非線性盲信號抽取及應用研究.pdf

1、在源信號和傳輸信道均未知情況下，從若干觀測到的多個信號的混合信號中恢復出源信號的信號處理方法，稱為盲信號分離（Blind Source Separation, BSS）。由于其在物醫(yī)學工程、聲吶、雷達、語音增強、無線通訊和圖像處理等領域的廣泛應用，盲信號分離成為信號處理領域的重要研究課題之一。目前提出的大多數的盲信號分離算法是基于線性瞬時混合模型，并且同時恢復出所有的未知源信號。在許多實際應用場景下，由于傳感器非線性傳輸特性的影響，實際

2、問題被建模為非線性混合方式將更加準確和符合實際情況，而且感興趣的源信號往往只是少數幾個甚至一個。此時，采用盲信號分離技術同時恢復出所有的未知源信號將帶來很多不必要的計算，消耗大量的時間。針對上述問題，本學位論文重點研究了非線性盲信號抽?。˙lind Source Extraction，BSE）及其在生物醫(yī)學工程中的應用，取得了以下創(chuàng)新性成果：
　　1.提出一種基于峭度的非線性盲抽取算法：該算法是將感興趣源信號的歸一化峭度范圍這一先

3、驗知識當做約束條件加入到盲信號分離的對照函數中，從而構造成一個帶有約束條件的優(yōu)化問題。該優(yōu)化問題通過增廣拉格朗日函數法被轉化為無約束的優(yōu)化問題，然后利用標準的梯度下降學習法求解，從而抽取出感興趣的源信號。由于先驗知識的運用，該算法可以從后非線性混合信號中一次性地抽取感興趣的源信號，從而有效地避免很多不必要的計算，節(jié)省了大量的時間。
　　2.提出一種基于參考信號的非線性盲抽取算法：首先傳統的限制獨立成分分析框架被擴展到后非線性混合模

4、型中，然后基于該框架，一種基于參考信號的非線性盲抽取算法被提出。該算法是將參考信號和抽取信號之間的相似性函數當作新的目標函數，采用標準梯度上升學習法交替更新該目標函數和盲信號分離的負熵對照函數，從而可以從后非線性混合信號中一次性地抽取出感興趣源信號的準確波形。由于利用了參考信號這一先驗知識，并避免了閾值設置問題，該算法可以大大地減少計算量，并有效地提高信號盲抽取的精度和準確性。
　　3.提出了一種基于高斯化的非線性盲抽取算法：該算

5、法分為兩個階段，第一個階段根據中心極限定理，利用高斯化變換技術補償掉后非線性混合模型中的未知非線性畸變，得到近似的線性混合信號；第二個階段利用已知的感興趣源信號的歸一化峭度范圍這一先驗知識，從非線性畸變補償之后得到的近似線性混合信號中抽取出我們感興趣的源信號。因為規(guī)避了未知非線性函數的逼近和擬合問題，并分兩個階段實現后非線性混合信號的盲抽取，所以，該算法不僅簡單靈活，而且還可以有效地提高信號盲抽取的效率。
　　4.提出兩種非線性胎