微弱信號(hào)檢測(cè)的盲源分離方法及應(yīng)用研究.pdf

1、在科學(xué)研究和工程實(shí)踐中,通常需要對(duì)深埋在噪聲中的微弱信息進(jìn)行捕獲和測(cè)量。如深空探測(cè)中的通信和測(cè)距信號(hào)檢測(cè)、微弱故障診斷中的特征信號(hào)提取、應(yīng)急救援中的微目標(biāo)檢測(cè)、生物醫(yī)學(xué)中的胎兒心電和腦電信號(hào)監(jiān)測(cè)等。然而,當(dāng)所需要測(cè)量的信息越微弱,信號(hào)就越容易受到其它信號(hào)的干擾和復(fù)雜背景噪聲的污染,由于噪聲的復(fù)雜性和隨機(jī)性,一般的時(shí)域波形和頻譜分析方法很難實(shí)現(xiàn)微弱信號(hào)的有效提取。因此,需要深入分析微弱信號(hào)和噪聲的特性及其混合機(jī)制,研究復(fù)雜噪聲背景下微弱信

2、號(hào)的檢測(cè)方法。本文分析了當(dāng)前多種微弱信號(hào)檢測(cè)方法及其應(yīng)用,指出了現(xiàn)有方法存在的問(wèn)題和局限性。在噪聲特性分析與信噪混合機(jī)制研究的基礎(chǔ)上,從信號(hào)與噪聲分離的思路出發(fā),針對(duì)信噪過(guò)定線性、過(guò)定非線性、單通道線性和欠定線性四種典型的混合機(jī)制,分別進(jìn)行了基于盲源分離的微弱信號(hào)檢測(cè)模型和算法研究及相關(guān)應(yīng)用分析。主要研究?jī)?nèi)容包括：
　?、裴槍?duì)過(guò)定線性干擾情況下的微弱信號(hào)檢測(cè),在線性瞬時(shí)混合情況下分別考慮有用信號(hào)頻帶內(nèi)噪聲和頻帶外噪聲。對(duì)于信號(hào)頻帶

3、外噪聲,提出了基于可變參數(shù)放大和濾波電路(Variable Parameters Amplification and Filtering Circuit,VPAFC)的噪聲抑制方法,可根據(jù)信號(hào)的頻譜特征調(diào)整濾波器的帶寬,能夠最大程度上抑制微弱信號(hào)頻帶外噪聲;而對(duì)于信號(hào)頻帶內(nèi)噪聲,提出了基于降噪源分離的信噪分離方法,利用微弱信號(hào)與噪聲源之間的統(tǒng)計(jì)獨(dú)立性,實(shí)現(xiàn)了微弱信號(hào)頻帶內(nèi)噪聲源的分離。數(shù)值仿真和胎兒心電微弱信號(hào)提取的實(shí)驗(yàn)表明,該方法能夠

4、在過(guò)定線性噪聲干擾的情況下,成功提取出觀測(cè)信號(hào)中的微弱信號(hào)成分。
　?、漆槍?duì)過(guò)定非線性干擾情況下微弱信號(hào)的檢測(cè),提出了基于區(qū)間優(yōu)化的信噪分離方法。采用多層感知機(jī)神經(jīng)網(wǎng)絡(luò)對(duì)非線性信噪混合系統(tǒng)進(jìn)行建模,并針對(duì)傳統(tǒng)多層感知機(jī)學(xué)習(xí)算法收斂速度慢且容易陷入局部極值的問(wèn)題,給出了一種基于區(qū)間分析的分支定界全局優(yōu)化算法,通過(guò)最小化信號(hào)源之間的互信息,實(shí)現(xiàn)微弱信號(hào)成分與噪聲源的分離。數(shù)值仿真和化學(xué)離子傳感器微弱信號(hào)提取實(shí)驗(yàn)驗(yàn)證了該方法的有效性。<

5、br>　?、轻槍?duì)單通道線性干擾情況下的檢測(cè)問(wèn)題,提出了基于迭代重加權(quán)連續(xù)基追蹤(Iterative Reweighted Continuous Basis Pursuit,IRCBP)的信噪分離方法。在信號(hào)變換不變性的假設(shè)下,利用微弱信號(hào)成分和結(jié)構(gòu)化噪聲成分的樣本構(gòu)建信號(hào)字典,建立微弱信號(hào)稀疏重構(gòu)的連續(xù)基模型,將單通道盲源分離問(wèn)題轉(zhuǎn)化為稀疏重構(gòu)模型參數(shù)的優(yōu)化問(wèn)題。通過(guò)迭代交替優(yōu)化連續(xù)基模型參數(shù),實(shí)現(xiàn)觀測(cè)信號(hào)中微弱信號(hào)成分的提取。微弱非周

6、期脈沖信號(hào)數(shù)值仿真和腦電微弱棘波信號(hào)提取實(shí)驗(yàn)表明,該方法能夠從被噪聲嚴(yán)重干擾的觀測(cè)信號(hào)中恢復(fù)出有用的微弱信號(hào)。
　?、柔槍?duì)一般欠定線性干擾情況下的微弱信號(hào)檢測(cè),提出了基于并行張量分解的信噪分離方法。對(duì)于信噪混合矩陣的估計(jì),利用觀測(cè)信號(hào)空域延遲協(xié)方差矩陣的結(jié)構(gòu)特征,構(gòu)建混合矩陣估計(jì)的張量分解模型,將混合矩陣的估計(jì)問(wèn)題轉(zhuǎn)化為延遲協(xié)方差矩陣張量分解問(wèn)題;對(duì)于信號(hào)源的估計(jì),利用信號(hào)源的時(shí)間結(jié)構(gòu)特征,給出一種信號(hào)源估計(jì)的非線性規(guī)劃方法。針對(duì)

7、傳統(tǒng)基于張量分解的盲源分離方法在處理高維信號(hào)時(shí)計(jì)算效率低下的問(wèn)題,采用基于 OpenCL的異構(gòu)并行計(jì)算對(duì)算法進(jìn)行了改進(jìn)。齒輪箱微弱故障信號(hào)仿真實(shí)驗(yàn)和噪聲背景下微弱音頻信號(hào)提取實(shí)驗(yàn)表明,該方法能夠在觀測(cè)信號(hào)數(shù)目少于信號(hào)源數(shù)目的情況下,從被環(huán)境噪聲干擾的觀測(cè)信號(hào)中快速分離出微弱信號(hào)成分。
　　⑸在慣性約束聚變(Inertial Confinement Fusion,ICF)靶物理實(shí)驗(yàn)中,為了測(cè)量打靶過(guò)程中受激散射光能量的變化,設(shè)計(jì)完成