單通道盲源信號(hào)分離開題報(bào)告

1、<p>　　本科畢業(yè)論文（設(shè)計(jì)）開題報(bào)告</p><p><b>　　1.選題意義</b></p><p>　　在一個(gè)雞尾酒會(huì)現(xiàn)場(chǎng)，如果用安放在不同位置的多個(gè)拾音器現(xiàn)場(chǎng)錄音，那么所記錄的信號(hào)實(shí)際上是不同聲源的混合信號(hào)（如不同人的說話聲、音樂聲以及其它聲源的聲音）。人們希望從這些混合錄音信號(hào)中把不同的聲源分離出來，這顯然不是一件很容易的事，至少用傳統(tǒng)的頻域?yàn)V波

2、方法行不通，因?yàn)椴煌曉葱盘?hào)的頻譜相互混疊在一起，無法有效地設(shè)計(jì)濾波器。我們所面臨的困境是：對(duì)于每個(gè)源信號(hào)（這里是聲音信號(hào)）以及這些源信號(hào)是如何混合的一無所知。盲源分離（Blind Source Separation, BSS）技術(shù)的出現(xiàn)為解決這類問題提供了一種有效的途徑。所謂盲源分離，簡(jiǎn)單來說就是指在信號(hào)的理論模型和源信號(hào)無法精確獲知的情況下,如何從混迭信號(hào)(觀測(cè)信號(hào))中分離出各源信號(hào)的過程?！懊ぁ庇袃芍睾x：(1)源信號(hào)不能被觀測(cè)；

3、(2)源信號(hào)如何混合是未知的。顯然,當(dāng)根據(jù)從信源到傳感器之間的傳輸特性很難建立其數(shù)學(xué)模型、或者關(guān)于傳輸?shù)南闰?yàn)知識(shí)無法獲得時(shí),盲源分離是一種很自然的選擇。</p><p>　　如何分離在眾多講話人環(huán)境下麥克風(fēng)所采集的混疊語音信號(hào)，是盲源分離研究中的一個(gè)重要課題和研究熱點(diǎn)。近年來取得很大進(jìn)展的盲源分離技術(shù)為噪聲和語音的分離提供了可能，從而使得噪聲環(huán)境下和眾多講話人情形下的語音識(shí)別的實(shí)現(xiàn)成為可能，增大了識(shí)別算法的魯棒性

4、和適應(yīng)能力。除此之外，高質(zhì)量的語音通信，助聽器和遠(yuǎn)程會(huì)議系統(tǒng)都會(huì)得益于此項(xiàng)技術(shù)。因此，語音信號(hào)的盲分離技術(shù)研究具有非常重要的理論價(jià)值和應(yīng)用價(jià)值。</p><p>　　在盲源信號(hào)分離中現(xiàn)有的各種研究都是在假設(shè)傳感器的個(gè)數(shù)不少于源信號(hào)個(gè)數(shù)的基礎(chǔ)上進(jìn)行的,即超定或正定分離問題,其中每個(gè)傳感器接收到的觀測(cè)信號(hào)是源信號(hào)的不同組合。當(dāng)傳感器數(shù)小于源數(shù)時(shí)，由于混合矩陣的逆矩陣不能直接得到，于是也就不能像超定或正定問題那樣同時(shí)求

5、出分離矩陣和源信號(hào)，而對(duì)于傳感器個(gè)數(shù)少于源信號(hào)個(gè)數(shù)的情況如何實(shí)現(xiàn)源信號(hào)的分離的問題就成為了一個(gè)難題。單通道盲源信號(hào)分離對(duì)于突破典型盲源信號(hào)分離問題具有重要的意義，也進(jìn)一步拓寬了盲源信號(hào)分離的應(yīng)用領(lǐng)域，但單通道盲源分離問題是最近才幾年出現(xiàn)的，雖然已經(jīng)有不少國(guó)內(nèi)外的科研工作者對(duì)其研究也取得了一定的成果，但是在理論和算法方面還是具有很多不成熟的地方，也正是因?yàn)槿绱藛瓮ǖ烂ぴ葱盘?hào)分離問題具有巨大的研究空間與研究?jī)r(jià)值。單通道盲源信號(hào)分離是近些年來

6、國(guó)際上信號(hào)處理領(lǐng)域正在興起的一個(gè)重要的研究熱點(diǎn)和前沿課題。 </p><p>　　單通道盲源信號(hào)分離是盲源信號(hào)分離中一種特殊的情況，所謂單通道盲源信號(hào)分離指的是觀測(cè)信號(hào)是由一個(gè)傳感器輸出的，并且該輸出信號(hào)包含幾個(gè)不同的源信號(hào)?，F(xiàn)如今單通道盲源信號(hào)分離正在逐步成為信號(hào)處理研究領(lǐng)域最受關(guān)注的一個(gè)研究方向。單通道盲源信號(hào)分離只需要一個(gè)信道接收，系統(tǒng)相對(duì)簡(jiǎn)單并且成本低廉，而且在很多的情況下，信號(hào)僅能夠通過一個(gè)傳感器或者信

7、道接收，使得接收到的信號(hào)中包含了多個(gè)信號(hào)分量。實(shí)際生活中僅能夠接收到包有多個(gè)信號(hào)分量的單通道信號(hào)的現(xiàn)象是普遍存在的，例如：在通信系統(tǒng)中，號(hào)傳通道存在的共道干擾；在聲納系統(tǒng)、雷達(dá)系統(tǒng)中，所接收到的信號(hào)為很多個(gè)具有不同衰減和延遲的回波以及噪聲的疊加；出現(xiàn)在圖像處理中的多個(gè)圖像重疊的情況，如對(duì)從刑偵現(xiàn)場(chǎng)獲得的指紋圖片進(jìn)行指紋識(shí)別時(shí)，得到的幾乎都是多個(gè)指紋重疊在一起的圖片；在對(duì)生物醫(yī)學(xué)信號(hào)的分析與處理中，多個(gè)生物電信號(hào)成分存在于被測(cè)信號(hào)中，如對(duì)

8、胎兒的心跳信號(hào)進(jìn)行檢測(cè)時(shí)避免不了的要測(cè)量到母親的心跳信號(hào)與身體內(nèi)部的各種噪聲，腦電圖中除腦電信號(hào)以外還同時(shí)含有心電動(dòng)、肌肉電信號(hào)、眼動(dòng)偽跡以及其他干擾信號(hào)；在語音信號(hào)的處理當(dāng)中，也常常攢在多個(gè)信號(hào)分量共存于一個(gè)信道中的情況等。</p><p>　　2.國(guó)內(nèi)外研究現(xiàn)狀概述</p><p>　　盲源分離技術(shù)是從上世紀(jì)八十年代末開始提出的，雖然信號(hào)盲源分離發(fā)展的時(shí)間很短，但是己成為現(xiàn)代數(shù)字信號(hào)處

9、理的一個(gè)活躍領(lǐng)域。以下從國(guó)外方面和國(guó)內(nèi)方面來描述盲源分離技術(shù)的發(fā)展歷史和研究現(xiàn)狀。</p><p>　　最早研究盲源分離（Blind Signal Separation, BSS）問題的是法國(guó)的Herault和Jutten。他們?cè)?985年左右開始研究，他們的方法稱為H一J算法，在他們的算法中提出了一種針對(duì)兩個(gè)源信號(hào)和兩個(gè)混合信號(hào)的遞歸連接的人工神經(jīng)網(wǎng)絡(luò)，通過利用梯度下降算法調(diào)整網(wǎng)絡(luò)權(quán)值來對(duì)網(wǎng)絡(luò)輸出信號(hào)的殘差進(jìn)行

10、最小化并實(shí)現(xiàn)源信號(hào)的盲分離。</p><p>　　Tong等首先在1991年對(duì)盲源分離問題的解的不確定性即可辨識(shí)性進(jìn)行了較為系統(tǒng)的研究，指出信號(hào)盲源分離的問題實(shí)際上是一個(gè)不可解問題，或者更確切的說，是一個(gè)多解問題，該問題的不可分解性可以用一個(gè)任意的滿秩矩陣進(jìn)行參數(shù)化。</p><p>　　1994年，Comon將數(shù)據(jù)處理與壓縮的主分量分析(PCA)加以擴(kuò)展提出獨(dú)立分量分析(ICA)，并給出

11、了嚴(yán)格的ICA數(shù)學(xué)定義。同年，Achocki等人提出了著名的自然梯度學(xué)習(xí)算法。此外，Oja與Karhunent提出采用高階統(tǒng)計(jì)量的非線性主分量分析盲源分離算法，它是線性主分量分析的推廣，在正交約束下，可以實(shí)現(xiàn)信號(hào)的盲分離。</p><p>　　1995年Bell和Sejnowski發(fā)表了ICA發(fā)展史中的里程碑文獻(xiàn)，在該文獻(xiàn)中通過結(jié)合神經(jīng)網(wǎng)絡(luò)、信息論等方法，導(dǎo)出了ICA分離算法，并利用算法成功的解決了雞尾酒會(huì)問題，

12、分離出了十個(gè)人的聲音。從而引起了極大的轟動(dòng)和廣泛的關(guān)注，極大的推動(dòng)了ICA研究的發(fā)展。同年Delfosse和Loubaton提出了一種緊縮(Deflation)算法，該算法首先從混合信號(hào)中分離出一個(gè)源信號(hào)，從而使問題降階，逐步提取各個(gè)源信號(hào)，實(shí)際上是一種盲抽取算法。</p><p>　　1996年，Cardoso和Laheld總結(jié)了前人的研究成果，在正IEEE的 Signal P

13、rocessing發(fā)表了重要論文，文中給出了基于相對(duì)梯度的ICA分離算法、分離的精度、算法的穩(wěn)定性、等變化性等一系列重要的ICA概念。Amari，Cichocki, 和Yang使用基于信息幾何的自然梯度，提出了類似于相對(duì)梯度算法的自然梯度算法。同年，Puntonet和Prieto提出了幾何分離的思路。</p><p>　　1997年，Hyvarinen和Oja提出了定點(diǎn)迭代算法，此算法有著相當(dāng)高的收斂速度，成為一

14、個(gè)經(jīng)典的ICA算法。Oja提出了利用非線性PCA來解決ICA問題的思路。Amari和Cardoso從信息幾何的角度對(duì)ICA中的算法如源信號(hào)的概率密度函數(shù)(pdf)的誤差等基本問題給出了相當(dāng)圓滿的理論解釋Amari、Chen和Cichocki討論了ICA中自然梯度算法的穩(wěn)定性，給出了其局部穩(wěn)定的充分必要條件，這篇文章也是以后此類算法穩(wěn)定性研究的基礎(chǔ)。同年，Girolami而和Fyfe受探測(cè)投影追蹤的啟發(fā)，使用邊緣負(fù)嫡作為投影指數(shù)，而且證明

15、了尋找峭度的投影尋蹤法可以抽取一個(gè)線性混合的源信號(hào)。</p><p>　　1998年Amari對(duì)自然梯度及其算法作了詳細(xì)的討論和分析。在基本理論問題上取得了豐富的成果。 Proceedings.of IEEE的10月號(hào)的論文集為盲信號(hào)處理專輯，對(duì)這一領(lǐng)域的成果作了綜述并指出進(jìn)一步的發(fā)展方向。</p><p>　　進(jìn)入2000年后，ICA的研究更加注重于對(duì)實(shí)際通信、信號(hào)處理的討論，課題更加的

16、專業(yè)和深入。</p><p>　　2003年，Theis等人提出了線性幾何ICA概念，詳細(xì)闡述了其原理和方法，并于2004年結(jié)合兩步法，成功估計(jì)出混合矩陣和源信號(hào)。</p><p>　　2004年，Li等利用K均值聚類估計(jì)混合矩陣，并討論了和的等價(jià)性。</p><p>　　2005年, Georgiev將SCA應(yīng)用到欠定盲源分離中。</p><p

17、>　　2006年, Li等對(duì)兩步法進(jìn)行了更深入的研究，在DUET和TIFROM法的基礎(chǔ)上提出新方法來估計(jì)混合矩陣。</p><p>　　2007年，Lee等人提出了一個(gè)基于固定點(diǎn)算法的獨(dú)立矢量分析模型，可以快速地在頻域上實(shí)現(xiàn)卷積混合信號(hào)的盲分離。同年，Douglas等人分析并討論了固定點(diǎn)算法可以用來分離卷積混合信號(hào)的兩個(gè)時(shí)空范圍。</p><p>　　2008年，劉琨等提出了符合實(shí)際

18、工程實(shí)踐的基于時(shí)頻域單源主導(dǎo)區(qū)的語音</p><p>　　信號(hào)欠定盲分離算法，譚北海等在源信號(hào)數(shù)目未知的情況下提出了基于源信號(hào)數(shù)目估計(jì)的欠定盲分離算法。</p><p>　　2009年, 成謝鋒等人利用獨(dú)立子波函數(shù)進(jìn)行盲源信號(hào)分離。</p><p>　　2010 年 9 月 27 日在法國(guó)的圣馬洛舉行的第九屆 ICA 國(guó)際年會(huì)，首次更名為潛變量分離與信號(hào)分離(Lat

19、ent Variable Analysis and Signal Separation)，這標(biāo)志著盲源分離與獨(dú)立元分析進(jìn)入一個(gè)新的階段，獨(dú)立元分析的理論和應(yīng)用研究正逐步朝著規(guī)范成熟的方向發(fā)展。 </p><p>　　最近幾年，日本NTT公司的Mukai等人提出了對(duì)實(shí)時(shí)的語音信號(hào)盲分離算法，實(shí)驗(yàn)證明該算法具有很好的分離效果。</p><p>　　國(guó)內(nèi)對(duì)于盲源分離技術(shù)的研究起步相對(duì)較晚，直

20、到近幾年，國(guó)內(nèi)關(guān)于盲源分離技術(shù)的研究才漸漸多起來。凌燮亭和何振亞在國(guó)內(nèi)較早的進(jìn)行了盲信號(hào)處理的研究。凌燮亭用反饋式神經(jīng)網(wǎng)絡(luò)根據(jù)Hebbian的學(xué)習(xí)算法，實(shí)現(xiàn)了近場(chǎng)情況下一般信號(hào)的盲分離，并對(duì)算法的漸進(jìn)收斂性和穩(wěn)定性進(jìn)行了討論。何振亞提出了基于高階譜的信號(hào)盲分離，利用三階和四階累積量研究了瞬時(shí)混迭信號(hào)的盲分離問題。胡光銳對(duì)盲語音分離問題進(jìn)行了研究，提出了基于混合高斯模型概率密度估計(jì)的語音分離方法。劉琚等提出了從信息理論出發(fā)的基于遞歸神經(jīng)網(wǎng)

21、絡(luò)的盲分離，對(duì)傳輸中的信息損失引入反Hebbian項(xiàng)，該算法在保證最大化信息傳輸?shù)耐瑫r(shí)也最小化輸出互信息，從而使網(wǎng)絡(luò)輸出相互獨(dú)立。譚麗麗和韋崗基于最小互信息的分離準(zhǔn)則，應(yīng)用隨即梯度算法確定分離濾波器的系數(shù)，給出了卷積混迭信號(hào)的盲分離算法，理論分析和實(shí)驗(yàn)仿真證明了算法的有效性。馮打政等人提出了一種信號(hào)盲分離的多階段分解算法，它在算法的每個(gè)階段僅抽取單個(gè)獨(dú)立分量，通過系統(tǒng)化的多階段分解和多階段重構(gòu)，可以得到全部獨(dú)立分量。進(jìn)來，劉琚和何振亞，

22、張賢達(dá)和保錚分別撰寫了關(guān)于盲源分離的綜述性文章，張賢達(dá)和保錚在他們的專著中也詳</p><p>　　近幾年來，盲源信號(hào)分離技術(shù)得到了迅速的發(fā)展，并被廣泛應(yīng)用于陣列信號(hào)去噪、通信對(duì)抗與電子偵探中的信號(hào)處理、圖像處理、生物醫(yī)學(xué)工程、醫(yī)療成像、語音增強(qiáng)、遙感、雷達(dá)與通信系統(tǒng)、地震探測(cè)、地球物理學(xué)、計(jì)量經(jīng)濟(jì)學(xué)、數(shù)據(jù)挖掘、狀態(tài)監(jiān)測(cè)與故障診斷等各個(gè)方面。</p><p><b>　　3.主要

23、研究?jī)?nèi)容</b></p><p>　　本論文的主要研究?jī)?nèi)容如下：</p><p>　?。?）介紹單通道盲源信號(hào)分離問題的背景及研究意義，分析單通道盲源分離技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀、應(yīng)用領(lǐng)域。</p><p>　?。?）對(duì)盲源分離問題的基本知識(shí)和主要算法進(jìn)行總結(jié)，首先，介紹了瞬時(shí)盲源分離和卷積盲源分離的數(shù)學(xué)模型，并對(duì)盲源分離問題的基本假設(shè)進(jìn)行分析，為了簡(jiǎn)化盲源

24、分離問題，又接著介紹了兩種常用的盲源分離信號(hào)預(yù)處理方法。之后介紹了獨(dú)立元分析方法的一些基礎(chǔ)知識(shí)，詳細(xì)分析了幾種基于獨(dú)立元分析的盲源分離算法，最后對(duì)這些算法進(jìn)行了仿真研究。</p><p>　　(3)探索單通道信號(hào)盲源分離問題，對(duì)基本概念和數(shù)學(xué)模型進(jìn)行總結(jié)，提出了一種基于小波變換和獨(dú)立分量分析的單通道信號(hào)盲源分離算法。</p><p>　　（4）將盲源分離算法應(yīng)用于地震信號(hào)去噪。本文將地震信

25、號(hào)去噪分為多通道的和單通道的地震信號(hào)去噪兩部分，主要是解決單通道的去噪問題。單通道的地震信號(hào)去噪是欠定盲源分離問題，不能直接用基于 ICA 的方法進(jìn)行計(jì)算，本文通過奇異值分解的方法對(duì)這一路信號(hào)進(jìn)行預(yù)處理，生成另一路信號(hào)，然后在用盲源分離算法進(jìn)行處理，從而實(shí)現(xiàn)了單通道地震信號(hào)去噪問題。</p><p>　　單通道信號(hào)盲源分離技術(shù)是病態(tài)的盲分問題，如何提高本文提出的結(jié)合小波變換和獨(dú)立分量分析的單通道信號(hào)盲源分離算法的

26、魯棒性有待進(jìn)一步探索，所以在算法研究上，需要結(jié)合多元統(tǒng)計(jì)分析等知識(shí)進(jìn)行進(jìn)一步的研究。</p><p>　　4.擬采用的研究思路（方法、技術(shù)路線、可行性論證等）</p><p>　　本文先對(duì)盲源信號(hào)分離進(jìn)行研究，然后對(duì)單通道盲源信號(hào)進(jìn)行分離。</p><p>　　1、盲源信號(hào)分離的研究思路：</p><p>　?。?）盲源信號(hào)分離有兩種數(shù)學(xué)模型

27、：瞬時(shí)混合模型和卷積混合模型，主要介紹瞬時(shí)混合的數(shù)學(xué)模型，其模型如下圖所示：</p><p><b>　　未知的</b></p><p>　　混合部分 解混合部分</p><p>　　圖1 盲源分離瞬時(shí)混合模型示意圖</p><p>　　（2）盲源分離的基本假設(shè)：</p>

28、<p>　　假設(shè) 1：混合矩陣 A為列滿秩矩陣，即 rank( A)= n。這個(gè)假設(shè)是為了使混合矩陣存在廣義逆，以保證盲源分離問題可解。 </p><p>　　假設(shè) 2：源信號(hào)s(t) 的各個(gè)分量之間是互相統(tǒng)計(jì)獨(dú)立的，且至多只有一個(gè)高斯信號(hào)。由于服從高斯分布的隨機(jī)變量的線性混合仍然服從高斯分布，而高斯分布是對(duì)稱的，則混合信號(hào)不包含混合矩陣列方向上任何信息。當(dāng)源信號(hào)中服從高斯分布的分量多于一個(gè)時(shí)，混合信號(hào)

29、中服從高斯分布的分量也多于一個(gè)，這樣就導(dǎo)致了盲源分離問題不可能求解。因此要對(duì)假設(shè)條件 2 做出限制。 </p><p>　　假設(shè) 3：噪聲信號(hào) n(t)可以忽略不計(jì)，或者 n(t)為零均值的且與源信號(hào)s(t) 相互獨(dú)立。 </p><p>　?。?）基于獨(dú)立元分析的盲源分離的主要算法: 信息最大化方法、 極大似然方法、 基于負(fù)熵的FastICA算法</p><p&

30、gt;　　圖2 信息最大化方法框架</p><p>　?。?）然后對(duì)算法進(jìn)行仿真實(shí)驗(yàn)。</p><p>　　2、單通道盲源信號(hào)分離的研究思路：</p><p>　　首先單通道盲源信號(hào)分離的數(shù)學(xué)模型：x(t) = As(t) + n(t),式子中的 x(t)是一維觀測(cè)信號(hào),s(t)為源信號(hào)，A是1×n維混合矩陣。其次，研究一種新的基于小波變換和獨(dú)立分

31、量分析的單通道信號(hào)盲源分離算法。再次，進(jìn)行仿真實(shí)驗(yàn)。最后，盲源分離在地震信號(hào)處理中的應(yīng)用。</p><p><b>　　………</b></p><p>　　圖3 線性瞬時(shí)混合模型的盲源信號(hào)分離問題的基本原理</p><p>　　5.研究工作安排及進(jìn)度</p><p>　　第 1 周 確定所選畢業(yè)設(shè)計(jì)的課題

32、名稱為單通道盲源信號(hào)分離。</p><p>　　第 2-4 周 根據(jù)所選的課題，查閱大量的相關(guān)資料，了解單通道盲源信號(hào)分離的研究背景、目的及意義，找出單通道盲源信號(hào)分離的研究歷史進(jìn)展，應(yīng)用現(xiàn)狀領(lǐng)域及其發(fā)展的趨勢(shì)，并列出整片論文的提綱。</p><p>　　第5-7 周 了解盲源分離技術(shù)的一些基礎(chǔ)知識(shí)，知道它所研究的對(duì)象和目的。盲源分離有兩個(gè)數(shù)學(xué)模型:瞬時(shí)盲源分離的數(shù)學(xué)模型和卷積盲源

33、分離的數(shù)學(xué)模型，并查出盲源分離的一般假設(shè)條件。介紹兩種常用的盲源分離信號(hào)預(yù)處理方法，信號(hào)的中心化處理與信號(hào)的白化處理。之后介紹獨(dú)立元分析方法的一些基礎(chǔ)知識(shí)，詳細(xì)分析了幾種基于獨(dú)立元分析的盲源分離算法，最后對(duì)這些算法進(jìn)行了仿真研究。</p><p>　　第8-11周 查找關(guān)于單通道盲源信號(hào)分離的基本概述，并建立單通道盲源分離的數(shù)學(xué)模型，研究一種新的基于小波變換和獨(dú)立分量分析的單通道信號(hào)盲源分離算法，并對(duì)算法進(jìn)行

34、仿真實(shí)驗(yàn)。</p><p>　　第12-14周 了解盲源分離在地震信號(hào)處理中的應(yīng)用，分為單通道和多通道的地震信號(hào)去噪，主要是研究單通道的去噪問題</p><p>　　第 15 周 總結(jié)全文,查找論文存在的不足,最后寫出參考文獻(xiàn),準(zhǔn)備論文答辯。</p><p><b>　　6.參考文獻(xiàn)</b></p><p>　　[

35、1] 陳曉軍.欠定條件下混合信號(hào)盲分離算法研究[D].電子科技大學(xué),2009. </p><p>　　[2] 陳曉東.盲源分離技術(shù)及應(yīng)用研究[D].哈爾濱工程大學(xué),2009. </p><p>　　[3] 高波.欠定盲源分離及其應(yīng)用[D].大連理工大學(xué),2010. </p><p>　　[4] 楊志聰.語

36、音信號(hào)的盲分離算法研究[D].武漢科技大學(xué),2009. </p><p>　　[5] 付榮榮.基于經(jīng)驗(yàn)?zāi)B(tài)分解和單通道盲源信號(hào)分離測(cè)量?jī)上嗔魉俣萚D].遼寧大學(xué),2011. </p><p>　　[6] 徐麗琴.盲源分離算法研究[D].西安電子科技大學(xué),2006. </p><p>　　[7] 彭耿,黃知濤,姜文利,周一宇.單通道盲信號(hào)分離研究進(jìn)展與展

37、望[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),2009,04(03):268-277. </p><p>　　[8] 劉海鵬.基于獨(dú)立元分析的盲源分離方法研究[D].中國(guó)石油大學(xué),2011.</p><p>　　[9] 張文惠.MP在單通道盲信號(hào)分離中的應(yīng)用[D].西安交通大學(xué),2011.</p><p>　　[10] 石新華.基于盲源分離技術(shù)的切削過程監(jiān)控[D].上海交通

38、大學(xué),2010.</p><p>　　[11] 李鴻燕,趙菊敏,王華奎,蕭寶瑾.基于獨(dú)立分量分析的單通道語音增強(qiáng)算法[J].計(jì)算機(jī)工程,2007,33(24):35-40.</p><p>　　[12] 石慶研,黃建宇,吳仁彪.盲源分離及盲信號(hào)提取的研究進(jìn)展[J].中國(guó)民航大學(xué)學(xué)報(bào),2007,25(03):1-7.</p><p>　　[13] 魏巍.基于盲源分離的