一、一种新的变步长ICA自适应算法（论文文献综述）
周晓玲[1]（2021）在《股票收益率预测的ICA方法研究》文中进行了进一步梳理股票收益率建模是计量经济学中重要的研究领域,多元波动率模型为通过投资组合和资产配置实现资产利益最大化和风险最小化提供了有力的工具。在多元波动率模型中,ICA算法可以实现有效降维,但也存在收敛精度低及容易陷入局部最优的问题。本文采用PSO算法和HHO算法对ICA算法进行了改进,提出了两类新的多元波动率模型:一类是 PSO-ICA-GARCH 模型,另一类是 HHO-ICA-EGARCH 和HHO-ICA-TGARCH模型,并分别用于杠杆效应较弱和杠杆效应较强的股票收益波动率预测的实证研究,结果显示这三种模型具有更好的模型拟合效果和更准确的模型预测效果。本文主要工作如下。（1）股票收益波动率预测的PSO-ICA-GARCH模型研究。PSO-ICA算法是基于负熵最大化的优化算法,利用PSO算法的全局寻优能力使得算法不容易陷入局部最优值,相较于传统ICA算法具有更高的分离精度。本文基于PSO-ICA算法,建立了PSO-ICA-GARCH模型,有效地解决了 O-GARCH模型中各主成分存在弱相关时导致的模型预测效果与实际不相符的问题。由于GARCH模型是通过历史波动率平方的形式来影响未来波动率的,所以PSO-ICA-GARCH模型适用于对杠杆效应较弱的股票收益率序列进行建模。在实证分析中,对部分阿里巴巴概念股进行检验,分析了所选股票收益率数据的自相关性,然后对各股收益率序列进行ARCH效应检验,剔除掉无ARCH效应的收益率序列,最后建立PSO-ICA-GARCH模型,结果显示PSO-ICA-GARCH模型相较于O-GARCH和ICA-GARCH模型具有更好的模型拟合效果和更准确的模型预测效果。（2）股票收益波动率预测的HHO-ICA-EGARCH和HHO-ICA-TGARCH模型研究。本文采用基于种群的、自然启发的和无梯度优化的HHO算法对ICA算法进行了改进,形成了新的基于负熵最大化的HHO-ICA算法,该算法同样能改善传统ICA容易陷入局部最优值和分离精度较低的问题,且与PSO-ICA算法相比,具有较高的分离精度。EGARCH模型和TGARCH模型都能够较好地解释证券市场资产收益率序列较强的杠杆效应。本文将HHO-ICA引入这两种模型,提出了 HHO-ICA-EGARCH 和HHO-ICA-TGARCH两种新的多元波动率模型,并将其应用到具有较强杆杆效应的股票收益波动率建模过程中。选择部分科创板股票数据进行了实证分析,结果显示,相较于ICA-EGARCH和PSO-ICA-EGARCH模型,HHO-ICA-EGARCH模型具有更好的模型拟合效果和更准确的向后5步预测效果,这也表明相较于PSO-ICA-EGARCH模型,HHO-ICA-EGARCH模型更适合于对有较强杠杆效应的收益率序列进行建模。而与ICA-TGARCH模型相比,PSO-ICA-TGARCH和HHO-ICA-TGARCH模型具有更好的模型拟合效果;就预测效果而言,HHO-ICA-TGARCH模型很大程度上具有比PSO-ICA-TGARCH和ICA-TGARCH更好的向后5步预测效果,这表明HHO-ICA-TGARCH模型同样适用于对有强杠杆效应的收益率序列进行建模。HHO-ICA-EGARCH和HHO-ICA-TGARCH模型均为实现股票收益波动率的准确预测提供了有利的工具。
陆浩志[2]（2021）在《麦克风阵列自适应GSC语音增强方法研究》文中进行了进一步梳理在智能化普及的今天,语音通信的应用极为广泛,语音信号处理技术不断被更新和推进。语音信号处理对语音的质量有着较高的要求,然而语音拾取设备收集到的语音却经常夹杂着大量噪声,严重影响了原始语音的清晰度和可懂度,必须寻找有效方法消除噪声以获得所需的语音,因此,语音增强技术的重要性就显得尤为突出。单通道语音增强方法具有原理简单、对硬件要求低、易于实现等优点,但对移动声源拾取到的信号信噪比较低。麦克风阵列语音增强方法可对拾取的信号进行时-频-空域联合处理,在目标信号追踪、抗干扰等方面具有优越的性能。本文旨在为应用于不同噪声背景下的麦克风阵列语音增强方法寻求更好的解决方案,主要研究工作包括:（1）针对纯高斯噪声背景下,传统广义旁瓣抵消器（GSC）消除非相干噪声能力差和阻塞矩阵无法很好地滤除目标信号的问题,提出了一种后置Fast ICA信号分离的改进GSC语音增强方法。该方法利用自适应阻塞矩阵代替传统阻塞矩阵,可有效减少因精确来波方向未知而造成的目标信号的泄漏,并在GSC的输出端结合快速独立分量分析（Fast ICA）算法进一步分离输出信号中的纯净语音和非相干噪声,以提高输出语音信号的质量。（2）针对以α-稳定分布噪声为代表的非高斯噪声背景下,传统广义旁瓣抵消器消噪能力大幅衰减的问题,提出了一种基于凸组合滤波器的改进GSC语音增强方法。该方法利用凸组合滤波器替换传统的自适应抵消器,以凸组合独特的“并联”式滤波,实现了自适应滤波器对α-稳定分布噪声的协同滤波;同时,选用最大箕舌线准则改进线性自适应滤波算法的代价函数,使改进后的自适应滤波算法在对抗非高斯噪声时具有更强的鲁棒性,从而使得改进GSC可有效消除脉冲噪声,以还原出纯净的目标信号。（3）针对多噪声背景下,传统广义旁瓣抵消器收敛速度较慢且对噪声消除表现性能差的问题,提出了一种基于改进谱减法的改进GSC语音增强方法。该方法在传统GSC的输出端接入了一个反馈滤波器,使得GSC下支路自适应滤波器的代价函数被改变,从而加快了滤波器的收敛速度。同时,为传统GSC接入了改进谱减法模块,以期对输出语音做进一步处理,消除输出语音中残留的噪声,最终尽可能地还原出较少噪声残留的语音信号。
王丹妮[3]（2021）在《基于盲源分离的震后废墟生命信号识别方法研究》文中进行了进一步梳理近年来,我国地震活动频繁,强烈的震动造成了建筑物倒塌、地面受损、山体滑坡等灾害。地震突发,有些人未能逃脱被压埋在废墟中,甚至有些被压埋人员不能被及时发现错过最佳救援机会,造成二次伤亡。在震后废墟复杂环境中,如何快速高效地识别生命体特征信号,对被困人员实施精准救援尤为重要。盲源分离技术已广泛应用于生物医学、信号处理、机械故障诊断等领域,包括脑电图信号分离、语音信号分离、齿轮故障诊断等的研究,在源信号和信号混合方式都未知的情况下,可以通过观测信号的统计特征,识别分离所需要的源信号。本文将盲源分离技术应用于震后废墟生命信号识别中,采用独立分量分析（Independent Component Analysis,ICA）算法以及快速独立分量分析（Fast Independent Component Analysis,Fast ICA）算法,处理复杂废墟环境中多源混合信号,识别分离生命特征信号。算法的优劣可从算法的收敛速度和稳定性两个方面进行评价,不同的算法直接决定了分离效果。采用盲源分离方法中的ICA算法和Fast ICA算法,研究含噪正弦信号、方波信号、锯齿信号、随机信号的信号分离效果,并在Matlab中实验验证算法的有效性。以信噪比和运行时间两个性能评价指标,对比ICA和Fast ICA两种算法信号分离效果的优劣。实验结果表明,ICA算法的信噪比平均值为2.4052d B,运行一次所用时间平均值为5.4049s,Fast ICA算法的信噪比平均值为6.2838d B,运行一次所用时间平均值为0.0223s,Fast ICA算法对信号分离效果更优。为进一步验证Fast ICA算法在震后废墟生命信号识别中的可行性,采集人声嘈杂环境、大型机械设备作业等环境中的生命特征信号,采用Fast ICA算法对不同环境信号进行识别实验与分析,使用评价指标分析分离效果,实验结果表明,Fast ICA算法的相关系数最小为0.9974,运行一次最长时间为0.1125s,验证在震后废墟救援复杂环境中,采用Fast ICA算法识别分离生命特征信号的可行性。
崔伟[4]（2021）在《非合作通信系统中盲源分离及关键算法研究》文中研究指明盲源分离及其关键算法研究是目前乃至未来一段时间内信号处理、图像识别、生物医学等领域的研究重点,这是因为盲源分离处理可以在先验条件未知情况下得到各领域发展所期待的结果。非合作通信系统的主要任务是从接收到的未知混合信号中分离出各独立源信号。由于非合作通信系统侦收信号时并不知道接收信号的先验知识,信号检测、参数估计、解调和识别处理等都具有“盲”的特性,信号处理始终处于被动地位,这就使非合作通信接收系统只能从“盲”的角度出发来寻找合作通信中时域、频域、空域、码域等之间的差异来分离出有用信号,监视、截取那些缺少先验知识的无线信号并获得其携带的各种有用信息,从而更加有针对性地对侦收到的信号进行分析和处理。在对信号进行截获侦收时,时频域、空域信息往往比较关键,也是非合作通信系统首先要确定的信号技术特征。时频特性代表源信号的时域特性和频域特性,而空域特性主要指源信号的空间到达角度（俯仰角和方位角）信息,在阵列信号处理中,通常可以利用信号波达方向估计（空间谱估计）来得到空域特性并获得入射源信号的俯仰角和方位角。随着电磁环境的日益复杂,信号时域、频域、空域和调制域特性相互交叉重叠并对非合作通信接收系统产生极大挑战,也为信号分离也带来前所未有的难度。因此非合作通信系统在时域、频域、空域（角度域）完成信号盲源分离与重构已成为亟需解决的现实问题。本文从稀疏表示理论和压缩感知理论出发,围绕非合作通信系统中波达方向估计、欠定条件下盲源分离、稀疏信号重构等问题进行一系列分析和探索,建立非合作通信系统时频域、空域盲源分离与信号重构理论框架,构建相对完善的盲源分离、信号重构算法与方案。论文主要围绕以下内容展开:1.针对典型的二维波达方向估计（空间谱估计）问题,提出了一种基于L型阵列的二维DOA（Direction of Angle）稀疏估计算法。算法利用子阵列数据交叉协方差矩阵的空间稀疏特性,在对采样数据误差分布分析的基础上,通过在过完备基下寻找交叉协方差矩阵的稀疏系数从而实现信号俯仰角估计,然后再对数据交叉协方差矩阵共轭转置矩阵进行特征分解,利用旋转不变因子处理方式（类ESPRIT法）实现方位角估计,在俯仰角和方位角联合估计过程中实现了二维角度信息的自动匹配,不存在俯仰角信息和方位角信息的失配问题。仿真实验证明所提算法能够在低信噪比条件下实现二维DOA高精度估计,DOA估计误差随信噪比的增大而逐渐变小,同时估计误差随快拍数的增大也不断变小,算法估计过程呈现出良好的收敛性能。与文中提到的其他算法相比,DOA估计精度明显要高,DOA估计误差值更加趋近于CRB值。算法表现出良好的估计性能,从而对信号空域角度信息实现有效分离。2.针对非合作通信条件下欠定盲源分离问题,在遵循欠定盲源分离两步法基础上,首先改进并提出一种新的混合矩阵估计算法。在充分挖掘相同阵元信号之间角度信息和不同阵元信号之间能量信息的基础上,提出基于角度信息和能量信息双约束的时频域单源点（SSP）检测策略,从而实现SSP有效检测,再利用FCM方法来完成混合矩阵估计。通过分析与相关仿真来看,一方面混合矩阵估计精度NMSE指标随SNR的增大逐渐变小,另一方面与单约束SSP检测算法相比,双约束SSP检测策略在估计混合矩阵时可以得到较高的估计精度,能够实现对混合矩阵进行精确估计。其次,针对信号重构问题,提出一种新的奇异值隶属性匹配欠定盲源重构算法（SVMMUSR）。当信号时频域稀疏特性动态变化时,通过构建数据扩展矩阵并进行奇异值分解,然后再检测每个数据点对被检测子空间的隶属性,从而得到动态k稀疏条件下与每个数据点匹配的最优k维子空间,最后利用子空间投影方法实现源信号精确重构。仿真结果证明,通过与常规OMP、SL0和TIFROM算法相比,SVMMUSR算法中SIR指标值会随SNR的增大而逐渐增大,算法的重构性能在SNR较高情况下要优于OMP、SL0和TIFROM方法。同时,随着SNR的逐渐增大,SVMMUSR重构算法的相关系数近似为1,信号重构性能表现良好。不仅如此,从仿真局部图来看,SVMMUSR算法的性能要优于OMP、SL0和TIFROM算法,从而表明SVMMUSR算法具有较高的信号重构性能,可以得到较高的盲分离精度。3.在对非合作通信欠定盲源分离研究的基础上,进一步对实际条件下稀疏信号重构问题进行深入挖掘和探讨。为解决实际稀疏度k未知时稀疏信号重构算法中存在耗时过长、精度不高的问题,提出了一种基于双向稀疏自适应调整和弱选择原子的匹配追踪重构算法（BSA-WSAMP）。该算法采用原子弱选择优化策略优化支持集更新,采用“缩放”双向变步长方法实现稀疏度自适应调整,算法能有效减少迭代次数。通过理论分析来看,BSA-WSAMP算法并没有明显提高信号重构的计算量,但算法本身所允许的重构条件却更加松弛,更加适合在实际中应用。仿真结果表明,与其他重构算法Co Sa MP、SAMP、ASSAMP和SWOMP相比,BSA-WSAMP算法在稀疏度较大时具有较高的重构概率和较快的算法收敛速度,在迭代次数较少时便可以达到规定的重构误差。同时该算法对稀疏度k具有良好的自适应特性,在保持较低重构复杂度和较少重构时间的同时,具有较高的稀疏信号重构质量。
骆彦安[5]（2020）在《零中频收发机的I/Q校准研究与实现》文中指出零中频收发机具有结构简单,易于集成等特点,在近年来被大量运用在可编程RF收发器中,但是由于电路设计过程中I/Q支路会出现幅度和相位不平衡的情况,导致了镜像信号的产生以及信号星座图的扭曲,给后续的信号处理带来了困难。在本文中基于数字域对零中频收发器的I/Q校准技术进行了研究和实现,在调研了现有校准技术后,针对目前常用的三种校准思路分别进行了分析和改进,设计了对应的校准算法,论文研究的具体贡献如下:第一,针对基于训练序列的校准技术,完成了基于最大似然估计的收发端联合校准方案的设计。该估计过程是联合了发射、接收端以及信道的白噪声来进行的,整个估计的过程只需要一组训练序列,并且在不增加额外电路的前提下实现发射和接收通道的同时校准。文章中通过MATLAB仿真对算法进行了验证,仿真结果表明,发射端镜像抑制比可以达到63d B,接收端镜像抑制比可以达到50d B。第二,针对盲估计校准技术,完成了基于快速独立成分分析（Fast ICA）算法的接收通道实时盲校准方案的设计,并且进行了算法的硬件实现以及测试,该算法不需要任何有关信号的先验信息以及统计特性,并且校准过程不受接收机工作状态的影响,实现了实时校准。在硬件实现过程中所有运算采用定点数完成,节省了功耗与资源消耗。测试结果表明,算法可以把单音信号的镜像抑制比提升到69.6d B,将调制信号的EVM提升到-37d B。第三,针对基于信号统计特性的校准技术,利用M-PSK、M-QAM等调制信号的循环对称性完成了基于变步长LMS（VS-LMS）算法的接收通道自适应校准技术。在分析了现有的变步长算法之后,设计了一种新的步长迭代公式实现了迭代速度和精度的提升。通过测试的结果表明,算法可以将单音信号的镜像抑制比提升到63.6d B,将调制信号的EVM提升到-35d B,在资源消耗上比第二种算法减少了接近50%。本文设计的三种校准技术有不同的应用场合以及优劣性,尤其是后两种算法完成了基于FPGA的测试,为今后的算法片内实现奠定了基础。
陈炳桥[6]（2020）在《噪声背景下盲源分离算法在易燃液体检测中的应用与实现》文中指出近年来,随着经济全球化的日益加深,以及当前国际环境和形势的不断变化,公共场所的安全问题变得日益突出。为了保障人民群众在公共场所的生命财产安全,国家在公共安全上投入了大量的人力物力,以防止公共安全事故的发生。而当前在公共场所安检中较为常用的安检设备主要都是基于X射线成像原理来获取乘客携带物的信息,对于易燃液体的相关检测技术还不成熟,大多安检场所还是使用气味检测和试喝的方法,检查工作不仅繁琐而且也会给人们的出行带来不便。面对这种情况,如果能提出一种安全高效的安检方法用于易燃液体检测,这不仅能进一步保障公共安全,还是对现有安检技术的重要补充,因此具有较高的研究意义与价值。所以,本文从信号处理的角度出发,以易燃液体检测为研究对象并结合盲源分离算法,提出在常见噪声背景下将盲源分离算法应用在易燃液体检测中,为如何安全高效地对易燃液体进行检测提供了新的思路和方法。为了能在噪声背景下将盲源分离算法应用在易燃液体检测中,本文结合前人的研究设计了一套波束聚焦系统用来对多种易燃液体的样本S参数进行采集,并建立起相应的样本S参数数据库。然后在常见噪声背景下通过盲源分离算法对观测信号进行处理,将源信号从观测信号中分离出来,之后通过分离信号与样本数据库之间进行匹配,从而实现对易燃液体类型的判断。主要研究内容如下:（1）首先,研究了超宽带厘米波对易燃液体的检测原理,结合实际和理论要求设计了一套满足实验要求的波束聚焦系统,重点对波束聚焦系统的天线和透镜进行了设计,并对该系统的聚焦性能和电磁参数进行了仿真和验证。之后利用波束聚焦系统和矢量网络分析仪测量出汽油、酒精和水在8GHz-18GHz频段内的S参数,并对所采集的S参数数据进行整理和清洗,建立相应的样本S参数数据库。最后对常见的噪声和含噪观测信号进行分析,并提出常见的含噪观测信号可以通过无噪声模型的盲源分离方法来进行处理。（2）其次,在对基于负熵的Fast ICA算法进行研究的基础上,针对基本的Fast ICA算法收敛速度较慢的问题,本文采用了一种新的五阶收敛的牛顿迭代法,并在此基础上对基于负熵的Fast ICA算法进行改进以提高其收敛速度。然后通过使用采集的数据进行仿真实验,仿真结果证明了含常见噪声的观测信号可以通过无噪声模型的盲源分离方法来进行分离,也验证了改进算法的有效性。（3）最后,针对传统的盲源分离算法存在运算量大和收敛速度与分离效果彼此制约的问题。本文在对自然梯度准则下的盲源分离算法研究之后,结合变步长的思想,对自然梯度盲源分离算法进行改进,该方法通过分离信号之间的相关系数来判断信号的分离阶段,并根据分离阶段来控制步长因子,同时在算法中引入动量项。仿真实验结果表明,改进算法能够较好地对含噪观测信号进行分离,与传统算法相比具有更好的收敛速度和分离性能。
马志阳[7]（2019）在《基于LMS和FA的盲源分离优化算法研究》文中指出盲源分离（Blind Source Separation,BSS）是信号处理领域的一个重要分支,且一直深受广大学者的关注。如今盲源分离技术被广泛应用于生物医学信号、图像、语音信号等信息处理领域,是一种融合了神经网络、数理统计等其它学科的研究课题。在瞬时盲源分离领域,传统盲源分离算法主要集中在基于最小均方（Least Mean Squares,LMS）的自然梯度算法（Natural Gradient Algorithm,NGA）和等变自适应（Equivariant Adaptive Separation via Independence,EASI）算法。在工程实践中,由于部分混合信号是由不同类型信号组合而成,因此需要将群集智能算法应用到盲源分离中或者对传统算法进行优化。然而群集智能算法存在收敛速度慢等缺陷。因此,本论文对自然梯度算法、EASI算法和萤火虫算法（Firefly Algorithm,FA）展开研究并进行优化,主要工作如下:1.针对传统盲源分离算法性能受固定步长参数制约的问题,研究出一种自适应调节参数的盲源分离优化策略。其中,以自然梯度算法和EASI算法为基础,依靠实时的输出信号建立一种新的表征信号分离程度的指标,从而实时调整步长与动量因子,最终选取恰当、准确的数值。在平稳和非平稳环境下,利用改进的优化算法对接收到的混合信号较好地分离,且分离效果优于传统算法。2.针对混合信号由不同类型源信号组合而成的情况下,传统盲源分离算法存在激活函数不易选取的问题;且萤火虫算法存在易陷入局部极值,收敛速度慢等缺点,研究出一种改进萤火虫算法的盲源分离优化方法。该方法首先对萤火虫算法中随机扰动项的步长因子实时调节,然后在位置更新公式中增添全局最优解引导项来引导萤火虫移动;并将正交矩阵以参数化的形式表示,减小算法的复杂度。在平稳环境下,改进后的萤火虫算法可将含有不同类型的混合信号重构出源信号,并解决传统算法激活函数选取难的问题,且性能优于基本萤火虫算法。本文借鉴前人学者的研究成果,对LMS算法和萤火虫算法进行研究并加以改进。并对改进的算法进行数学分析和仿真验证,表明所提出改进策略的正确性和有效性,在盲源分离领域具有一定的借鉴意义和应用前景。
徐林涛[8]（2019）在《基于改进自然梯度算法的盲源分离研究》文中进行了进一步梳理盲源分离是信号处理领域中一种新发展起来的对未知混合信号分离的方法。经过几十年来不断地研究和发展,盲源分离已经成为众多学科领域研究的热门课题,具有很多潜在的应用价值,已经被广泛地应用于很多领域。二十一世纪以来,盲源分离的研究方向主要分为两个方面,一面是解决卷积混合问题和欠定问题等,另一方面是优化分离算法和提高算法的分离性能等。本文对盲源分离理论进行了深入的研究,着重研究了自然梯度算法,针对算法存在的缺陷,提出了改进的盲源分离算法。对于含噪盲源分离,通过引入动量因子对算法作进一步的改进,并结合小波去噪原理,构造了基于小波去噪和改进自然梯度的盲源分离算法。自然梯度算法是盲源分离中常用且重要的方法,具有较快的收敛速度和良好的分离性能。由于标准自然梯度算法采用的是固定步长,所以存在着收敛速度和稳态误差之间的固有矛盾,并且其码间干扰的收敛速度很慢。当步长较大时,虽然收敛速度快,但其稳态误差较大;当步长较小时,虽然稳态误差较小,但其收敛速度比较慢,不能迅速跟踪系统变化。针对上述问题,提出一种改进的自然梯度算法。首先,构造一个步长迭代更新函数,实现算法中步长的自适应选取。然后对改进算法进行Frobenius范数约束,从而加快码间干扰的收敛速度。最后通过实验仿真验证了算法的有效性,实验结果表明所提算法的收敛速度较快同时稳态误差较小,具有更好的分离性能。在实际的应用环境中,所获取到的混合信号中通常都含有噪声信号。经过研究表明,许多的盲源分离算法,如FastICA、EASI和近似联合对角化等算法,在含有噪声的情况下,算法的分离效果会严重下降,甚至不能有效地分离出源信号。对于含噪盲源分离,为了提高算法的分离效果和稳定性,需要对混合信号进行去噪处理。由于小波去噪方法具有非常好的去噪效果,而且其数学模型较为简单,对源信号的先验信息要求较低,所以本文选择小波半软阈值对含噪信号进行去噪处理。为了提高分离性能,通过引入动量因子对自然梯度算法进一步的改进,通过性能指标的反馈自适应的调整步长因子和动量因子。在含噪声信号的情况下,构造了一种基于小波去噪和改进自然梯度相结合的盲源分离方法。通过仿真实验,由各项性能评价指标的数据表明,本文所改进的自然梯度算法比其他几种算法的分离性能更好,并且算法的抗噪性和稳定性更好。
王佳俊[9]（2019）在《基于自适应滤波与全相位谱分析的声发射源定位方法研究》文中研究表明声发射（Acoustic Emission,AE）信号检测与处理技术是当下流行的一种无损检测技术,其应用十分广泛,包括交通、军工业、航空航天、新能源材料以及大型工业设备检测等诸多领域。声发射技术作为一种无损检测技术,主要用于研究设备的安全稳定性与可靠性,从而快速准确的找到损伤源点。声发射源定位算法是声发射研究中的重要组成部分,本文提出了一种自适应滤波与相位谱分析相结合的声发射源定位方法,主要包括以下几个方面:（1）在处理声发射信号之前,需要对其进行降噪滤波,针对突发性声发射信号特有的衰减特性,将自适应滤波技术应用到声发射信号处理中。为了解决传统LMS自适应滤波器收敛速度与稳态误差矛盾的问题,本文提出一种改进的变步长LMS自适应滤波算法。同时针对迭代误差突变的情况,采用相邻两次误差的乘积联合控制步长因子的变化,并详细介绍了各个参数的选取与调整过程。以均方误差MSE为衡量指标来评价性能,仿真结果表明该算法显着提高了收敛速度,降低了稳态误差。最后建立与声发射信号相关的期望函数,代入自适应滤波器中进行滤波处理,并将结果与现有算法进行对比,取得了很好的效果。（2）传统源定位方法主要将信号跨越门槛值对应的时刻作为声发射信号到达传感器的时刻,该方法存在较大误差。本文从波形本身信息出发,研究一种全相位FFT谱分析方法,推导其衍生公式并与传统FFT进行性能对比,得出其“相位不变”特性。通过相位谱分析获取信号的准确相位,再结合相位差与时差之间的关系,获得更精确的声发射信号时差估计,为源定位奠定基础。（3）在源定位算法研究中,将二维平面源定位拓展到三维空间源定位。将最小二乘法与Geiger算法相结合,把该算法与PAC公司软件定位算法、牛顿迭代法进行性能对比,再融入全相位FFT谱分析方法来计算时差,以均方误差为标准,进行二维平面与三维空间定位实验分析。实验结果表明基于全相位FFT谱分析的源定位方法定位性能最佳,具有更高的定位精度以及更低的均方误差。（4）基于C#自主开发了一套“声发射检测与数据处理系统”,将声发射信号自适应滤波算法、全相位FFT谱分析方法、声发射平面与空间源定位算法等融入到声发射检测数据分析软件中。该系统主要功能包括:声发射信号采集模块、信号处理模块、信号处理结果显示模块、声发射源定位模块以及声发射信号处理结果文档保存模块。该系统能够很好的完成声发射信号的实时采集、重放与数据处理、源定位和模式识别分类等工作,为分析声发射信号的分析与处理提供了技术保障。
褚鼎立[10]（2018）在《基于独立分量分析的盲源分离算法研究》文中进行了进一步梳理盲源分离作为通信对抗侦察领域的一种重要手段,近年来受到更加广泛的重视,深入研究盲源分离技术有着重要的军事意义。本文针对通信对抗侦察中线性瞬时混合的通信信号盲源分离问题,基于独立分量分析深入研究盲源分离算法,主要研究内容如下:（1）系统地阐述了基于独立分量分析的盲源分离基本原理,总结了独立分量分析方法的基本步骤,介绍了独立分量分析中几种常用的独立性准则,分析了三种常用优化算法的优缺点,为后续章节提供理论基础。（2）信源数目估计算法研究。针对信息论准则算法在有色噪声中估计失效的问题,提出一种改进算法,该算法通过对角加载技术白化色噪声,适用于色噪声环境;针对盖尔圆准则算法估计精度低的问题,结合信息论准则提出一种改进算法,通过构造的对角矩阵进行矩阵变换,使得算法方位角分辨率更高。（3）基于自然梯度的盲源分离算法研究。推导了自然梯度算法,分析了自然梯度算法的性能;针对四种常规的变步长思想分离精度低、收敛速度慢的问题,提出一种的新的变步长算法,通过估计混合矩阵,得到串音误差的估计值,再利用该估计值自适应地控制步长的变化,仿真实验证明该算法收敛速度更快,全局寻优能力更强,一定程度上平衡了收敛速度与分离精度之间的矛盾,同时算法在低信噪比时也有很好的分离性能。（4）基于鲸鱼优化的盲源分离算法研究。针对鲸鱼优化算法收敛速度慢的问题,提出一种结合自适应权重和模拟退火策略的改进算法,仿真表明改进算法收敛速度提高的同时,计算精度也大幅提高;针对盲源分离算法中收敛速度和分离精度存在矛盾的问题,将改进的鲸鱼算法用于线性瞬时混合信号的盲源分离,以分离信号的峰度为代价函数进行寻优,仿真中对比了改进的粒子群算法和标准鲸鱼优化算法,结果表明改进算法对盲信号的分离精度更高,收敛速度更快;将改进的鲸鱼优化算法结合主分量分析用于线性瞬时混合信号的有序盲分离中,该方法能够按照峰度绝对值的倒序逐个分离出服从任意分布的源信号。（5）设计了盲源分离软件。软件包含信号生成模块、信源数目估计模块和信号分离模块,分别通过仿真信号和实测信号的实验,验证了软件的有效性。
二、一种新的变步长ICA自适应算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种新的变步长ICA自适应算法（论文提纲范文）
（1）股票收益率预测的ICA方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 波动率建模的背景与意义 |
| 1.2 波动率建模的国内外研究进展 |
| 1.3 本文内容安排 |
| 第2章 基于PSO-ICA的证券市场波动率模型 |
| 2.1 PSO-ICA算法介绍 |
| 2.1.1 PSO-ICA算法原理 |
| 2.1.2 PSO-ICA算法步骤 |
| 2.1.3 实验分析 |
| 2.2 PSO-ICA-GARCH模型 |
| 2.2.1 模型原理 |
| 2.2.2 模型算法步骤 |
| 2.3 实证分析 |
| 2.3.1 数据选取 |
| 2.3.2 数据的统计性质 |
| 2.3.3 自相关性检验 |
| 2.3.4 ARCH效应检验 |
| 2.3.5 参数估计 |
| 2.3.6 拟合效果检验 |
| 2.3.7 预测效果比较 |
| 2.4 本章小结 |
| 第3章 基于HHO-ICA证券市场波动率模型 |
| 3.1 基于负熵最大化的HHO-ICA算法 |
| 3.1.1 HHO-ICA算法原理 |
| 3.1.2 HHO-ICA算法步骤 |
| 3.1.3 实验分析 |
| 3.2 基于HHO-ICA的证券市场波动率模型 |
| 3.2.1 HHO-ICA-EGARCH模型原理 |
| 3.2.2 HHO-ICA-TGARCH模型原理 |
| 3.2.3 模型算法步骤 |
| 3.3 实证分析 |
| 3.3.1 数据选取 |
| 3.3.2 数据统计性质 |
| 3.3.3 自相关性检验 |
| 3.3.4 ARCH效应检验 |
| 3.3.5 参数估计 |
| 3.3.6 拟合效果检验 |
| 3.3.7 预测效果比较 |
| 3.4 本章小结 |
| 第4章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）麦克风阵列自适应GSC语音增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 麦克风阵列语音增强的基础理论 |
| 2.1 语音信号特性 |
| 2.2 人耳感知特性 |
| 2.3 噪声分类及各自特性 |
| 2.4 语音质量的评判方式 |
| 2.4.1 主观评判方式 |
| 2.4.2 客观评判方式 |
| 2.5 麦克风阵列接收信号理论模型 |
| 2.5.1 麦克风阵列拓补结构 |
| 2.5.2 传统麦克风阵列接收窄带信号的理论模型 |
| 2.5.3 传统麦克风阵列接收宽带信号的理论模型 |
| 2.6 麦克风阵列语音增强的基本方法 |
| 2.6.1 麦克风阵列语音增强的代表方法 |
| 2.6.2 几种语音增强方法的优缺点比较 |
| 2.7 本章小结 |
| 第三章 高斯噪声背景下的麦克风阵列语音增强方法研究 |
| 3.1 引言 |
| 3.2 自适应滤波概述 |
| 3.2.1 自适应滤波器原理 |
| 3.2.2 经典线性自适应滤波算法 |
| 3.3 传统广义旁瓣抵消器原理 |
| 3.4 盲源信号分离语音增强方法 |
| 3.4.1 盲源信号分离方法的基本原理 |
| 3.4.2 独立分量分析方法的基本数学模型 |
| 3.4.3 快速独立分量分析方法的基本原理和使用步骤 |
| 3.5 后置Fast ICA信号分离的改进GSC语音增强方法 |
| 3.6 实验仿真与结果分析 |
| 3.7 本章小结 |
| 第四章 非高斯噪声背景下的麦克风阵列语音增强方法研究 |
| 4.1 引言 |
| 4.2 α-稳定分布噪声 |
| 4.2.1 α-稳定分布的定义 |
| 4.2.2 α-稳定分布的性质 |
| 4.2.3 α-稳定分布随机变量的生成 |
| 4.3 适用于对抗非高斯噪声的代价函数 |
| 4.4 凸组合滤波器 |
| 4.4.1 凸组合滤波器的基本原理 |
| 4.4.2 基于最大箕舌线准则的凸组合滤波器 |
| 4.5 基于凸组合滤波器的改进GSC语音增强方法 |
| 4.6 实验仿真与结果分析 |
| 4.7 本章小结 |
| 第五章 多噪声背景下的麦克风阵列语音增强方法研究 |
| 5.1 引言 |
| 5.2 传统谱减法 |
| 5.3 改进谱减法 |
| 5.4 基于改进谱减法的改进GSC语音增强方法 |
| 5.5 实验仿真与结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于盲源分离的震后废墟生命信号识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容 |
| 第二章 盲源分离基本理论 |
| 2.1 盲源分离模型 |
| 2.2 概率与数理统计论相关知识 |
| 2.3 信息论的基础知识 |
| 2.4 本章小结 |
| 第三章 独立分量分析算法 |
| 3.1 信号的预处理 |
| 3.2 ICA算法 |
| 3.3 FastICA算法 |
| 3.4 ICA算法与FastICA算法性能比较 |
| 3.5 本章小结 |
| 第四章 基于LabVIEW的生命信号识别分析系统设计 |
| 4.1 信号采集模块设计 |
| 4.2 实时信号采集实验 |
| 4.3 本章小结 |
| 第五章 基于FastICA算法的生命信号识别实验与分析 |
| 5.1 生命体信号识别实验与分析 |
| 5.2 单一环境生命信号识别实验与分析 |
| 5.3 复杂环境生命信号识别实验与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）非合作通信系统中盲源分离及关键算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号波达方向估计 |
| 1.2.2 时频域盲信号分离 |
| 1.3 本文内容及安排 |
| 第2章 盲源分离与稀疏表示 |
| 2.1 盲源分离数学模型 |
| 2.1.1 盲源分离模型 |
| 2.1.2 盲源分离典型算法 |
| 2.2 稀疏表示理论 |
| 2.2.1 稀疏表示与压缩感知 |
| 2.2.2 稀疏表示DOA估计 |
| 2.3 稀疏表示下精确重构理论与方法 |
| 2.3.1 精确重构的条件 |
| 2.3.2 常用稀疏重构方法 |
| 2.4 本章小结 |
| 第3章 基于L型阵列的二维DOA稀疏估计 |
| 3.1 引言 |
| 3.2 L型阵列模型与相应假设 |
| 3.3 基于数据交叉协方差矩阵的二维DOA稀疏估计 |
| 3.3.1 基于稀疏重构的俯仰角估计 |
| 3.3.2 基于旋转不变处理的方位角匹配估计 |
| 3.3.3 二维DOA估计流程及计算分析 |
| 3.4 仿真实验与分析 |
| 3.5 本章小结 |
| 第4章 时频域稀疏欠定盲源分离算法 |
| 4.1 引言 |
| 4.2 信号模型与假设 |
| 4.3 基于时频域双约束单源点检测的UBI算法 |
| 4.3.1 基于同一阵元相对信息的SSP检测算法 |
| 4.3.2 基于不同阵元相对能量信息SSP检测算法 |
| 4.3.3 基于双约束SSP检测的FCM混合矩阵估计 |
| 4.4 动态k-稀疏下基于奇异值隶属性匹配的USR算法 |
| 4.4.1 k-稀疏分量分析 |
| 4.4.2 基于动态k-SCA的SVMMUSR算法 |
| 4.5 仿真实验与分析 |
| 4.5.1 性能评价准则 |
| 4.5.2 算法仿真与分析 |
| 4.6 本章小结 |
| 第5章 基于双向稀疏自适应和弱选择匹配追踪的稀疏重构 |
| 5.1 引言 |
| 5.2 匹配追踪重构算法 |
| 5.2.1 正交匹配追踪算法 |
| 5.2.2 分段正交匹配追踪算法 |
| 5.2.3 正则化匹配追踪算法 |
| 5.2.4 压缩采样匹配追踪算法 |
| 5.3 稀疏度自适应匹配追踪算法 |
| 5.4 基于双向稀疏自适应和弱选择匹配追踪算法 |
| 5.4.1 BSA-WSAMP算法主要流程 |
| 5.4.2 算法过程分析 |
| 5.4.3 算法计算复杂度分析 |
| 5.4.4 重构条件与误差分析 |
| 5.5 仿真实验与分析 |
| 5.5.1 性能评价准则 |
| 5.5.2 信号重构与分析 |
| 5.6 本章小结 |
| 第6章 全文总结及展望 |
| 6.1 论文主要研究内容及创新点 |
| 6.2 未来工作内容展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）零中频收发机的I/Q校准研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 零中频技术 |
| 1.1.2 可编程RF技术 |
| 1.2 I/Q不平衡的研究意义和现状 |
| 1.2.1 研究意义 |
| 1.2.2 研究现状 |
| 1.3 文章主要研究内容和结构安排 |
| 2 零中频收发机 |
| 2.1 零中频收发机原理 |
| 2.1.1 接收机原理 |
| 2.1.2 发射机原理 |
| 2.2 直流偏置现象分析 |
| 2.2.1 自混频现象 |
| 2.2.2 二阶失真 |
| 2.3 零中频收发机I/Q不平衡分析 |
| 2.3.1 零中频接收机的I/Q不平衡模型 |
| 2.3.2 零中频发射机的I/Q不平衡模型 |
| 2.4 I/Q不平衡指标评价方法 |
| 3 基于最大似然估计的收发端联合校准技术仿真 |
| 3.1 训练序列校准 |
| 3.2 最大似然估计的基本原理 |
| 3.3 I/Q不平衡的补偿模型 |
| 3.3.1 发射端模型和补偿方法 |
| 3.3.2 接收端模型和补偿方法 |
| 3.4 不平衡参数的估计以及补偿算法 |
| 3.4.1 参数估计过程 |
| 3.4.2 补偿算法的实现 |
| 3.5 仿真结果 |
| 3.6 小结 |
| 4 基于FASTICA算法的接收通道实时盲校准技术仿真与实现 |
| 4.1 独立成分分析的基本原理 |
| 4.1.1 算法可行性分析 |
| 4.1.2 数据预处理目的和方法 |
| 4.1.3 迭代算法的设计 |
| 4.2 基于FASTICA算法的校准方案设计 |
| 4.2.1 算法缺陷分析 |
| 4.2.2 算法改进思路 |
| 4.2.3 基于MATLAB的方案验证 |
| 4.3 算法的硬件实现 |
| 4.3.1 数据的截断和采样 |
| 4.3.2 算法硬件架构设计 |
| 4.3.3 算法的硬件仿真评估 |
| 4.4 算法的测试 |
| 4.5 小结 |
| 5 基于VS-LMS算法的接收通道自适应校准算法仿真与实现 |
| 5.1 信号循环对称性分析 |
| 5.1.1 信号的二阶统计特性 |
| 5.1.2 基于信号统计特性的校准模型建立 |
| 5.2 自适应算法设计 |
| 5.2.1 自适应算法基本原理 |
| 5.2.2 LMS补偿算法设计 |
| 5.2.3 RLS补偿算法设计 |
| 5.2.4 仿真对比 |
| 5.3 变步长LMS算法设计 |
| 5.3.1 传统的变步长算法 |
| 5.3.2 改进的变步长算法 |
| 5.3.3 算法的实现 |
| 5.4 算法测试结果 |
| 5.5 小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）噪声背景下盲源分离算法在易燃液体检测中的应用与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 液体安检技术的发展现状 |
| 1.2.2 盲源分离算法的发展现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 理论基础及相关原理 |
| 2.1 厘米波检测易燃液体的原理 |
| 2.2 盲源分离的理论基础 |
| 2.2.1 盲源分离的数学模型 |
| 2.2.2 线性瞬时盲源分离的约束条件 |
| 2.2.3 盲源分离的不确定性 |
| 2.2.4 信息论基础 |
| 2.2.5 盲源分离的预处理 |
| 2.2.6 目标函数的主要优化准则 |
| 2.2.7 盲源分离算法的评价标准 |
| 2.3 本章小结 |
| 第3章 波束聚焦系统设计和数据采集及含噪信号 |
| 3.1 波束聚焦系统的总体设计 |
| 3.2 波束聚焦系统的天线及透镜的设计 |
| 3.2.1 波束聚焦系统的性能参数 |
| 3.2.2 双脊喇叭天线的尺寸设计 |
| 3.2.3 介质聚焦透镜的尺寸 |
| 3.3 波束聚焦系统性能仿真 |
| 3.4 易燃液体样本数据采集 |
| 3.4.1 数据的采集 |
| 3.4.2 数据清洗及整理 |
| 3.5 噪声环境下的观测信号 |
| 3.5.1 噪声环境下盲源分离的模型 |
| 3.5.2 易燃液体检测中常见的噪声以及含噪观测信号 |
| 3.6 本章小结 |
| 第4章 Fast ICA算法的改进及应用 |
| 4.1 基于负熵的Fast ICA算法 |
| 4.2 基于负熵的Fast ICA改进算法 |
| 4.2.1 修正的牛顿迭代法 |
| 4.2.2 改进的Fast ICA算法 |
| 4.3 仿真实验及分析 |
| 4.4 本章小结 |
| 第5章 自适应优化的盲源分离算法 |
| 5.1 基于自然梯度的盲源分离算法 |
| 5.2 变步长的自然梯度盲源分离算法 |
| 5.2.1 模拟退火类算法 |
| 5.2.2 模糊控制类算法 |
| 5.2.3 梯度求取类算法 |
| 5.2.4 分离阶段类算法 |
| 5.3 改进的变步长自然梯度盲源分离算法 |
| 5.3.1 引入分离信号相关性的步长因子选择 |
| 5.3.2 引入动量项的自然梯度算法 |
| 5.4 仿真实验及分析 |
| 5.5 本章小结 |
| 第6章 噪声背景下易燃液体检测算法的实现 |
| 6.1 观测信号的提取 |
| 6.2 含噪观测信号的分离实现 |
| 6.3 分离信号的识别与匹配 |
| 6.4 本章小结 |
| 结论 |
| 论文小结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（7）基于LMS和FA的盲源分离优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 盲源分离研究背景及意义 |
| 1.1.1 盲源分离概念 |
| 1.1.2 盲源分离分类 |
| 1.1.3 盲源分离应用 |
| 1.2 盲源分离发展历史及研究现状 |
| 1.3 论文主要研究工作及结构安排 |
| 第2章 盲源分离理论 |
| 2.1 引言 |
| 2.2 盲源分离信号模型及预处理 |
| 2.2.1 信号模型 |
| 2.2.2 预处理 |
| 2.3 盲源分离的基础知识及基本假设 |
| 2.3.1 峭度 |
| 2.3.2 信息论理论 |
| 2.3.3 基本假设 |
| 2.4 盲源分离算法的分类 |
| 2.4.1 批处理算法 |
| 2.4.2 自适应算法 |
| 2.4.3 萤火虫算法 |
| 2.5 分离程度指标及评价准则 |
| 2.5.1 分离矩阵的评判准则 |
| 2.5.2 分离信号的评价准则 |
| 2.6 本章小结 |
| 第3章 基于改进分离程度的盲源分离优化方法 |
| 3.1 引言 |
| 3.2 基于LMS算法的传统盲源分离 |
| 3.2.1 自然梯度算法及EASI算法 |
| 3.2.2 动量项原理 |
| 3.3 分离程度指标的定义 |
| 3.3.1 最佳解混矩阵 |
| 3.3.2 定义自然梯度算法的分离程度指标 |
| 3.3.3 定义EASI算法的分离程度指标 |
| 3.4 基于分离程度指标的盲源分离算法 |
| 3.4.1 变步长盲源分离算法 |
| 3.4.2 变动量因子盲源分离算法 |
| 3.4.3 结合变步长及变动量因子的盲源分离算法 |
| 3.5 仿真实验及性能分析 |
| 3.5.1 基于改进分离程度指标的自然梯度算法实验分析 |
| 3.5.2 基于改进分离程度指标的EASI算法实验分析 |
| 3.6 本章小结 |
| 第4章 基于萤火虫算法的盲源分离优化方法 |
| 4.1 引言 |
| 4.2 萤火虫算法介绍 |
| 4.2.1 萤火虫算法原理 |
| 4.2.2 萤火虫算法描述 |
| 4.3 萤火虫算法的改进方法 |
| 4.4 变步长萤火虫算法 |
| 4.5 基于全局最优解引导项的萤火虫算法更新方法 |
| 4.6 基于改进的萤火虫算法盲源分离优化方法 |
| 4.6.1 结合变步长及全局最优引导项的萤火虫盲源分离算法 |
| 4.6.2 正交矩阵参数化表示 |
| 4.7 实验结果及性能分析 |
| 4.8 本章小结 |
| 第5章 结束语 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间参与项目及取得的成果 |
（8）基于改进自然梯度算法的盲源分离研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 盲源分离的研究历史与现状 |
| 1.3 盲源分离的应用 |
| 1.4 论文的主要工作 |
| 第2章 盲源分离的基本理论 |
| 2.1 盲源分离概述 |
| 2.1.1 盲源分离的数学模型 |
| 2.1.2 盲源分离的混合模型 |
| 2.1.3 盲源分离的约束条件 |
| 2.1.4 盲源分离的不确定性 |
| 2.2 盲信号的预处理 |
| 2.2.1 零均值化 |
| 2.2.2 白化 |
| 2.3 相关信息论基础 |
| 2.3.1 信息熵 |
| 2.3.2 互信息 |
| 2.3.3 K-L散度 |
| 2.4 盲源分离的主要方法 |
| 2.4.1 最小化互信息方法 |
| 2.4.2 信息最大化方法 |
| 2.4.3 最大化非高斯方法 |
| 2.4.4 极大似然估计方法 |
| 2.5 性能评价准则 |
| 2.6 本章小结 |
| 第3章 基于改进自然梯度算法的混合信号盲源分离 |
| 3.1 标准自然梯度算法 |
| 3.2 基于自适应步长自然梯度的盲源分离算法 |
| 3.2.1 自适应步长自然梯度算法 |
| 3.2.2 实验仿真与分析 |
| 3.3 带动量因子的自适应自然梯度算法 |
| 3.3.1 带动量因子的改进自然梯度算法 |
| 3.3.2 实验仿真与分析 |
| 3.4 本章小结 |
| 第4章 基于小波去噪和改进自然梯度算法的含噪盲源分离 |
| 4.1 小波去噪方法 |
| 4.1.1 小波去噪的基本原理 |
| 4.1.2 阈值函数的选取 |
| 4.1.3 阈值的估计 |
| 4.2 基于小波去噪与改进自然梯度的盲源分离算法 |
| 4.2.1 自然梯度算法的改进 |
| 4.2.2 含噪盲源分离 |
| 4.2.3 实验仿真与分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 个人简历 |
| 附录 B 在校期间发表的学术论文及研究成果 |
| 附录 C 论文中的用图 |
| 附录 D 论文中的用表 |
（9）基于自适应滤波与全相位谱分析的声发射源定位方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 声发射技术国内外研究现状 |
| 1.2.1 声发射检测技术发展历程 |
| 1.2.2 声发射信号滤波与降噪技术研究现状 |
| 1.2.3 声发射信号处理研究现状 |
| 1.2.4 声发射源的定位方法研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 声发射自适应滤波算法研究 |
| 2.1 LMS算法原理及其性能分析 |
| 2.1.1 经典LMS算法原理 |
| 2.1.2 变步长LMS算法原理 |
| 2.2 改进的变步长LMS算法 |
| 2.2.1 新的变步长LMS算法原理 |
| 2.2.2 新的变步长LMS算法性能分析 |
| 2.2.3 新的变步长LMS算法仿真分析 |
| 2.3 声发射信号自适应滤波分析 |
| 2.3.1 声发射信号自适应滤波原理 |
| 2.3.2 声发射自适应滤波实验分析 |
| 2.3.3 声发射自适应滤波性能分析 |
| 2.4 本章小结 |
| 第三章 全相位谱分析与源定位算法研究 |
| 3.1 时延对算法定位精度的影响 |
| 3.2 全相位FFT谱分析方法 |
| 3.2.1 传统FFT缺陷与原因 |
| 3.2.2 全相位FFT谱分析方法原理 |
| 3.2.3 全相位FFT简化分析流程 |
| 3.2.4 全相位FFT谱分析仿真分析 |
| 3.3 相位差法获得时延 |
| 3.4 声发射时延定位算法研究 |
| 3.4.1 三角定位算法基本原理 |
| 3.4.2 最小二乘法在平面与空间定位中的应用 |
| 3.4.3 Geiger定位算法与最小二乘法结合 |
| 3.5 本章小结 |
| 第四章 声发射源定位实验分析 |
| 4.1 空间源定位算法仿真分析 |
| 4.2 声发射平面源定位实验及对比分析 |
| 4.2.1 平面定位实验条件与参数 |
| 4.2.2 平面定位实验过程 |
| 4.2.3 平面定位实验结果分析 |
| 4.3 声发射空间源定位实验及对比分析 |
| 4.3.1 储罐声发射信号传播特性分析 |
| 4.3.2 空间定位实验条件与参数 |
| 4.3.3 空间定位实验过程 |
| 4.3.4 空间定位实验结果分析 |
| 4.4 本章小结 |
| 第五章 声发射检测与数据处理系统开发 |
| 5.1 软件开发要求 |
| 5.2 系统性能分析 |
| 5.3 系统整体框架设计 |
| 5.4 系统整体功能模块设计 |
| 5.4.1 用户登陆模块 |
| 5.4.2 声发射信号数据获取模块 |
| 5.4.3 声发射信号数据重放模块 |
| 5.4.4 声发射信号源定位模块 |
| 5.4.5 处理结果文档记录模块 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）基于独立分量分析的盲源分离算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于ICA的盲源分离研究进展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要工作与内容安排 |
| 第二章 基于ICA的盲源分离基本原理 |
| 2.1 基于ICA的盲分离基本方法 |
| 2.1.1 独立分量分析模型及假设条件 |
| 2.1.2 独立分量分析基本步骤 |
| 2.2 独立性判据 |
| 2.2.1 互信息最小化准则 |
| 2.2.2 信息最大化准则 |
| 2.2.3 非高斯最大化准则 |
| 2.3 独立分量分析的学习算法 |
| 2.3.1 联合对角化算法 |
| 2.3.2 固定点算法 |
| 2.3.3 粒子群算法 |
| 2.4 本章小结 |
| 第三章 超定条件下信源数目估计 |
| 3.1 引言 |
| 3.2 基于信息论准则的信源数目估计算法 |
| 3.2.1 信息论准则 |
| 3.2.2 基于信息论准则的信源数目估计算法 |
| 3.2.3 基于对角加载技术的信源数目估计改进算法 |
| 3.2.4 实验仿真及结果分析 |
| 3.3 基于盖尔圆定理的信源数目估计算法 |
| 3.3.1 盖尔圆定理 |
| 3.3.2 基于盖尔圆定理的信源数目估计算法 |
| 3.3.3 结合信息论准则和盖尔圆准则的信源数目估计改进算法 |
| 3.3.4 实验仿真及结果分析 |
| 3.4 本章小结 |
| 第四章 基于自然梯度的盲源分离算法 |
| 4.1 自然梯度算法 |
| 4.2 常用的变步长方法 |
| 4.2.1 模拟退火类 |
| 4.2.2 分离阶段类 |
| 4.2.3 梯度求取类 |
| 4.2.4 模糊控制类 |
| 4.3 基于自然梯度的自适应盲源分离改进算法 |
| 4.3.1 基于串音误差的自适应步长因子 |
| 4.3.2 算法的实现步骤 |
| 4.3.3 算法仿真及性能分析 |
| 4.4 本章小结 |
| 第五章 基于鲸鱼优化的盲源分离算法 |
| 5.1 鲸鱼优化算法 |
| 5.1.1 鲸鱼优化算法的生物学描述 |
| 5.1.2 鲸鱼优化算法的原理 |
| 5.1.3 鲸鱼优化算法的流程 |
| 5.2 改进的鲸鱼优化算法 |
| 5.2.1 自适应惯性权重 |
| 5.2.2 模拟退火策略 |
| 5.2.3 改进算法的具体步骤 |
| 5.2.4 时间复杂度及渐进性分析 |
| 5.2.5 函数测试与结果分析 |
| 5.3 基于改进鲸鱼优化的盲源分离算法 |
| 5.3.1 目标函数的选择 |
| 5.3.2 分离原理及步骤 |
| 5.3.3 仿真验证与结果分析 |
| 5.4 基于改进鲸鱼优化的有序盲源分离算法 |
| 5.4.1 算法的提出 |
| 5.4.2 盲提取原理 |
| 5.4.3 算法步骤 |
| 5.4.4 仿真实验与结果分析 |
| 5.5 本章小节 |
| 第六章 盲源分离软件设计与实现 |
| 6.1 盲源分离软件设计 |
| 6.1.1 通信信号生成模块 |
| 6.1.2 信源数目估计模块 |
| 6.1.3 信号分离模块 |
| 6.2 实验测试 |
| 6.3 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、一种新的变步长ICA自适应算法（论文参考文献）
- [1]股票收益率预测的ICA方法研究[D]. 周晓玲. 西安理工大学, 2021(01)
- [2]麦克风阵列自适应GSC语音增强方法研究[D]. 陆浩志. 南京信息工程大学, 2021(01)
- [3]基于盲源分离的震后废墟生命信号识别方法研究[D]. 王丹妮. 防灾科技学院, 2021(01)
- [4]非合作通信系统中盲源分离及关键算法研究[D]. 崔伟. 吉林大学, 2021(01)
- [5]零中频收发机的I/Q校准研究与实现[D]. 骆彦安. 中国运载火箭技术研究院, 2020(02)
- [6]噪声背景下盲源分离算法在易燃液体检测中的应用与实现[D]. 陈炳桥. 成都理工大学, 2020(04)
- [7]基于LMS和FA的盲源分离优化算法研究[D]. 马志阳. 重庆邮电大学, 2019(02)
- [8]基于改进自然梯度算法的盲源分离研究[D]. 徐林涛. 湘潭大学, 2019(02)
- [9]基于自适应滤波与全相位谱分析的声发射源定位方法研究[D]. 王佳俊. 东南大学, 2019(06)
- [10]基于独立分量分析的盲源分离算法研究[D]. 褚鼎立. 国防科技大学, 2018(01)