高效盲信號(hào)分離算法的研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩58頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、盲信號(hào)分離的應(yīng)用領(lǐng)域越來越廣泛,因此很多算法已經(jīng)致力于如何分離出質(zhì)量高的信號(hào)。本論文所要解決的問題是高質(zhì)量分離信號(hào)的同時(shí),提高算法的運(yùn)算速度、降低算法的計(jì)算復(fù)雜度。主要從以下兩大方面實(shí)現(xiàn)了高效盲分離算法。
  針對(duì)瞬時(shí)混合模型的盲分離,本論文提出直接用觀測(cè)信號(hào)的頻域幅值矩陣來求得分離矩陣,得到分離信號(hào)。此時(shí),要求觀測(cè)信號(hào)的頻域幅值及頻率要足夠精確。因此,本論文引入了頻譜校正的方法,即利用比值校正法對(duì)離散非密集譜校正的精確度高的優(yōu)點(diǎn)

2、,對(duì)得到的混合信號(hào)進(jìn)行譜校正,由此得到精確的頻域幅值及頻率。為得到分離矩陣,需要對(duì)校正后的幅值矩陣聚類,將來自同一個(gè)源信號(hào)的各幅值向量聚在一起。由于混合矩陣的不確定性,聚類算法不能采用歐氏聚類,而是利用兩向量之間的夾角進(jìn)行聚類。由此,可得到分離矩陣,進(jìn)而分離出各路源信號(hào)。實(shí)驗(yàn)表明:本論文所提出的基于頻域幅值聚類算法分離的信號(hào)精確度高,計(jì)算復(fù)雜度很低,節(jié)省了計(jì)算時(shí)間。
  針對(duì)卷積混合模型的盲分離,本文提出了基于稀疏時(shí)頻特征提取的盲

3、分離算法。首先短時(shí)傅里葉變換將語(yǔ)音信號(hào)變換到時(shí)頻域內(nèi),語(yǔ)音信號(hào)在時(shí)頻域內(nèi)的稀疏特性簡(jiǎn)化了盲分離算法,為去除各種噪聲提供了便利。同時(shí),短時(shí)傅里葉變換框架的高度冗余性及人耳的屏蔽效應(yīng)為去除時(shí)頻域內(nèi)的冗余信息以減少特征模式聚類的數(shù)量、提高算法的計(jì)算速度提供了有力的理論依據(jù)。去除的冗余信息都不是組成各路源信號(hào)的主要分量,因此不會(huì)影響到盲信號(hào)分離的質(zhì)量。本論文通過以上算法去除了94%~95%待聚類的特征模式數(shù)量。由此,節(jié)省了大量的計(jì)算量,加快了計(jì)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論