盲信号处理——理论与实践
分類: 图书,工业技术,电子 通信,通信,电声技术和语音信号处理,
作者: 史习智等著
出 版 社: 上海交通大学出版社
出版时间: 2008-3-1字数: 377000版次: 1页数: 312印刷时间: 2008/03/01开本: 16开印次: 1纸张: 胶版纸I S B N : 9787313049094包装: 精装内容简介
肓信号处理是现代数学信号处理、计算智能学近年来迅速发展的重要方向。在电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。 本书较系统地介绍了盲信号处理的基本理论、数学描述、独立分量分析、非线性PCA、非线性ICA、卷积混合和盲解卷积、盲信号处理的扩展、数据分析和应用研究等。 本书可作为作为高年级本科生、研究生的教材,也可作为电子信息、通信、图像处理、遥感、雷达、生物医学信号处理、地震、语言信号处理等相关领域科技人员的参考书。
目录
第1章导论
1.1导言
1.2盲源分离
1.3独立分量分析(ICA)
1.4盲信号处理的发展历史和研究前景
第2章盲信号处理的数学描述
2.1随机过程和概率分布
2.2估计理论
2.3信息理论
2.4高阶统计量
2.5信号的预处理
2.6复数非线性函数
2.7评价指标
第3章独立分量分析
3.1问题说明和假设
3.2对照函数
3.3ICA的信息最大化方法
3.4极大似然方法与通用学习规则
3.5FastICA算法
3.6 自然梯度法
3.7隐马尔可夫独立分量分析
第4章非线性PCA
4.1主元分析和微元分析
4.2非线性PCA和盲源分离
4.3核PCA
4.4非线性PCA和复非线性PCA的神经网络方法
第5章非线性ICA
5.1非线性模型和盲源分离
5.2学习算法
5.3后非线性混合盲分离的扩展高斯化方法
5.4非线性ICA的神经网络方法
5.5非线性ICA解的遗传算法
5.6非线性ICA应用实例
第6章 卷积混合和盲解卷积
6.1 问题的定义
6.2 卷积混合的时域算法
6.3 卷积混合的频域算法
6.4 语音信号卷积混合频域盲分离
6.5 Bussgang方法
6.6 多通道盲解卷积
第7章 基于概率密度估计的盲处理算法
7.1 问题的提出
7.2概率密度函数的非参数估计
7.3评价函数的估计
7.4基于概率密度估计的盲分离算法
7.5高斯混合模型的概率密度估计
7.6基于概率密度函数估计的盲解卷积算法
7.7非参数密度估计的在线算法
第8章联合近似对角化方法-频域特征和时频特征
8.1引言
8.2频域特征的联合近似对角化算法
8.3时频特征的联合近似对角化算法
8.4卷积混合的联合近似分块对角化算法
8.5基于Cayley变换的联合近似对角化方法
8.6联合对角化和非对角化方法
8.7基于时频分析的非参数密度估计分离方法
第9章 盲信号处理的扩展
9.1盲抽取
9.2从投射追寻技术到基于非参数概率密度估计的ICA
9.3基于二阶统计量的卷积混合分离算法
9.4接收器数目少于源数目的盲分离——欠定模型
9.5卷积混合的复数FastICA分离算法
9.6基于复向量不相关特性的在线复ICA算法
9.7基于ICA的Wigner-Ville分布
9.8盲解卷积频域算法中的次序不确定问题
9.9ICA特征提取
第10章数据分析和应用研究
10.1主动声呐信号的盲分离和混响消除
10.2利用ICA去除脑电信号中的心电伪迹
lO.3语音信号的欠定算法分离实验
10.4人脸图像的特征提取
10.5独立分量分析在数据压缩中的应用
10.6独立分量分析在功能磁共振成像中的应用
10.7面向自动语音识别系统的语音分离
总结与展望
符号表
索引
参考文献
书摘插图
第1章 导论
1.1 导言
随着人们进入数字信息年代,信号处理在科学和技术的各个领域中起了日益重要的作用,而盲信号处理(Blind Signal Processing,BSP)是当前信号处理研究的热点之一,具有诸多潜在的应用。盲信号处理的“盲”一词意味着不使用训练数据,对系统参数没有任何先验知识的假设,所以该处理方法能适用于更广泛的环境。
盲信号处理包括三项内容,即:盲信号分离与抽取、盲解卷积和盲均衡。独立分量分析(ICA)作为一种平行的方法也适用于以上内容,在本书的随后章节中反映了这一看法。就理论基础来讲,BSP主要涉及统计信号处理和自适应信号处理,应该说,理论基础是严实而完备的。尽管如此,模型和算法的有效性仍然与特定的应用密切相关,因为特定应用的背景和实验数据为盲处理提供了附加的信息。我们的研究就是循着这一指导思想而展开的。
本书的整个内容由四部分组成。第一部分包含问题的提出、基本概念与定义以及若干通用算法;第二部分叙述几个重要的有代表性的相关主题及其进展;第三部分介绍我们对基本模型的扩展与提出的算法;第四部分则是应用实例,其中也反映了我们的一些研究成果。
1.2 盲源分离
现考虑由多个物理源发射多个信号而由多个传感器加以接收的情形。典型的例子是在一个房间内有几个人在同时说话,在不同的位置上安放一组传声器,各传声器所测得的信号是具有不同权重的原语音信号的混合信号。我们的要求是从接收的混合信号分离出原语音信号以达到识别的目的,这就是所谓的鸡尾酒会问题(cocktail party problem)。由于语音信号是通过空气介质传至传声器,问题可模型化为线性系统的冲激响应。再考虑到混响效应,鸡尾酒会问题实质上是一个多通道盲解卷积问题。对于水下声信号,存在同样的多途畸变问题。另一个例子是脑电信号(EEG)的分离,头部的电极记录脑内多个源的混合信号,如果不考虑延时的话,可看作为瞬时混合问题,这也是盲信号处理成功地应用于EEG信号的原冈之一。
……