论文部分内容阅读
随着信息技术的发展,盲源分离逐渐成为了信号处理领域至关重要的研究技术,其主要针对在源信号及混合参数都未知的情况下,仅依据观测信号分离出源信号。根据源信号数目和观测信号数目的大小关系,可将盲源分离依次分为超定、正定和欠定三种情况。近年来,首先由于在欠定条件下源信号数目多于观测信号数目,最符合实际应用情况的,其研究应用价值最大,其次由于超定和正定条件下的盲源分离技术已经非常成熟,具备了向更难的欠定问题进军的条件。因此欠定条件下的盲源分离技术成为了当下的研究重点。本文选择了欠定盲源分离问题的线性瞬时混合模型,采用了基于稀疏分量分析的“两步法”,并分别针对“两步法”中的混合矩阵估计和源信号重构的算法进行研究改进,主要包括以下二个方面:(1)提出基于WE-FCM混合聚类的混合矩阵估计。针对传统的模糊C均值聚类(FCM)算法所存在的对初始聚类中心敏感,易陷入局部最优,易受噪声点干扰等缺陷,提出一种基于WE-FCM混合聚类的混合矩阵估计算法。所提算法首先利用进化规划算法估计出初始聚类中心,避免了因人为给定初始聚类中心而陷入局部最优,而后将局部离群点检测算法所得的离群点因子应用于FCM算法的目标函数和进化规划算法的适应度函数中,使得算法在样本密度大的区域快速收敛,而在样本密度小的区域无法收敛,从而避免了离群噪声点对聚类结果的影响。MATLAB仿真实验结果表明,所提出算法能有效提升混合矩阵估计精度和算法稳定性。(2)提出基于贪婪双稀疏字典的源信号重构算法。首先在信号稀疏表示阶段,针对传统字典算法计算量大,运行时间长,字典规模受限等问题,采用双稀疏字典结构,提出一种贪婪双稀疏字典学习算法,其主要将样本训练从信号域转化到系数域,避免了大量的运算,从而获得有效的信号稀疏表示。而后构建了基于压缩感知的源信号重构模型,针对正交匹配追踪算法稳定性差,易受噪声点干扰等缺陷,通过在算法迭代过程中增设能量阈值而有效滤除了低能量点对算法精度的影响,并同时增加了算法的稳定性。MATLAB仿真实验结果表明,所提出算法在保证重构信号精度的前提下,能有效降低字典训练时间和信号重构时间。