文档介绍：塑::;::。。::—:::::。』摘要其它方法相比较,其特点是所寻找的分量间满足独立非高斯性。独立分量分析些基本准则和常用方法;白化处理以及独立分量分析中信号的分类方法;利用非线性函数完成独立性分析的条件;给出了独立分量分车厅算法性能评价指标方法;将独立分量分析与主分量分析进行了比较。诙懒⒎至糠治龅睦砺垩芯靠蚣芟拢芯苛俗钣殴兰坪问剑竦昧一种对得分函数进行估计的独立分量分析研究方法;本文通过利用混合高斯模型,。为了提高算法的稳定度和精确度,给出了一种迭代概率密度估计的独立分量分析学习算法。这种块处理方法可实现超、亚高斯混合信源的情况,同时在仿真实验过程中,研究了学习速率对学习算法的影响。提供更准确的信息。针对复值信号的独立分量分析问题,本文通过广则算法,分析结果表明,这种算法可以实现对独立复值信号的分离。芯苛硕懒⑹噶炕匦栽谡罅行藕糯碇械挠τ谩6懒⒎至糠治龇椒ㄕ对统计独立信源的混合情况,在学习过程中所获得的分离矩阵提供了一组投影基矢量,具有相应的投影独立性。在此基础上,本文定义了独立了研究,获得了对阵列信号的方位角估计。同时研究了白化过程所具有西安电子科技大学博士学位论文独立分量分析是一种从多维统计数据中寻找独立分量的方法,这种方法与只利用观测数据,在源信号和混合信道未知的情况下来提取独立分量。本文将从独立分量分析的学习算法和应用两方面进行研究,主要工作概括如下;疚拇佣懒⒎至糠治龅亩ㄒ搴图偕杼跫龇ⅲ治隽硕懒⒎,对阵列中常见的侍饨的自适应波束形成器特性。
知识水坝***@pologoogle为您整理
——————————:—————————~雷达信号处理闶笛槭摘要关键词:独立分量分析,盲信源分离,主分量分析,非线性主分量分析,自然梯度,串音误差,高斯混合模型,算法,白化,超/贬高斯信号,得分函数,导向矢量,波达方向一
知识水坝***@pologoogle为您整理
,西安电子科技夫攀博士单位论文瓸琣琣狦狦甎—瓽琓—甌甌甌甌,瓸,.瑆琣瓸猵琣..琓
——一——————————————————————’—————————’——R琤琻琾瑂一/狦雷达信号处理●闶笛槭秙珽:琻瑃。“,,,,
婢强墨连本人签名:/≥二尘垃与乙日期:童墅肌淮砸独创性声明日期:趔生￡很裦关于论文使用授权的说明究成果。尽我所知,除文中特别加以标注和致谢中所罗列的内容外,论文中不或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本文研本人完全了解西安电子科技大学有关保留和使用学位论文的规定,即:学校有权保留送交论文的复印件,允许查阅和借阅论文:学校可以公布论文的全部或部分内容,可以允许采用影印、缩印或其它复制手段保存论文C艿穆本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研包含其它人已经发表或撰写过的研究成果;也不包含为获得西安电子科技大学究所做的任何贡献均己在论文中做了明确的说明并表示了谢意。文在解密后遵守此规定本人签名导师签名:日期:。≯口甪
绪论一一第一章苎祭祭一::————』§甀独立分量分析的研究历史与现状法旧,,㈨渲幸恢纸闲碌姆椒ㄊ嵌懒⒎至糠治在信号处理的众多领域里,一个常见的问题就是如何能够在某个坐标系下合适地表示多维随机变量攵哉飧鑫侍饨辛诵矶嘞嘤Φ难芯浚岢龊芏喾型,解决当线性或非线性混台系统未知的情况下,对假设为非高斯的、独立的隐变量渤莆J嵌懒⒎至炕蚨懒⑿旁进行分析、提取的问题。独立分量分析理论的研究,尤其在年鞯目4葱怨ぷ鳌发表以来,许多研究团体相继在针对这种方法的理论研究和实际应用上进行了大量的、深入的研究独立分量分析方法最早是在神经网络模型基础上提出来的【】,可以看时独立分量分析方法也可以看作是一种用于处理盲源分离独立分量分析的定义,提出了对比函数母拍睿卸立分量分析模型的可辨识性研究,指出必须借助高阶统计量的使用,才可能实现独立分量的盲分离。并且利用互信息对高阶统计量进行了近似展开,使用下,通过最大化网络输出和输入的互信息,可以实现输出分布的因子化,即联合概率密度函数可以分解成为边缘概率密度函数。等人㈤在此基础上导出了随机梯度学习准则,给盲源分离问题建立了一个基于信息论的框架,给出了惴ǎ樟残院臀榷ㄐ杂写岣摺等人也在等变化特性的条件下提出了~个相似的自适应方法【】。热薴提出自然梯度算法,并从黎曼几何的角度阐明了这类算法的有效工作原理。自然梯度算法由于消除了:方法。独立分量分析方法是通过定义针对多维数据的广义模作是主分量分析和因子分析方法的进一步发展,但又有很大的区别;同:的技术。盲源分离是通过