率密度函数。
3)提出了一种基于非线性盲源分离的Wiener系统求逆方法。所谓的Wiener系统,是由源信号首先通过一个卷积滤波器,卷积后的信号再被非线性扭曲。在本文中,我们首先将卷积混合改写成一个线性混合,然后通过基于多层感知器网络的后非线性盲源分离方法对源信号进行估计。
4)采用批处理算法对基于核的非线性盲源分离方法进行改进。当样本数量较大时,基于核的非线性盲源分离方法由于要计算核矩阵,只能选取一部分样本进行处理,为此,在本文中,通过采用批处理算法计算数据的核变换,我们提出了一种改进的基于核的非线性盲源分离方法,改进后的方法可以充分利用所有的样本数据,并且能够很好的恢复出源信号。
5)提出了一种约束非负矩阵分解方法对超光谱图像进行混合像元分解,并采用多种方法对超光谱图像端元个数的确定进行分析。混合像元分解是从超光谱数据中获取信息的一个重要途径,由于其端元组分和丰度都不是独立的,直接采用独立分量分析的方法,效果并不理想。在本文中,我们首先采用多种方法对超光谱图像端元个数的确定进行分析,然后将超光谱图像的先验知识加入到非负矩阵分解中,对纯像元不存在情况下的超光谱数据进行混合像元分解,实验结果表明本文中提出的方法是有效的和可行的。