【正文】 武漢理工大學《信息處理課群綜合訓練與設計》報告 本科生綜合訓練成績評定表 姓 名 性 別 專業(yè)、班級 綜合訓練題目： 綜合訓練答辯或質疑記錄： 成績評定依據： 最終評定成績（以優(yōu)、良、中、及格、不及格評定） 指導教師 簽字： 年 月 日 。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(i,200)。 subplot(6,3,18)。ylim39。ICA 解混信號 339。 axis([0 300 0 200])。分解信號 2 頻譜 39。r39。 %對信號做 100 點 FFT 變換 y=abs(y1)。h=ICAedS(2,:)。,[4,4])。), set(gca,39。 subplot(6,3,14),plot(ICAedS(2,:)),title(39。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(g,200)。 subplot(6,3,16)。ylim39。ICA 解混信號 139。*Q*MixedS_bak。 end i=i+1。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。 % 對 b 正交化 b=b/norm(b)。 % 核心公式，參見理論部分公式 b=bB*B39。 b=((1u)*t39。 g=t.*exp(a2*t.^2/2)。 t=X39。 a2=1。 武漢理工大學《信息處理課群綜合訓練與設計》報告 28 break。 39。 % 對 b 標準化 norm(b):向量元素平方和開根號 while i=maxIterationsNum+1 if i == maxIterationsNum % 循環(huán)結束處理 fprintf(39。 b=rand(numofIC,1)。maxIterationsNum=100。 % 在此應用中，獨立元個數等于變量個數 B=zeros(numofIC,VariableNum)。 % 以下算法將對 X 進行操作 [VariableNum,SampleNum]=size(X)。)。 % Q 為白化矩陣 MixedS_white=Q*MixedS。 % cov 為求協方差的函數 [E,D]=eig(MixedS_cov)。 end end %%%%%%%%% 白化 %%%%%%%% MixedS_cov=cov(MixedS39。 for i=1:3 MixedS_mean(i)=mean(MixedS(i,:))。 武漢理工大學《信息處理課群綜合訓練與設計》報告 27 MixedS_bak=MixedS。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(f1, 200)。 subplot(6,3,12)。ylim39?；旌闲盘?339。 axis([0 300 0 200])?；旌闲盘?2 頻譜 39。r39。 %對信號做 200 點 FFT 變換 y=abs(y1)。e=MixedS(2,:)。,[4,4])。), set(gca,39。 subplot(6,3,8),plot(MixedS(2,:)),title(39。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(d, 200)。 subplot(6,3,10)。ylim39?；旌闲盘?139。 % 因此 S_all 是一個變量個數＊采樣個數的矩陣 Sweight=rand(size(S,1)) % 取一隨機矩陣，作為信號混合的權矩陣 MixedS=Sweight*S。I2。)。) title(39。%取模，整合幅頻和相頻 武漢理工大學《信息處理課群綜合訓練與設計》報告 26 plot(y,39。 y1=fft(c, 200)。 subplot(6,3,6)。ylim39。)。title(39。 subplot(6,3,3)。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(b, 200)。 subplot(6,3,5)。ylim39。)。title(39。 subplot(6,3,2)。)。) title(39。%取模，整合幅頻和相頻 plot(y,39。 y1=fft(a, 200)。 subplot(6,3,4)。ylim39。)。title(39。 subplot(6,3,1)。 I2=2*square(100*t1,50)。%N 為采樣點數 I1=2*sin(*pi*n)。 N=200。 % 讀入混合前的輸入圖片并顯示 clear all。 %%%%% 讀入輸入圖像，混合，并輸出混合圖像 %%%%% fs=100。clear all。所以，課程設計是大學課程里除了畢業(yè)設計以外最能鍛煉學生能力的實踐課程，我也很開心在老師的指導下可以學會更多的知識，更多的技能。 經過了幾次課程設計之后，我也在慢慢積累經驗，從當初的無從下手，到現武漢理工大學《信息處理課群綜合訓練與設計》報告 23 在的思路清晰，從當初的忐忑不安到現在的信心滿滿，無疑，這是一個成長的過程。 (4) 保持自信。系統即使經過了非常嚴格的論證也仍然可能存在問題，或許面對問題一時沒有很好的解決方案 ，但是有一個或許可行的大膽的想法，不要猶豫，試一試吧。在寫代碼時，把每一個變量與過程考慮清楚才可能完成整個程序。 (2) 把握細節(jié)。接下來， 我將 把本次 課程 設計的心得和體會簡述如下： (1)系統思維。 本次課程設計所涉及到的主要知識是數字信號處理 和信息理論 方面的 ， 比如快速傅里葉變換（ FFT），聯合熵、聯合矩陣的求解等 。 在確定信號盲分離的課程設計過程中，我也遇到到了一些問題，首先就是盲分離這一理論對于我來說是一個全新的概念，理解掌握這一概念需要一定的時間；其次，如何通過編程實現一種算法，也是一個比較困難的過程。 武漢理工大學《信息處理課群綜合訓練與設計》報告 21 圖 第一次運行結果圖 圖 第二次運行結果圖 武漢理工大學《信息處理課群綜合訓練與設計》報告 22 5 總結 通過本次課程設計，我清楚得了解了盲信號分離的具體過程及方法，同時也了解到 盲源分離技術是近二十年發(fā)展起來的一門新型科學，在各國科學家和研究人員的努力下獲得了長足的發(fā)展，但是它畢竟是一個涉及面廣并且仍處在發(fā)展前沿的課題，在理論上還遠沒有成熟，許多問題有待進一步研究和解決。 武漢理工大學《信息處理課群綜合訓練與設計》報告 20 圖 隨機頻譜對比圖 仔細觀察便可看出，在圖 所示這種情況下，信號 2和信號 3 在分離過程中調換了順序，但幅度和相位特性依然如我們之前分析的一樣，也就是說分離導致的排列不確定 性并不影響信號的質量。 武漢理工大學《信息處理課群綜合訓練與設計》報告 19 圖 頻譜對比圖 從圖 三個信號的輸入信號頻譜和解混信號頻譜對比圖依然可以發(fā)現，頻譜的形狀沒有發(fā)生變化，解混后的三個信號幅度發(fā)生變化，至于原因，我們已在波形對比分析部分詳細介紹。 圖 隨機波形對比圖 在圖 中，我們只能很明顯地觀察到輸入信號 3 的解混信號 3 相位變化，但在圖 中，不難發(fā)現，不僅信號 3 的相位發(fā)生變化，信號 1 的相位同樣不一致。但是幅度和排序的不確定性不會對 ICA 算法的分離過程產生影響。在 X=AS 中插入一個置換矩陣 P 和它的逆矩陣 P1，得到 X=AP﹒ P1S,將 AP1 看成新的混合矩陣，則 PS 中的各分量便成為新的已調換順序的獨立源 si。因此，在求解獨立分量時，往往事先假設 S 具有單位方差，且各分量均值為零。從數學角度說，該方程的解并不是唯一的，至少會存在以下一些問題： (1)分離結果的幅度存在不確定性 由于在 X=AS 中， A 和 S 均未知，如果將 S 中任一分量 Si 擴大 a 倍，只需將 A 中相應的混合系數乘以 1/a,上式仍成立。 圖 波形對比圖 由圖 所示的輸入波形、混合波形和解混波形的對比圖，我們可以發(fā)現解混后的時域波形圖和源輸入波形圖形狀基本一致，但幅度有所變化，并且由輸入信號 3 和 ICA 解混信號 3 的波形對比圖還能夠看出相位的變化。圖 信號的時域波形圖和頻譜圖。 end B(:,r)=b % 保存所得向量 b end 同樣，分離矩陣也是 33 的矩陣，并且由于每次混合矩陣的隨機性，導致混合信號的隨機性，從而造成每次運行程序得到的分離矩陣也不同，圖 是某一次運行程序所得的分離矩陣，這里，我們著重觀察它的形式。 % 保存所得向量 b break。 if abs(abs(b39。*b。*g*b+u*X*g)/SampleNummean(dg)*b。 dg=(1a2*t.^2).*exp(a2*t.^2/2)。*b。 u=1。 end bOld=b。, r,maxIterationsNum)。\n 第 %d 分量在 %d 次迭代內并不收斂。 % 隨機設置 b 初值 b=b/norm(b)。 % 設置最大迭代次數 IterationsNum=0。 % 初始化列向量 w 的寄存矩陣 ,B=[b1 ...] for r=1:numofIC i=1。 武漢理工大學《信息處理課群綜合訓練與設計》報告 15 numofIC=VariableNum。 以下是運用 fsatICA 算法對混合信