盲信號處理及套用

盲信號處理及套用

《盲信號處理及套用》是2006年西安電子科技大學出版社出版的圖書,作者是張發啟。

基本介紹

  • 中文名:盲信號處理及套用
  • 作者:張發啟、張斌、張喜斌 
  • 出版社:西安電子科技大學出版社
  • 出版時間:2006年10月
  • 定價:34 元
  • ISBN:7-5606-1704-2/TN0158 
內容簡介,目錄,

內容簡介

盲信號處理是一種功能強大的信號處理方法,已經成為國際上信號處理和人工神經網路等學科領域的一個研究和套用的熱點。盲信號處理包括信號源盲分離和盲反卷積。盲源分離通常是對觀測到的源信號的線性瞬時混合信號進行分離;盲反卷積是考慮到在時間延遲的情況下,對觀測到的源信號與通道的卷積混疊信號進行盲分離。本書對盲信號處理的研究歷史以及研究現狀進行了簡要的回顧和闡述,介紹了盲信號處理的基本思想、數學模型、數學原理和算法以及盲信號處理的套用領域,還對圖像、語音處理和通信領域的某些盲信號處理問題進行了仿真計算。
本書內容豐富、新穎,所闡述的都是信號處理領域中的前沿技術。書中理論聯繫實際,舉例介紹了盲信號處理的套用,並附有主要算法實現的源程式,讀者讀完本書之後就能套用。
本書既可供從事信號分析與處理的科技工作者學習、參考,又可作為高等院校信號分析與處理專業教師和學生的參考用書。

目錄

第1章 緒 論 1
1.1 引言 1
1.2 盲信號處理概述 3
1.2.1 盲信號處理問題描述 3
1.2.2 盲信號處理問題分類 5
1.3 盲信號處理的研究歷史 7
1.3.1 盲辨識的發展狀況 7
1.3.2 盲卷積的研究歷史 9
1.3.3 信號源盲分離的研究歷史 9
1.4 盲信號處理的方法 11
1.4.1 盲源分離方法 11
1.4.2 盲反卷積方法 15
1.4.3 盲辨識問題的主要方法 16
第2章 盲信號處理的數學描述17
2.1 信號源盲分離 17
2.1.1 問題描述 17
2.1.2 基本假設 18
2.1.3 信號源盲分離問題的可解性 19
2.2 微分熵、 互信息和相對熵 21
2.2.1 微分熵及其性質 21
2.2.2 互信息 21
2.2.3 相對熵及其性質 21
2.3 獨立分量分析 22
2.3.1 ICA的定義 23
2.3.2 有噪數據的獨立分量分析 29
2.4 多通道盲解卷積和盲分離 30
2.5 信號的盲提取 33
2.6 廣義多通道盲解卷積——狀態空間模型 34
2.7 信號的預處理 36
2.7.1 信號的零均值化 36
2.7.2 信號的白化 36
2.8 對照(代價)函式 39
2.8.1 對照函式的定義 39
2.8.2 常見的對照函式 40
2.8.3 對照函式的計算 41
2.9 分離效果的檢驗方法 42
第3章 自適應信號濾波器44
3.1 自適應濾波的基本算法及其種類 44
3.1.1 變步長自適應濾波算法 45
3.1.2 RLS自適應濾波算法 46
3.1.3 變換域自適應濾波算法 48
3.1.4 仿射投影算法 49
3.1.5 小波變換域中的自適應濾波 49
3.2 自適應均衡 51
3.2.1 數字通信信道和均衡問題 51
3.3 自適應波束形成 55
3.3.1 自適應波束概述 55
3.3.2 自適應陣列波束形成方法 56
3.4 自適應神經網路 61
3.4.2 多層ADALINE網路 63
3.4.4 自組織特徵映射網路 65
3.4.5 自適應共振理論神經網路 66
3.4.6 主元分析神經網路 68
3.5 自適應神經濾波器 69
3.5.1 最小平方自適應濾波 69
3.5.2 全最小平方自適應濾波 71
3.5.3 自適應TLS-FIR濾波 73
3.5.4 自適應TLS-IIR濾波 73
3.5.5 自適應神經非線性濾波器 74
第4章 高階譜及參數估計 77
4.1 高階累積量和高階譜 77
4.1.1 高階累積量 77
4.1.2 高階譜 80
4.2 非參數化高階譜估計 81
4.2.1 高階累積量的估計 81
4.2.2 雙譜和互雙譜的估計 85
4.2.3 高斯性和線性檢驗——Hinich檢驗 89
4.3 參數模型高階譜估計 92
4.3.1 ARMA模型及其模擬產生 92
4.3.2 MA模型的參數估計 94
4.3.3 AR模型的參數估計 95
4.3.4 ARMA模型參數估計 97
4.3.5 基於ARMA模型的高階統計量估計 99
4.4 自適應線性預測 101
4.4.1 誤差準則 101
4.4.2 自適應算法 101
4.5 基於倒譜的衝激回響辨識和信號恢復 104
4.6 二階Volterra非線性系統的參數估計 106
4.6.1 二階Volterra系統 107
4.6.2 輸入為高斯信號的參數估計 108
4.6.3 輸入為任意信號的參數估計 109
4.7 時延估計 110
4.7.1 基於互相關的時延估計 110
4.7.2 基於互累積量的時延估計 111
4.7.3 基於雙譜的時延估計 112
4.8 諧波恢復與達波方向(DOA)估計 113
第5章 盲源分離與盲波束形成的方法120
5.1 自適應神經盲信源分離法 120
5.1.1 基於多變數密度估計的盲信源分離法 120
5.1.2 基於累積量展開的盲信源分離法 127
5.1.3 基於信息理論準則的盲信源分離法 130
5.2 盲自適應波束形成方法 134
5.2.1 周期平穩信號特性 134
5.2.2 周期平穩盲波束形成算法 135
5.3 盲最小方差SCORE波束形成算法 136
5.4 盲周期平穩自適應波束形成算法 138
5.4.1 CAB算法 138
5.4.2 CCAB算法 138
5.4.3 RCAB算法 139
5.5 盲遞歸最小二乘波束形成算法 139
5.6 盲特徵空間魯棒波束形成算法 142
5.6.1 信號特徵空間 142
5.6.2 子空間約束波束形成算法 143
5.6.3 子空間魯棒盲波束形成算法 144
5.7 基於特徵結構提取的盲波束形成算法 145
5.8 自適應神經盲波束形成 146
5.8.1 神經盲波束形成的SCORE算法 147
5.8.2 神經盲波束形成的CCAB算法 148
第6章 盲反卷積與盲均衡的方法 151
6.1 多道反卷積的最大公因子算法 151
6.1.1 最大公因子算法 151
6.1.2 GCD階的確定 154
6.1.3 多幀GCD問題的解 155
6.1.4 對盲目反卷積問題的套用 155
6.1.5 用於一維信號反卷積的幾個MATLAB程式 158
6.2 盲均衡的統計特徵匹配方法 159
6.2.1 Godard方法 159
6.2.2 Shalvi-Weistein方法 161
6.2.3 極值化方法 162
6.2.4 分數間隔採樣對盲均衡的意義 163
6.3 盲自適應均衡算法 166
6.3.1 Godard盲自適應均衡算法 166
6.3.2 自適應頻域最小差錯機率均衡算法 167
6.3.3 過採樣與獨立分量分析的盲均衡算法 169
6.4 自適應神經盲均衡方法 170
6.4.1 獨立分量分析神經網路盲均衡法 171
6.4.2 過採樣模型 171
6.4.3 ICA神經網路盲均衡 172
6.4.4 回歸子波神經網路盲均衡法 173
第7章 盲反卷積與盲源信號分離之間的關係 179
7.1 引言 179
7.2 問題描述 179
7.2.1 盲源分離 179
7.2.2 反卷積 180
7.2.3 附加信息 181
7.2.4 比較 181
7.3 算法關係 182
7.3.1 估計模型的選擇 182
7.3.2 代價函式的選擇 182
7.3.3 自適應算法的選擇 185
7.4 結構關係 186
7.4.1 循環行列式混合條件下的源分離 186
7.4.2 循環行列式混合條件下的基於密度方法 187
7.4.3 與盲反卷積算法的關係 188
7.4.4 穩定性問題 189
7.4.5 仿真 190
7.5 擴展 193
7.5.1 盲反卷積的基於對比度方法 193
7.5.2 多通道擴展 193
第8章 基於多用戶峭度最最佳化標準的獨立信號源盲分離 194
8.1 引言 194
8.2 問題描述和假設 195
8.3 單用戶均衡 198
8.3.1 約束標準 199
8.3.2 無約束標準 200
8.4 用於BSS的充分必要條件 201
8.5 非約束標準——MUCM方法 202
8.6 約束標準——MUK方法 204
8.7 數字算例 207
8.7.1 MUCMA算法 207
8.7.2 MUK算法 208
第9章 基於機率密度函式估計的盲分離算法 211
9.1 引言 211
9.2 [WTBZ]EASI信號源盲分離算法 212
9.2.1 矩陣函式的導數 212
9.2.2 隨機矢量的等變自適應白化 212
9.2.3 互信息對照函式 213
9.2.4 算法推導 214
9.2.5 評價函式的近似 215
9.3 機率密度函式的非參數估計 215
9.3.1 核函式法機率密度估計 216
9.3.2 核函式法的經驗頻寬選擇 219
9.3.3 核函式法的Sheather-Jones頻寬選擇 220
9.4 評價函式的估計 221
9.5 DEBBSS信號源盲分離算法 222
9.6 仿真結果 222
9.6.1 亞高斯信號混合的情況 222
9.6.2 超高斯信號混合的情況 225
9.6.3 雜系信號混合的情況 228
9.6.4 DEBBSS算法和EXTICA算法的比較 232
第10章 時延和卷積信號的盲分離 235
10.1 信號盲分離的信息最大化方法 235
10.1.1 瞬時混合問題 235
10.1.2 神經網路解決信號分離的可實現性 236
10.1.3 信息最大化方法 237
10.2 面向更實際的假設 246
10.2.1 瞬間BBS不能套用於現實世界問題的原因 246
10.2.2 延遲 246
10.2.3 卷混合 248
10.3 延遲和卷混合——時域信息最大化 249
10.3.1 用於延遲的一個網路體系結構 249
10.3.2 延遲語音信號的實驗 251
10.3.3 卷源的混合 253
10.3.4 卷語音信號混合的實驗 256
10.4 非最小相位混合情形 258
10.4.1 因果濾波器的限制 258
10.4.2 非因果濾波器 259
10.4.3 對盲分離的推斷 260
10.4.4 以濾波器為混合係數的多項式的BSS 260
第11章 多通道混合盲反卷積 261
11.1 引言 261
11.2 單通道/多通道代價函式和自適應方法 262
11.2.1 適應於非高斯源的一個更有力的代價 262
11.2.2 Bussgang盲均衡代價函式和方法 263
11.2.3 多通道代價函式 263
11.2.4 使用FIR矩陣逆的多通道代價函式的套用 264
11.2.5 多通道最小均方 265
11.2.6 多通道盲最小均方 265
11.2.7 多通道盲RLS 266
11.2.8 直接基於Bussgang特性的代價函式 266
11.2.9 在頻域使用Bussgang特性構成代價函式 267
11.2.10 有限差分近似, 連續修正和盲連續修正 268
11.2.11 算法概要 268
11.2.12 收斂 269
11.2.13 分析和性能度量 270
11.2.14 通用高斯集的盲代價和MMSE-NG的漸近線性能度量 270
11.2.15 對於代價函式節的結論 272
11.3 有限衝擊回響矩陣代數 272
11.3.1 FIR矩陣代數概述 272
11.3.2 寬頻或窄帶的選擇 272
11.3.3 一個多項式矩陣或一個矩陣多項式的選擇 273
11.3.4 自適應和批量處理的選擇 273
11.3.5 代數特性和定義 273
11.3.6 FIR濾波器的代數 274
11.3.7 FIR濾波器函式的定義 274
11.3.8 FIR矩陣 278
11.3.9 FIR矩陣特徵程式 280
11.3.10 FIR多項式矩陣白化 283
11.4 仿真 284
11.4.1 難度分析 285
11.4.2 有一致分布源的2×2系統的仿真結果 287
11.4.3 對高特徵值展開4×4系統用不同類型數據的仿真結果 290
11.4.4 2×2複數據系統的仿真結果 292
11.4.5 有關聲音信號語音分離實驗的結果 293
11.5 用於分離和均衡的反饋方法 295
11.5.1 反饋逆系統體系結構 295
11.5.2 對於SEIANTF算法的仿真結果 296
11.5.3 用於“僅分離”問題的反饋方法 298
11.5.4 總結 298
第12章 有限支持域上的圖像盲目反卷積 301
12.1 引言 301
12.2 支持域的可嵌入性和可分解性 304
12.3 空間域疊代盲目反卷積算法 306
12.3.1 基本算法 306
12.3.2 塊Toeplitz方程的遞推解法 308
12.3.3 增量疊代盲目反卷積算法 308
12.4 利用傅立葉變換的疊代盲目反卷積算法 311
12.5 疊代盲目反卷積的計算例子 313
12.6 關於盲目反卷積中的規整化問題 316
12.7 從斑紋干涉測量數據復原目標的方法 317
12.8 三次相關方法 318
12.9 其他的盲卷積算法 320
12.9.1 零葉面分離方法 320
12.9.2 模擬退火方法 321
12.9.3 最小熵方法(Wlggins, 1978) 321
第13章 盲信號處理的套用 323
13.1 盲信號處理在生物醫學信號處理中的套用 323
13.1.1 生物醫學信號檢測的特點 324
13.1.2 胎兒和母體心電圖信號的盲分離 327
13.1.3 EMG信號的增強和分解 328
13.1.4 EEG和MEG數據處理 329
13.1.5 ICA/BSS在多感測器生物醫學信號中噪聲和干擾抵消的套用 331
13.2 “雞尾酒會”問題 334
13.3 數字通信系統 340
13.4 圖像恢復和理解 341
附錄1 Pearson-ICA程式 347
附錄2 FastICA程式 359
附錄3 Complex FastICA程式 381
附錄4 JADE計算程式 394
附錄5 mexica程式 407
附錄6 Pographic ICA程式 413
附錄7 盲信號處理的相關網站 423
參考文獻 424

相關詞條

熱門詞條

聯絡我們