資源描述：
《基于模糊回歸模型的稀疏信號(hào)盲分離.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、分類號(hào)UDC密級(jí)單位代碼1Q151’1怕·基于模糊回歸模型的稀疏信號(hào)盲分離仝鈺指導(dǎo)教師張運(yùn)杰職稱教授學(xué)位授予單位大連海事大學(xué)申請(qǐng)學(xué)位級(jí)別碩士學(xué)科(專業(yè))應(yīng)用數(shù)學(xué)論文完成日期2011年5月答辯日期2011年6月答辯委員會(huì)主席二’7Ji^，●SparseBlindSourceSeparationBasedonFCRMAthesisSubmittedtoDalianMaritimeUniversityInpartialfulfillmentoftherequirementsforthedegreeofMasterofSciencebyTongYu(AppliedMa
2、thematics)ThesisSupervisor：ProfessorZhangYunjieMay20111妒-●1辦，大連海事大學(xué)學(xué)位論文原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重聲明：本論文是在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果，撰寫成博／碩士學(xué)位論文==基王撞糊回歸槿型的疊埴魚曼直盆離==．除論文中已經(jīng)注明引用的內(nèi)容外，對(duì)論文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明．本論文中不包含任何未加明確注明的其他個(gè)人或集體已經(jīng)公開發(fā)表或未公開發(fā)表的成果．本聲明的法律責(zé)任由本人承擔(dān)．，學(xué)位論文作者簽名：一鹼組學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文
3、作者及指導(dǎo)教師完全了解大連海事大學(xué)有關(guān)保留、使用研究生學(xué)位論文的規(guī)定，即：大連海事大學(xué)有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交學(xué)位論文的復(fù)印件和電子版，允許論文被查閱和借閱．本人授權(quán)大連海事大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，也可采用影印、縮印或掃描等復(fù)制手段保存和匯編學(xué)位論文．同意將本學(xué)位論文收錄到《中國(guó)優(yōu)秀博碩士學(xué)位論文全文數(shù)據(jù)庫(kù)》(中國(guó)學(xué)術(shù)期刊(光盤版)電子雜志社)、《中國(guó)學(xué)位論文全文數(shù)據(jù)庫(kù)》(中國(guó)科學(xué)技術(shù)信息研究所)等數(shù)據(jù)庫(kù)中，并以電子出版物形式出版發(fā)行和提供信息服務(wù)．保密的論文在解密后遵守此規(guī)定．本學(xué)位論文屬于：保密口在——年解密后
4、適用本授權(quán)書．不保密口(請(qǐng)?jiān)谝陨戏娇騼?nèi)打“√")論文作者簽名：壺龜巫號(hào)師簽名：日期：年月日’甜■’V鼻中文摘要摘要盲信號(hào)分離(BSS)是現(xiàn)代信號(hào)處理領(lǐng)域中一個(gè)新興的研究方向，其主要任務(wù)是在源信號(hào)和混合方式均未知的情況下，僅由觀測(cè)的混合信號(hào)恢復(fù)分離出未知的原始源信號(hào)．盲信號(hào)分離問題在許多領(lǐng)域都得到了廣泛的重視，很多人對(duì)盲信號(hào)分離展開了研究．傳統(tǒng)的盲信號(hào)分離大都采用獨(dú)立分量分析(IndependentComponentAnalysis，ICA)的方法，即按照統(tǒng)計(jì)獨(dú)立的原則通過優(yōu)化算法由觀測(cè)信號(hào)x(0求出解混矩陣職使得y(0=Wx(0的各分量盡可能相互獨(dú)立．然而，切
5、合實(shí)際的盲信號(hào)分離問題往往是欠定的，處理起來非常棘手．既使源信號(hào)沒有被充分混疊的情況下，也只能盲提取部分源信號(hào)，無法實(shí)現(xiàn)所有源信號(hào)的盲分離．對(duì)于欠定盲分離問題，目前主要利用源信號(hào)的稀疏特性來處理，應(yīng)用最多、最有效的方法是稀疏分量分析(SparseComponentAnalysis，SCA)方法．根據(jù)稀疏信號(hào)表現(xiàn)出的線性特征，首先，本文引進(jìn)了模糊回歸模型(FCRM)及其聚類有效性函數(shù)，并在此基礎(chǔ)上形成了適合過原點(diǎn)直線聚類的改進(jìn)模糊回歸模型(Improved．FCRM)和聚類有效性函數(shù)．其次，本文一方面給出了一種新的基于稀疏分量分析的盲分離二步法——基于改進(jìn)的模糊
6、回歸模型的欠定稀疏信號(hào)盲分離方法，該方法采用改進(jìn)的模糊C回歸模型聚類算法來估計(jì)混疊矩陣，并且利用最大隸屬原則，僅通過向量的廣義逆和內(nèi)積運(yùn)算來直接恢復(fù)源信號(hào)，為混疊矩陣的估計(jì)以及源信號(hào)的分離提供了新途徑．另一方面，本文還給出了一種基于改進(jìn)的模糊回歸模型聚類有效性函數(shù)的源信號(hào)數(shù)目估計(jì)方法．實(shí)驗(yàn)證明了本文算法的有效性．關(guān)鍵詞：盲信號(hào)分離；稀疏分量分析；改進(jìn)的模糊回歸模型1搴‘聆●7，扣’英文摘要ABSTRACTBlindSourceSeparation(Bss)isanewsubjectinsignalprocessingdomain,anditintentstot
7、ransformasetofmixedrandomsignalsintosourcesignalsthataleabsolutelyunknown．ResearchershavedevotedthemselvestOthisareawhenmanyareasattachedimportancetothetechnique．IntraditionalBSS，itsmainalgorithmisindependentcomponentanalysis(ICA)whoespurposeisbyusingmerelyobservedsignalvector“f)，to
8、estimatethelatentso
