

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、盲源分離(BSS)是近年來發(fā)展起來的一種多維信號(hào)處理方法,在通信、生物醫(yī)學(xué)信號(hào)處理、語音信號(hào)處理、信號(hào)分析及過程控制的信號(hào)去噪和特征提取等領(lǐng)域有著廣泛的應(yīng)用潛力。 本文的工作包括盲源分離方法研究和盲源分離在腦電信號(hào)處理中的應(yīng)用兩部分。盲源分離方法包括基于獨(dú)立分量分析(ICA)的BSS法和基于源信號(hào)時(shí)間結(jié)構(gòu)的BSS法。在對(duì)ICA/BSS方法的評(píng)述中,指出串行ICA(基于非高斯性最大化的ICA)和并行ICA,都直接或間接地利用了兩個(gè)
2、基本假設(shè):源信號(hào)的非高斯分布(串行ICA允許有一個(gè)源為高斯分布)以及源信號(hào)之間互相獨(dú)立性。在串行ICA的研究中提出隨機(jī)變量相似度概念,由此直接引出非二次的非線性函數(shù)作為非高斯性的量度,進(jìn)而導(dǎo)出基于非線性函數(shù)的串行ICA梯度算法和定點(diǎn)迭代算法。通過對(duì)基于峰態(tài)絕對(duì)值最大化的ICA方法的幾何解釋,進(jìn)一步證明:串行ICA允許源變量中有一個(gè)為高斯型的,該源變量不能被提取,但它不影響對(duì)其它源變量的提??;峰態(tài)絕對(duì)值越大(非高斯性越強(qiáng))的源變量被優(yōu)先提
3、取的概率越大。在避免變量被重復(fù)提取方面,論證了解混向量收縮正交化法與直接消去法之間的等價(jià)性,并且指出串行ICA方法中完全避免誤差積累是不可能的。 在對(duì)并行ICA的研究中,論述了三種典型的ICA原理(最大似然原理、最小互信息原理、最大信息原理)的等價(jià)性,解釋了并行ICA根據(jù)源的分布類型選取(或在線估計(jì)確定)不同類型評(píng)價(jià)函數(shù)的原因。指出對(duì)于并行ICA在構(gòu)建評(píng)價(jià)函數(shù)時(shí),只需考慮它對(duì)應(yīng)的密度函數(shù)類型和它的穩(wěn)健性,而不考慮它對(duì)應(yīng)方差的大小
4、。 在文獻(xiàn)[51]基礎(chǔ)上構(gòu)建了一個(gè)ICA問題的統(tǒng)一理論框架,提出并證明兩個(gè)定理,將串行ICA和并行ICA統(tǒng)一到此理論框架下。詳細(xì)分析了并行ICA和串行ICA的解混過程。指出:無論是并行ICA還是串行ICA,當(dāng)解混完成時(shí),理論上都有互信息等于零,并且邊緣非高斯性之和等于聯(lián)合非高斯性。即解混的最終結(jié)果相同,只是解混過程不同。對(duì)基于源信號(hào)自相關(guān)性的自適應(yīng)BSS算法提出了改進(jìn),節(jié)省了計(jì)算量。提出一種基于源信號(hào)非平穩(wěn)性的BSS新算法,其計(jì)
5、算量比現(xiàn)有的同類算法稍小。引入分?jǐn)?shù)階協(xié)方差陣,將α穩(wěn)定分布的共變性質(zhì)加以推廣,進(jìn)一步利用基于時(shí)間解相關(guān)的BSS方法,實(shí)現(xiàn)了α穩(wěn)定分布源信號(hào)的盲分離。 利用基于相似度的非線性函數(shù)定點(diǎn)迭代ICA算法結(jié)合離線判決實(shí)現(xiàn)多路EEG去偽差,得到了比較理想的結(jié)果;提出了基于Infomax預(yù)處理的誘發(fā)電位潛伏期變化自適應(yīng)檢測(cè)方法,用Infomax對(duì)帶噪EP信號(hào)做預(yù)處理,得到信噪比較高的EP信號(hào),把此信號(hào)用于DLMS,形成p-DLMS算法,解決了
6、DLMS算法因信號(hào)中有α穩(wěn)定分布過程的存在而使J→∞的問題;把去噪后的EP信號(hào)用于DLMP,形成p-DLMP算法,避免了因α參數(shù)不易動(dòng)態(tài)估計(jì)而使DLMP難于確定p參數(shù)的問題,仿真實(shí)驗(yàn)及實(shí)驗(yàn)數(shù)據(jù)分析證明了算法的有效性。欠定盲源分離問題是BSS的一個(gè)難點(diǎn)。給出了盲源分離欠定問題EM算法的改進(jìn)算法,利用基于壓縮誤差均方最小化提取主分量的方法,求最大特征值對(duì)應(yīng)的特征向量,即得到混合矩陣的列向量。這是一種在線算法(算法每次只需計(jì)算最大特征值對(duì)應(yīng)的
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 盲源分離研究及其在腦電信號(hào)分析中的應(yīng)用.pdf
- 盲信號(hào)分離在腦電信號(hào)偽跡去除中的應(yīng)用.pdf
- 腦電信號(hào)的處理及其在假肢中的應(yīng)用.pdf
- 基于盲源分離算法的局部放電信號(hào)處理研究.pdf
- 信號(hào)的稀疏分解及其在腦電信號(hào)處理中的應(yīng)用研究.pdf
- HHT變換及其在腦電信號(hào)處理中的應(yīng)用研究.pdf
- 母胎心電信號(hào)的盲源分離研究.pdf
- 腦電信號(hào)分析及其在認(rèn)知研究中的應(yīng)用.pdf
- 多道相關(guān)分析在腦電信號(hào)處理中的應(yīng)用.pdf
- 基于導(dǎo)聯(lián)信號(hào)組合的腦電信號(hào)處理及其在中風(fēng)病人腦電信號(hào)分析中的應(yīng)用.pdf
- 混沌時(shí)間序列分析在腦電信號(hào)處理中的應(yīng)用.pdf
- 符號(hào)動(dòng)力學(xué)分析及其在腦電信號(hào)處理中的應(yīng)用.pdf
- 睡眠腦電信號(hào)處理及其在睡眠分期中的應(yīng)用研究.pdf
- 盲源分離在通信信號(hào)分離中的應(yīng)用.pdf
- 時(shí)頻分析及其在癲癇腦電信號(hào)中的應(yīng)用.pdf
- WPD-EEMD方法在腦電信號(hào)處理中的應(yīng)用研究.pdf
- 盲信號(hào)分離技術(shù)及其在無源定位中的應(yīng)用.pdf
- 腦電信號(hào)采集方法及其在假肢中應(yīng)用研究.pdf
- 盲源分離在信號(hào)探測(cè)中的應(yīng)用.pdf
- 時(shí)頻分析及其在腦電信號(hào)分析中應(yīng)用的研究.pdf
評(píng)論
0/150
提交評(píng)論