盲源分离-毕业设计答辩.ppt

Company Logo LOGO 指导教师： 基于盲源分离的信号去噪 班级： 学生： 学号： 1.选题背景 盲源分离技术是信号与信息处理领域中一个崭新的研究方向，目前该研究大致可以分为两类：一是盲源分离的基本理论和算法研究，到目前为止，已产生了许多有效的盲分离算法，并且有关线性盲分离问题的可解性条件、解的稳定性、收敛性都已得到了较好的解决；二是盲源分离的应用研究，关于盲分离技术在实际应用方面的研究也已经取得了许多成果。本课题主要研究的问题是基于盲源分离的信号噪声滤除。该方法是基于ICA的信号去噪的方法，利用ICA变换可增强信号的非高斯性的特点，从而达到提高去噪能力的目的。此方法能有效去除噪声，其结果好于或相似于小波去噪的结果。 选题的背景及研究意义 2.研究意义 本文解决了现存的盲源分离算法抗噪能力弱的问题，提出了先运用盲分离再行去噪处理。 ICA在人脸识别、图像去噪、心电信号去噪及目标增强等方面取得的应用成果充分展示了ICA广泛的应用前景。 论文的结构和主要内容 第一部分 盲分离基本导论 第二部分 盲分离的自然梯度算法 第三部分 程序设计流程 第四部分 运行结果图 一、盲源分离基本导论 1.1 盲信号处理的来源 盲信号处理又叫盲源分离(BSS：Blind source separation)，最初起源于鸡尾酒会的问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到的是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出你所需要的说话者的声音？这便是盲信号处理问题。 1.2 盲信号处理模型 盲信号分离的原理如图(1)所示。假设N个源信号经过混迭矩阵A后得到观测信号（或传感器信号）, 通过不断的调整分离矩阵,使得y(t)是源信号的一个尽可能准确的估计。 图1 二、盲分离的自然梯度算法 2.1 自然梯度算法简介 自然梯度算是盲分离算法中的独立成分分析算法的一种。具有以下特点： 1.步长miu（学习效率 ）易于控制； 2.采用迭代法则来更新分离网络的权值矩阵，具有良好的等变特性； 3.允许信号中存在多个高斯信号，不用像fastICA算法那样去考虑高斯信号的个数； 4.收敛速度快，而且避免了矩阵的求逆； 自然梯度算法由于不用事先考虑混合信号的具体分布、计算速度快、处理效果好而具有广阔的应用前景。 2.2 自然梯度算法介绍 设H（X,W）为一目标函数， 式中W为分离矩阵，μ为学习效率， 称为自然梯度，所以上式称为自然梯度算法。 2.3 自然梯度算法的优化 可将步长（既学习效率）设为可变的变量，则可得到实时自然梯度算法： 式中?（k）为步长，I为参数空间的一个单位矩阵 ，f(y)为非线性函数，ρ是互信息量。 三、程序设计流程 生成信号 加入噪声，信号混合 进行盲处理 生成图像 预处理 四、运行结果图 源信号 混合信号 估计源信号 全文总结 本文重点介绍了盲源分离的基本算法，并在运用盲分离进行信号处理时提出了一种新的做法，即在盲处理前进行了预处理以得到更好的处理效果。 盲分离技术能够有效分离源信号，而且自然梯度算法可以极大地提高处理的准确度。当然盲源分离还需要不断发展，算法还需要不断改进。 致谢 Company Logo LOGO