[信息與通信]盲信號分離技術(shù)及小波變換的應用ppt-資料下載頁
2024-10-16 17:33本頁面
【正文】 )0klijsssscaca??????????2 聯(lián)合對角化求解 ? 當時移、尺度的選擇，使得源信號二次型經(jīng)小波變換后的矩陣為第一類矩陣時，求解解混矩陣就比較容易了。因為此時要做的事情就是將矩陣 做對角化處理，得以讓 演化為對角陣的矩陣就是解混矩陣了，而理想的解混矩陣應當是混合矩陣的逆，然而實際用算法求解時很難完全等于混合矩陣的逆。 ,*( ) ( ) , :( , ) ( ) ( ) ( ) ( , )aH H HX X S SX t A S tC a A S t S t A t d t A C a A?? ? ?????由 易 知( ) ( ) , :( , ) ( , ) ( , )H H HY Y X X S SY t W X tC a W C a W W A C a A W? ? ????由 易 知( , )XXCa?( , )XXCa?2 聯(lián)合對角化求解 ? 由此，一個問題產(chǎn)生了：如何選取滿足上述要求的時移、尺度點呢？ 2 聯(lián)合對角化求解 ? 在本文的求解過程中，實際上運用了聯(lián)合的對角化方法。所謂“聯(lián)合”，就是選取一系列滿足第一類矩陣條件的時移、尺度點，然后使得要求的解混矩陣對這些時移、尺度點下的 總體的對角化效果最好。衡量總體對角化效果的目標函數(shù)表示為： ? Off()表示對矩陣的非對角元素平方求和， N為選取的時移尺度數(shù)，該目標函數(shù)越小表明聯(lián)合對角化效果越好，求解的解混矩陣越接近理想值。聯(lián)合對角化相對于單一的對角化方法的優(yōu)點在于可靠性較高。 ( , )XXCa?1( ) [ ( , ) ]N HX X k kkJ D W O ff W C a W??? ?3 時移尺度算法歸納 ? 綜上所述，本文提出的基于時移尺度特性的分離算法，可以歸納為以下四個步驟： ? 計算全域內(nèi)（時移尺度域）接收信號的二次型小波變換矩陣 ? 選擇滿足第一類矩陣條件的一系列時移尺度數(shù)值 ? 通過優(yōu)化目標函數(shù)，求解解混矩陣 ? 根據(jù) 得到最終的估計信號 ( ) ( )Y t W X t?4 仿真實驗結(jié)果 ? 本文選取了一組源信號，分別為兩個高斯信號和一個非高斯信號，進行仿真驗證。 ? 任意生成一可逆混合矩陣： ? 仿真實驗分別運用了傳統(tǒng)的 SOBI分離方法（基于獨立分量分析）和本文提出的方法，實驗表明本文提出的方法效果較好。 4 仿真實驗結(jié)果 ? 第一行：源信號 ? 第二行：混合后的信號（即接收信號） ? 第三行：運用本文的方法得到的估計信號 ? 第四行：運用傳統(tǒng)的 SOBI方法得到的結(jié)果 4 仿真實驗結(jié)果 ? 上述實驗從定性的角度，給出了直觀的分離效果。 ? 本文亦從定量的角度，給予了分析。我們知道，如果盲源分離效果理想，那么矩陣 各行各列應當只有一個非零元素，特別地，如下所示： ? 然而，優(yōu)化算法的結(jié)果不可能是理想的，零元素往往是遠小于非零元素的非零值。因此需要一個根據(jù) G矩陣，衡量分離效果的指標。 G WA?0 0 00 0 00 0 00 0 0dbca????????4 仿真實驗結(jié)果 ? 上述指標在許多專著里都已有論述說明，一般表示為： ? 理想的分離情況下， PI指標為 0，越接近 0，分離效果越好； ? 本文對于兩個高斯信號和一個非高斯信號的分量效果指標為 21dB，而用傳統(tǒng)的 SOBI分離方法分離指標為 。 2 21 12211|| ||111( 1 ) m a x | | m a x | |q qijqq ijj iijk i k k k jG GPI q q G G? ??????? ?????? ??? ? ? ?? ??????? ???謝謝各位！
教學課件相關(guān)推薦
鄂ICP備17016276號-1