论文部分内容阅读
盲源分离(Blind Source Separation,BSS)(独立分量分析(IndependentComponent Analysis,ICA))是信号处理学界的研究热点之一。稀疏分量分析(Sparse Component Analysis,SCA)逐渐成为BSS领域中一个新的研究方向。SCA和ICA之间有一定的联系,由于SCA具有去噪,数据压缩,特征提取等潜力,它作为一个补充条件施加于ICA,是一种有意义的处理方法。本文介绍了匹配追踪(Marching Pursuit,MP)和基追踪(Basis Pursuit,BP)稀疏表示法(Sparse Representation,SR)的原理,并将MP和BP应用于语音,图像,及时频域的盲分离中,通过实验仿真探索,证明了SCA应用于BSS中具有很广的研究前景。本文主要工作如下:1、在ICA问题中,“使信源超高斯性尽可能大”和“使稀疏性尽可能大”两者是一致的,MP和BP稀疏分解是一种建立在过完备原子库(Over-completeDictionary of Atoms)基础上的SR问题,本文应用它们对混合语音信号进行稀疏表示的重建,并通过联合分布图进行实验仿真。结果表明,分布图效果较好,证明了将MP和BP应用于盲源分离中的可行性。2、在对可行性分析的基础上,本文分别研究了基于峭度的MP稀疏分解的盲源分离算法和基于最大信噪比的BP稀疏分解的盲源分离算法。在这两种算法当中,分别将MP和BP施加于盲源分离,实验结果表明,该算法具有较好的分离效果。3、将MP稀疏分解应用于盲图像分离中,图像存在着二维相关性的影响,使其处理比一维信号具有更大的复杂性和不稳定性。本文尝试了基于MP稀疏分解的最大信噪比盲图像分离算法,将MP稀疏分解应用于其中,稀疏性的稳健性使得盲图像的分离具有较好的仿真结果。4、基于变换域的稀疏的盲源分离也是一种SCA方法,在变换域中存在一些其它的干扰,比如时频域中交叉项干扰,针对这一问题,本文探索了基于时频域的MP稀疏分解的盲源分离算法,将MP稀疏分解结合于其中,MP具有降噪这一特征,使得此研究更加的有意义,实验结果证明本文算法具有较好的效果。