時變信號處理關鍵技術研究.pdf

1、信號是信息的載體，信息處理的關鍵在于對信號中關鍵信息屬性的提取與分析。時變信號（Time Varying Signal, TVS），如各種音頻信號和生命體征信號等，是一類重要的、具有非線性非平穩(wěn)特性的常見信號，涵蓋了信息提取的主要難點和熱點問題。在目前的絕大多數(shù)研究中都將TVS視為短時平穩(wěn)且線性的，重點關注其時域和頻域包含的信息，而信號隨時間變化部分所承載的信息大部分被忽略，嚴重影響 TVS信息提取的精準度，使其實際應用受到了很大限制。

2、
　　本論文面對 TVS處理的挑戰(zhàn)，重點研究了 TVS的信號分割標準、信號成分分析、信號建模與特征提取以及分類識別等核心問題，主要研究內(nèi)容包括：
　?。?）實時精準分割是TVS信號分析的前提。針對TVS處理中的粒度劃分標準與快速魯棒分割算法等問題，提出了基于Hilbert譜（Hilbert Spectrum，HS）的自適應信號分割技術。通過深入研究非平穩(wěn)過程產(chǎn)生非線性失真的描述與恢復方法，精確地提取了信號在HS時域和頻域上的

3、能量特征。為了提升HS時域能量特征的區(qū)分能力，提出了基于時域能量對數(shù)的能量強度指數(shù)，并基于該指數(shù)完成初始分割。其后利用TVS在不同頻帶上的變化差異，通過對相鄰等長時段內(nèi)的頻域能量差異進行考察，檢測TVS的精確分割點。與其他主流信號分割技術相比，本文方法得到的分割結(jié)果準確，并具有更少的插入與漏檢錯誤；在語音識別應用中，本文方法在87％以上情況下會給出合理的分割結(jié)果。
　?。?）針對 TVS有效成分自動分析問題，提出了一種將獨立成分分

4、析（Independent Component Analysis，ICA）和希爾伯特黃變換相融合的TVS成分分析技術。在復雜的實際環(huán)境中，所獲得的TVS通常由多種源信號混合而成， ICA可以分離信號中的這些隱藏成分。但 ICA也具有獨立成分（Independent Component，IC）順序和幅值不確定的問題。為此我們對各IC實施經(jīng)驗模態(tài)分解（Empirical Mode Decomposition, EMD），利用IC趨勢項能夠有

5、效表征信號差異的特性，自動地對感興趣的IC進行識別；通過計算IC的瞬時頻率來實施頻域濾波，得到了更加精確的成分。面對以多成分混合和強干擾頻發(fā)為特征的典型TVS——腦電信號（Electroencephalogram，EEG），我們對本文方法的信號分離和成分提取能力進行了驗證。對于眼電偽跡影響的問題，本文方法可以有效去除EEG信號中99.9%的眼電信號。在同經(jīng)典的基于ICA和回歸分析的方法比較中看到，本文方法將修正EEG信號與原始EEG信號

6、的相關度從經(jīng)典ICA的0.69和回歸分析的0.71提高到0.84，并且保留了更多的腦認知活動相關信息。
　?。?）TVS包含的高維特征，只有通過高效的建模才能有效提取，稀疏模型是 TVS簡潔、高效的表達，對此本文提出了一種基于本征模態(tài)函數(shù)基字典的TVS稀疏建模與特征提取方法。對信號進行 EMD分解得到的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）是信號最本質(zhì)的成分。我們提出將IMF用于字典的學習，引進層級

7、稀疏建模的思想，通過正交匹配追蹤對TVS進行稀疏建模，在保證建模效果的前提下極大地消除了建模效率低下的問題。并且，進一步提出了基于壓縮感知理論的特征提取方法，將少量但卻包含了主要信息的感知特征系數(shù)作為TVS后續(xù)處理的有效特征。實驗證明：在相同稀疏度下，用本文稀疏模型重構信號的信噪比，比其他主流方法高2dB以上；在相同信噪比下，本方法稀疏建模所需要的原子數(shù)量最少；對音頻信號來說，本方法不僅能最大限度地刻畫其中的語義信息，而且更適于對音頻情

8、感識別問題的解決。
　?。?）構建一個高性能、高魯棒的TVS分類器是實際應用系統(tǒng)的重要部分。針對實際應用中的數(shù)據(jù)分布復雜、類別多樣、漂移變化和新類涌現(xiàn)等棘手問題，本文重點研究了基于自適應諧振理論（Adaptive Resonance Theory，ART）神經(jīng)網(wǎng)絡技術，提出了一種基于半監(jiān)督學習的ART2網(wǎng)絡（Semi-Supervised ART2， SS-ART2），并提出了基于廣義相似度和置信度的SS-ART2運行機制。所提出

9、的SS-ART2對于未知類別樣本，通過為該樣本激活新輸出模式的方法，大大降低了新涌現(xiàn)情況對網(wǎng)絡性能的影響；引進半監(jiān)督學習機制，充分利用有標記樣本和無標記樣本，大大提升網(wǎng)絡訓練效率；采用廣義相似度和樣本置信度改進網(wǎng)絡權值更新方法，解決了標注錯誤、奇異樣本和模式漂移等問題；此外通過采取局部警戒閾值的方法，還可以有效避免全局調(diào)整形成的網(wǎng)絡震蕩。實驗證明所提出的SS-ART2網(wǎng)絡結(jié)構合理，輸出模式中心能夠反映實際數(shù)據(jù)的聚類中心，與實驗中的其他方

10、法相比，可以取得最好的分類識別準確率。
　　本文所提方法綜合利用了信號自身特點和信號之間差異，對多通道TVS系統(tǒng)通常能充分發(fā)揮性能，而單通道情況則成為了對系統(tǒng)更嚴苛的考驗。通過連續(xù)的單通道新聞聯(lián)播音頻流，并隨機地加入沖激信號來模擬突發(fā)性噪聲干擾，對本文方法進行系統(tǒng)性的評測，本文方法可以有效剔除各種干擾，保證聲學事件識別的準確度不受影響，而且通過提取信號自身特征和差異特征，實現(xiàn)語音情感識別的準確率達到70.2%，平均高出其他主流方法