頻域盲源分離算法研究及其在高速列車噪聲成分分離中的應用.pdf

1、盲源分離問題研究的是如何將各個源信號從觀測得到的混合信號中分離出來，所謂“盲源”，是指源信號和混合環(huán)境都未知。盲源分離技術有許多潛在的應用，例如語音增強、語音識別、腦電信號分析及核磁共振成像分析、特征提取、地質(zhì)勘探、圖像去噪、高光譜圖像處理等。
　　在本文中，我們主要關注的是頻域盲源分離算法。由于信號在介質(zhì)中的傳播速率是有限的，所以在真實環(huán)境中所觀測得到的信號往往是各個源信號以及它們的延時、衰減、回響的疊加，即信號是卷積混合的。頻

2、域盲源分離算法利用短時傅里葉變換（Short Time Fourier Transform，STFT）將時域上的卷積混合轉(zhuǎn)換為頻域上的瞬時混合，然后利用目前研究比較成熟的瞬時盲源分離算法在各個頻段上進行分離，所以，整個分離問題可以得到極大的簡化。但是，頻域盲源分離算法也會受到所謂的“排列歧義性”的影響:在輸出最終結果之前必須將各個頻段上分離好的信號重新調(diào)整為相同的輸出順序，也就是說，在各個頻段分離完畢之后，頻域盲源分離算法還需要一種排列

3、算法作為后期處理步驟來解決排列歧義性。
　　本文主要介紹了作者在對頻域盲源分離算法的研究過程中所開展的四項工作，包括:
　　1.使用核方法和譜方法解決排列問題。在頻域盲源分離算法中，聚類技術被廣泛用于解決排列歧義性。然而，目前的研究中仍然存在一些問題尚未解決，例如需要處理長條形分布的數(shù)據(jù)，以及需要考慮排列問題特有的限制條件等。由于核方法和譜方法在機器學習和數(shù)據(jù)挖掘中的廣泛應用，所以我們嘗試使用這些技術來解決排列問題。在該項工

4、作中，我們根據(jù)排列問題特有的限制條件修改了kernel k-means方法，并且使用譜聚類的思想對核方法的原理進行了解釋。另外，我們還根據(jù)排列問題的具體特點提出了幾種核映射的構造方法以提高排列算法的性能。
　　2.基于子頻帶和子空間非線性映射的IVA(Independent Vector Analysis)算法。IVA算法是近年來才提出的一種新技術，該方法的應用之一就是解決頻域盲源分離問題。和傳統(tǒng)的按頻段瞬時分離加排列算法的方法相

5、比，IVA最大的優(yōu)點在于它能夠在分離的過程中同時進行排列，所以IVA之后不需要再使用額外的排列算法進行后期處理。在這項工作中，我們提出了對IVA方法的兩項改進:首先提出了一種新的子頻帶構造方法，在分離過程中IVA將以子頻帶為單位從高頻到低頻進行分離，而子頻帶中數(shù)據(jù)的強相關性將有利于解決排列問題;第二，為了增強算法的穩(wěn)定性以及減少噪聲的影響，IVA的非線性映射將在由數(shù)據(jù)的相關矩陣的最大特征值對應的特征向量張成的一維子空間上計算。這兩項改進

6、同時使用的話不但能夠提升IVA算法的分離性能，而且還能增強算法的穩(wěn)定性。
　　3.頻域盲源分離算法的性能評價。為了開發(fā)更好的盲源分離算法，如何對算法的分離性能進行定量評價也是一個值得深入研究的問題。在本工作中我們針對頻域盲源分離算法的特點對現(xiàn)有的評價方法進行了改進:首先從混合和分離系統(tǒng)中計算出統(tǒng)一的信號能量傳遞網(wǎng)絡，或是在頻域上從源信號和分離所得的信號中估計出能量傳遞網(wǎng)絡的參數(shù)。然后再根據(jù)前一步的計算結果對信號的能量進行分解，從而

7、計算不同的評價指標。在該工作中提出的方法尤其適合于在模擬實驗環(huán)境中對頻域盲源分離算法進行性能評價。
　　4.高速列車噪聲成分分離。高速列車噪聲是影響車內(nèi)旅客舒適度和鐵路沿線居民生活質(zhì)量的關鍵因素，如何有效的降低噪聲是高速列車設計者們所關心的問題之一。研究表明，高速列車噪聲是由車體振動、輪軌噪聲、氣動噪聲、設備噪聲等因素混合而成的綜合結果，如果能將各種噪聲成分從測量得到的信號中分離出來將對列車的減振降噪設計起到一定的參考作用。由于盲