一、信号盲分离及在过程控制系统中的应用（论文文献综述）
崔伟[1]（2021）在《非合作通信系统中盲源分离及关键算法研究》文中研究说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。
陈宸[2]（2020）在《基于深度学习的同频混合信号单通道盲分离研究》文中提出同频混合信号的单通道盲分离在成对载波多址（Paired Carrier Multiple Access,PCMA）非合作通信中广泛应用。对于单通道接收的混合信号,非合作第三方难以构造出信号分离的正定条件,无法开展有效的信息解调。研究如何实现信号的单通道盲分离,对提高通信信号侦察能力具有重大意义。本文在盲分离研究中引入了深度学习方法,降低了盲分离的复杂度,并且具有更强的适应性,可以在多种时变的信道下得到优于传统方案的性能。针对时不变信道场景,本文提出了基于双向循环神经网络的同频混合信号盲分离方案。该方案可以在网络训练后从接收信号中恢复出两路原始信息比特,并且充分利用信道记忆性引起的符号相关性,避免了对符号的遍历搜索,实现了性能和复杂度之间的折中。对于连续接收信号,提出了分块处理策略,解决了每个数据块首尾错误率较高的问题。在等效信道记忆长度较大时,与传统逐幸存路径处理（Per-Survivor Processing,PSP）方案相比,本文提出的方案在无失真和非线性失真信道下均达到了更好的解调性能,并且计算复杂度更低。此外,当信号幅度在训练阶段和测试阶段不匹配时,该方案也具有一定的泛化能力,因此可以适应信道响应变化的场景。针对时变信道场景,本文提出了结合深度学习信道插值估计的同频混合信号单通道盲分离方案。为了进行估计时变信道,提出了一种神经网络辅助的插值估计算法,能够学习挖掘信道的时变特征,经过训练后从导频处的信道初估计值中得到精确的信道插值估计值。同时,将该算法结合到盲分离算法中,实现了比传统线性插值算法更好的估计和解调性能。此外,该方案能较好地适应信道统计特性的变化,具有较强的鲁棒性。
王心宇[3]（2020）在《基于盲源分离的MRNBCA通信干扰一体化波形研究》文中提出随着信息战场环境下的通信对抗形势愈演愈烈,仅仅实现通信信号波形自身的安全可靠性已不能满足21世纪信息战争的发展需要。而通信干扰一体化信号波形的研究能够同时保证安全流畅的己方通信以及可靠有效的对敌干扰,提高作战平台的整体作战效力。目前为止,同频段内的通信和干扰大多是分开进行的,专门的通信干扰一体化技术十分缺少,因此本文以实现信号的安全隐蔽通信和有效干扰的综合一体化为目的,基于无噪线性瞬时混合盲源分离数学模型和有界成分分析盲源分离算法,提出一种基于多进制的新型逆有界成分分析（Multiary Reverse New Bounded Component Analysis,MRNBCA）通信干扰一体化信号波形生成和分离模型,为通信干扰一体化问题提供新的解决思路。首先,本文介绍了基于直扩的通信干扰一体化信号的生成模式,并进一步介绍了基于无噪线性瞬时混合的盲源分离数学模型及其分离算法的分析处理流程,分析模型中混合矩阵和信源矩阵需满足的基本条件。为设计多进制MRNBCA基带信息映射和逆映射规则,以及MRNBCA基带信号波形的生成和分离新方法提供理论基础和支撑。其次,本文给出基于16进制数据比特流映射的16RNBCA信息矩阵映射规则,并根据敌方通信信号的选取动态建立16RNBCA通信干扰一体化波形,使得该信号波形在频谱上具有与敌方通信信号相似的特性而具有欺骗性;另外,提出一种能够保证源的全局单调收敛性并且消除了噪声偏差所产生的影响的新型有界成分分析算法（New Bounded Component Analysis,NBCA）,以此作为16RNBCA通信干扰一体化信号波形的分离新算法;同时,提出16RNBCA信息矩阵逆映射准则,实现原始隐蔽数据信息的恢复。至此完成了16RNBCA通信干扰一体化信号波形生成和分离新方法的设计。然后,对所涉及的16RNBCA信号的波形设计变量进行仿真验证和分析,总结最佳通信效果下的参数选值范围。最后,对16RNBCA一体化信号分别进行通信性能、隐蔽性能、干扰性能以及通信干扰一体化性能的仿真研究。在相同条件下,某些载体信号形式下的MRNBCA信号较传统MQAM信号具有更优的通信性能;另外,与常见干扰信号相比,16RNBCA信号作为干扰信号时具有最大的干扰有效信干比范围;最终将基于16RNBCA的通信干扰一体化系统与基于DSSS-多音干扰相叠加的通信干扰一体化信号进行对比仿真,16RNBCA-16QAM信号和16RNBCA-QPSK信号同时进行通信和干扰的有效信干比范围更广且更具优越性。
张启超[4]（2020）在《基于PSP的单通道星载AIS混合信号分离与检测联合研究》文中研究说明船载自动识别系统（Automatic Identification System,AIS）被视为海上交通安全的基石。它能够实现船舶之间信息交流,用以保障海上交通安全、人民财产安全、航洋生态圈平衡等等。星载AIS作为远距离船舶通信的枢纽,意义十分重大。根据星载AIS混合信号分离与检测过程的实际出发,研究了单通道下随机突发同频混合信号的盲分离与检测问题。本文主要工作如下:（1）研究了经典的Viterbi算法,为指导盲分离过程和检测过程提供了重要的理论支持。Viterbi算法其实就是多步骤多选择模型的最优解问题。在每一步的选择都保存了前续所有步骤到当前步骤的可能。依次计算完所有步骤后,通过回溯的方法找到最优选择路径（总代价最大或者最小作为选择标准）。逐幸存路径处理（Per-Survivor Processing,PSP）是将基于数据辅助的未知参数估计嵌入到Viterbi算法中,来实现参数与序列的联合估计。这就能应用于参数未知的条件下,从接收信号中估计出原始信号的符号序列。检测过程参数条件更加优越,所以该原理也可使用。（2）提出了一种基于改进PSP的单通道AIS混合信号分离及检测联合估计算法。该算法打破传统PSP执行步骤,在盲分离符号转移过程中将幸存符号状态累积为检测过程的符号状态集合。这样就将盲分离和检测过程联合起来。联合估计算法打破了传统的信号处理方式,能够将接收到的混合信号处理后直接输出为原始信号的信息序列。（3）提出了一种基于PSP的AIS混合信号分离与检测联合估计方法。该方法针对AIS相对时延较大的特性,利用幅度极值检测法将混合信号分割为混叠段与未混叠段。对于混叠段先进行PSP盲分离,然后对分离后的序列进行PSP检测。而对于未混叠段直接进行PSP检测。最终根据AIS信号的特定帧格式将原始信号恢复拼接。仿真结果表明该方法能够较好的联合分离与检测两个过程且性能稳定,估计精度较高、复杂度低。（4）提出了一种基于双窗检测法的混合信号的混叠位置估计算法。该算法针对混合信号的混叠位置估计误差大、复杂度高的问题,提出了利用能量检测的方法来估计混叠位置。改进了用于检测突发信号突发位置的双滑动窗检测法。将原始的双能量检测窗扩增为四个能量检测窗,且改进了判决函数。该方法仅利用信号能量来估计混叠位置,降低了其他参数对该算法的影响。仿真结果表明,改进后的算法性能明显优于频率幅度检测法,且鲁棒性强、复杂度低,估计结果的量级接近克拉美罗界。
肖超[5]（2020）在《语音与背景乐音信号的分离算法研究》文中研究指明语音和乐音是我们生活中常见的两种音频信号,在语音与乐音混合的信号中包含了很多有用的信息比如:说话人身份、语音内容、乐曲旋律等。因此在语音与乐音的混合信号中进行提取有效信息在语音识别、音频检索、计算机听觉等领域有着重要应用。盲源分离（blind source separation,BSS）技术可以实现混合的语音与乐音信号的分离,其可以理解为在源信号和传输通道参数未知的情况下,根据其输入源信号的统计特性,仅对观测信号进行处理而恢复出源信号的过程。在语音与乐音的混合信号中认为它们的源信号是相互独立的,当源信号各个分量具有独立性时,盲源分离过程称为独立分量分析（independent component analysis,ICA）。独立分量分析主要由准则函数与优化算法构成,在分离混合信号时的核心问题是选取性能优越的优化算法使准则函数结果达到最优。常用的准则函数有:互信息最小化法、负熵最大化法、极大似然法、四阶累积量等,利用这些准则函数来判断分离后各信号的独立程度。在准则函数确定以后,则选取恰当的优化算进行寻化使其独立性最大。常见的优化算法有:遗传算法、人工蜂群法、粒子群算法等。智能优化算法的应用,可以克服独立性准则函数的优化进入局部最优位置,但是,这些传统优化算法都具有一定局限性,这些优化算法的性能依赖控制参数的选择,因此,提出利用一种单参数的纯随机搜索的单形进化优化算法（surface-simplex swarm evolution,SSSE）,克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,其思想是根据粒子的单形邻域特点利用单形邻域搜索机制与多角色进化搜索策略。仅需设置种群数目这一个参数,在全随机二维子空间中,利用单形邻域凸集逐步逼近与搜索定位进行寻优,减少了对初值的依赖。本算法采用群体协作搜索和竞争选择的方式,在搜索方案中利用粒子多角色态,实现粒子多样化,改进了搜索的全局性。实验根据语音与乐音信号特点选取四阶累积量作为独立分量分析的准则函数,将单形邻域与多角色进化优化算法与独立分量分析相结合,对语音与乐音混合信号进行盲分离,算法通过搜索算子的全随机搜索性与多角色态特性,对准则函数进行优化使分离效果达到最优。通过仿真实验,实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。
雷紫微[6]（2019）在《跳频信号侦察与跳频序列预测关键技术研究》文中研究表明跳频（Frequency Hopping,FH）是一种典型的扩频通信方式,其在军事通信系统以及民用通信方面都得到了广泛的应用。跳频信号的载频在跳频序列的控制下,在一定的频带范围内伪随机跳变,从而达到扩展频谱的目的,并使其具有抗衰落、抗干扰、抗截获、易组网、多址能力强等优点。为了进一步提升跳频通信系统的性能,跳频带宽正逐渐加大,跳频速率也得到了大幅的提升,这使得跳频通信对抗面临更加严峻的挑战。目前,跳频信号侦察的研究目标主要集中在跳频信号参数的精确估计,混合跳频信号的实时分离,以及宽带跳频信号的压缩采样等方面。同时,跳频序列预测作为跳频信号侦察的辅助手段,对于提升跳频信号侦察的实时性,实现高效的侦察和跟踪式干扰,具有重要的意义。本文针对跳频信号侦察和跳频序列预测的四个关键问题进行了研究,内容包括跳频信号的半盲检测和跟踪、基于信道化调制宽带转换器（Modulated Wideband Converter,MWC）的跳频信号检测和频率估计、基于动态规划MWC的跳频信号跟踪与分离和基于神经网络方法的混沌跳频序列预测与分离。论文的主要研究内容概括如下:第二章在跳频信号通信原理基础上,提出具体的跳频信号帧结构,并选取与之相适应的信道编码及调制方法构建跳频信号,作为本文研究的信号模型。而后,根据信号模型设计,提出基于变窗长组合时频分析方法的跳频信号半盲检测算法和跟踪策略。首先利用短时窗线性时频分析检测跳频信号的频率跳变。然后利用长时窗组合时频分析方法实现对当前跳频信号频点的精确估计。最后通过解调同步字头信息进行跟踪和校验,从而构建了完整的跳频信号半盲检测跟踪系统。仿真实验表明,该算法能够迅速检测并估计出当前跳频信号的频点,实现对跳频信号的半盲检测和同步跟踪。第三章研究了压缩采样条件下跳频信号的检测和频率估计问题。利用跳频信号在时频域上的稀疏性和短时平稳特性,提出了基于信道化MWC的跳频信号检测算法和非重构条件下的频点估计方法。首先利用MWC多通道的特点,对每个通道的周期波形进行重构,得到信道化的MWC结构。然后利用重构周期波形的识别特性,在频域实现跳频信号的实时检测。最后,利用压缩采样后的基带数据信息,在不重构信号的条件下,估计得到跳频信号的载频。该算法有效降低了信号的采样率和运算的复杂度。仿真结果验证了算法的有效性。第四章研究了压缩采样条件下的跳频信号跟踪和分离问题。提出了基于动态规划MWC的跳频信号跟踪和分离算法。首先在MWC系统上增加反馈控制的多频率函数,得到动态规划的MWC结构。然后在时域检测MWC子信道的能量,实现跳频信号的实时跟踪。最后利用跳时信息和不同信号源的功率差异对混合跳频信号进行分离。该方法在假设同一跳频源的信号在到达接收端时的功率保持相对稳定的条件下,可以有效实现多跳频信号的跟踪和分离。仿真结果验证了算法的有效性。第五章从跳频序列特性出发,研究了混沌跳频序列的预测和分离问题。利用混沌跳频序列的随机正交特性和全局相图特性,通过训练径向基（Radial Basis Function,RBF）神经网络,实现对混合跳频序列的预测和分离。首先分析了混沌跳频序列的特性,利用K均值聚类算法确定神经网络训练的输入和输出。然后通过正交最小二乘法（Orthogonal Least Square,OLS）求解混沌序列嵌入维数,构建神经网络。最后通过分段匹配实现混合序列的预测与分离。仿真实验表明,该算法可以有效预测同步组网混沌跳频序列,同时将混合跳频序列分离输出。
郑远硕[7]（2017）在《语音信号的数字化混沌遮掩通信及盲提取技术研究》文中认为在计算机和网络技术日渐普及的今天,信息安全问题作为学术界和社会生活共同关注的研究热点引起了广泛的关注。学术界正在不断地探讨并引进非传统的新方法用于信息安全领域。混沌所具有的易于产生但难以破译的特性,使得在信息隐藏领域中应用混沌序列对信息进行保密遮掩以此大大增强信息的安全性。语音作为人类交往最简便的交流方式使得其在通信技术发展的过程中广受关注。近年来,数字化技术凭借着其特有的优势所在,数字语音通信技术广泛应用于通信的每一个领域。本文基于数字化技术研究背景,以数字混沌信号作为载体,对数字语音信号进行遮掩以增强信号传输过程中的可靠性和安全性,并采用盲源分离（BSS）算法中较为经典的独立分量分析（ICA）算法对语音信号进行盲提取,对加强信息传输过程中的安全性具有重要的理论价值和实际意义。本文借助混沌系统对数字化之后的语音信号进行遮掩隐藏,以信息隐藏技术为研究基础实现信息的保密传输。提出以三种不同维度的混沌信号为隐藏载体,利用小波变换对语音信号和混沌信号进行分析,结合其时频分布特性提取其能量聚集带,实现语音信号的成功隐藏。仿真实验从理想的正定通信系统出发,在含噪信道中利用快速独立分量分析（FastICA）算法对隐藏在混沌信号中的语音信号进行盲分离处理,在并在不同信噪比情况下对比分析误码率和相似系数,以此来验证算法的有效性。在验证正定系统可行性的基础上结合目前的通信情况,针对通信系统中存在的接收端天线个数少于发送端个数的欠定系统问题,提出利用经验模态分解算法（EMD）构建虚拟接收阵列,补充缺失的天线阵元以实现欠定系统转正定系统,在不同维度的混沌系统中实现数字语音信号的盲提取,以此证明了本文算法的有效性,普适性以及噪声背景下数字化技术的可靠性。
高俊文[8]（2016）在《面向机械故障诊断应用的盲分离技术研究》文中提出机械设备故障诊断技术对设备运行安全、效率有重要意义。运用工作声音进行故障诊断,已变成机械故障诊断领域发展的重要方向。机械设备运行发生异常时,会产生多种声音信号。借助信号处理方法将各种声音信号分离出来,将其转变为独立的信号源而提取故障信息,从而能对机械故障进行精确诊断。盲分离技术能够在噪声环境下和多声源混叠情况下对源信号进行分离和识别,为噪声背景下机械设备状态检测和故障诊断提供解决方案。因此,本文基于常见的两类盲分离问题:正定盲分离和欠定盲分离,分别提出了基于神经网络的线性盲分离算法和基于最小二乘法的欠定盲分离算法,并对其有效性展开机械系统的故障诊断验证。全文主要研究内容如下:（1）基于神经网络的线性盲分离算法提出了自适应和小脑模型两种线性神经网络的盲分离算法（SALNN-BSS和CMAC-BSS）;分别建立了结构模型和求解算法;对仿真混叠信号的性能系数进行对比,结果表明:在分离效果方面,SALNN-BSS和CMAC-BSS都能对混叠信号进行良好的分离,恢复的源信号波形良好,但CMAC-BSS分离误差更小,对信号的分离更为迅速,稳定误差更小,更加适合用于盲分离故障识别。（2）基于最小二乘法的欠定盲分离算法将最小二乘法和欠定盲分离技术特点相结合,提出了基于最小二乘法欠定盲分离算法（LSM-UBSS）,确定了该算法的操作步骤。通过推导分析,从理论上证明了该算法解的唯一性,采用该算法分别分离稀疏和非稀疏语音混叠信号,构建了它们的混叠模型和混叠矩阵。比较了源信号和分离信号的信噪比,结果表明该算法无论是在稀疏还是非稀疏语音混叠信号分离方面都十分有效。（3）冰蓄冷陈列柜故障信号的盲分离技术应用基于冰蓄冷陈列柜原理和常见故障,搭建了陈列柜的故障诊断实验系统,完成了电路设计和触摸屏控制界面等的设计。采用该系统对陈列柜的轴流风叶故障、轴流风叶和水泵同时故障进行了诊断;对比SALNN-BSS和CMAC-BSS算法对相关故障信号的分离能力,结果表明:CMAC-BSS恢复源信号精度更高,识别故障效果更佳,识别故障实时性更好。（4）发动机噪声信号的盲分离技术应用搭建了发动机噪声测试实验平台,测试出发动机运行时的多种声音信号;采用传统最大熵盲分离算法（ME-BSS）和CMAC-BSS两种分离算法分别对发动机噪声和外界的干扰噪声进行分离,实验结果表明CMAC-BSS分离效果比ME-BSS好,可以把发动机噪声和外界噪声很好地分离出来。同时用CMAC-BSS对发动机异响故障进行了诊断,结果表明CMAC-BSS可以从中获得发动机运行过程中的故障信号。（5）救生舱CO2空调故障信号的欠定盲分离技术应用分析了矿井救生舱重要组成CO2空调系统常见故障信号（振动信号和噪声信号）的特点,设计并搭建了故障信号测试平台。采用LSM-UBSS,分别对已知和未知故障数目情形下的系统故障信号进行分离,探讨了分离误差。结果表明:LSM-UBSS在已经知道故障数目的情况下,能诊断CO2空调系统故障;在未知故障数目的情况下,预先使用减法聚类估计混叠矩阵,再用LSM-UBSS算法,也能有效识别出故障源信号的数目,有效恢复故障源信号。
刘国连[9]（2015）在《成对载波多址接入信号盲分离技术研究》文中进行了进一步梳理由于具有频谱利用率高,抗截获能力强,系统简单,应用方便等优点,基于成对载波多址接入（PCMA）技术的通信系统得到广泛应用。本文在大量阅读相关文献资料的基础上,分析单通道PCMA通信混合信号模型,对非合作通信环境下PCMA信号信道参数估计及符号检测算法进行深入探讨和研究,提出了相应的改进算法。MATLAB仿真表明:改进的算法可以实现符号的准确检测及参数的精确估计。具体而言,本文主要研究工作如下:（1）在传统粒子滤波算法基础上,对粒子轨迹更新方法进行研究。通过动态调整粒子数,获得了一种低复杂度的改进粒子滤波算法。在该改进算法中,利用实际应用中信号初始相位、时延等信道参数的慢变化特性,对离散接收序列进行分帧处理并分两个步骤实现信号的盲分离。首先根据粒子滤波思想对系统参数和符号序列进行递推采样及估计,估计过程中根据粒子的权重修正因子大小动态的抛弃一些对最终后验概率贡献较小的粒子;然后在参数估计收敛之后,将收敛的参数估计值作为已知参数值完成符号的最大似然准则判决,与参数估计类似,该阶段似然函数计算中也会动态抛弃一些对似然函数值贡献较小的粒子来减小运算量。MATLAB仿真实验表明新的粒子滤波方法在低信噪比下针对PCMA单通道混合信号具有很好的鲁棒性能以及很高的分离能力。（2）在前面改进的粒子滤波算法基础上,将Turbo编解码用于盲分离系统,研究了一种性能更优的基于Turbo迭代译码的PCMA信号盲分离方法。首先分析了常用的Turbo编码器及译码器的结构,仿真验证其性能。其次基于迭代分离的思想,将Turbo译码器用于盲分离,通过盲分离模块与译码模块之间的比特似然软信息迭代交互,使得盲分离中的符号先验信息越来越准确,进而使得译码结果更优。仿真结果表明与不加Turbo迭代译码的盲分离算法相比,加入Turbo迭代译码的PCMA盲分离算法在较低信噪比下盲分离性能大大提升,在9dB的信噪比条件下误码率达到410?以下,达到实际工程中的性能要求。总之,本文对常规的PCMA单通道混合信号的符号检测及信道参数估计算法进行了改进,降低了算法复杂度,并对改进算法进行了系统级的仿真。计算机仿真实验表明改进的算法性能达到了课题预期指标。
杜健[10]（2014）在《欠定盲源分离和PCMA信号盲分离技术研究》文中指出本论文致力于混合信号盲分离技术研究,主要研究了欠定条件下的混合多源信号盲分离和卫星单通道PCMA信号盲分离两个方面的内容,其中后者是本文的重点。本文工作受到国家863和总装9201重点工程项目的支持。盲信号分离的任务是从接收到的多源混合信号中分离出其中所包含的源信号。作为一种快速发展的新兴信号处理技术,目前已在通信信号处理,语音信号处理,医学信号处理等诸多领域得到广泛应用,但仍然面临一系列亟待解决的关键技术难题。欠定盲源分离是一个比较困难的问题,领域内研究较多并已比较成熟的欠定盲分离算法通常都需要利用源信号的稀疏性,对于稀疏性较差的情况则效果不理想,尤其是对源信号个数的估计,因而直接影响整体分离效果。卫星单通道PCMA信号盲分离则是欠定盲信号分离的一种特殊情况。由于频带复用而提升的功率带宽综合效益,以及很强的抗截获性能,近年来这类信号的应用飞速增长。PCMA信号盲分离是一个理论性和实践性都很强的重大技术难题。近年来领域内开展了大量研究,取得一系列重要成果。其中综合性能较好的主要是粒子滤波和逐幸存路径处理（PSP）两类算法,其中PSP算法因较低的运算量而更占上风。但现有PSP类算法仍存在两个重要问题。一是运算量仍然很大,难以在现有硬件平台上付诸实施；二是系统内在的软信息利用问题,算法的综合性能仍有较大提升空间。本论文工作正是在上述背景下确立展开的。论文首先对盲信号分离的基本理论、主要算法和应用做了分析讨论和总结。在此基础上针对基于信号稀疏性的欠定盲源分离和卫星单通道PCMA信号盲分离算法存在的上述主要问题给出了若干改进算法,并用仿真实验结果验证了所提算法的可行性和有效性。本论文取得的创新性成果概括如下：1.在主要针对语音信号的欠定盲源分离方面：针对弱稀疏性情况提出了一种改进算法。该算法提出了利用单源区间对观测信号进行预处理,去除非单源区间的点,再通过改进的K-均值聚类方法来估计源信号个数,进而估计出混叠矩阵。这种方法相对于直接对观测信号进行处理的算法估计精度高,而且在对单源区间中数据统计概率分布曲线图时,只需要很少次数的滤波就能够得到比较光滑的曲线,易于通过峰值检测寻找局部峰值得到源信号个数,从而降低了算法复杂度。仿真实验表明与常规聚类算法比较,该算法复杂度较低,估计精度有显着提高。2.在PCMA信号盲分离方面：（1）提出了一种更适合PSP实现的基于前馈非二元码的SOVA-PSP分离算法。该算法解决了传统PSP算法不能输出软信息的问题。仿真结果表明,在综合利用信道译码的基础上,与现有硬判决算法相比,总体性能获得了2dB左右的增益。（2）提出了一种基于最大后验的BCJR-PSP算法,解决了SOVA-PSP算法中结尾部分点可靠性较低的问题。仿真实验表明,该算法与现有SOVA-PSP相比,性能明显提高。（3）提出了一种基于单路定时准确的低复杂度盲分离算法,要求在对混合数据采样时,对准其中的一路信号进行采样,使得该路信号不存在码间干扰,从而使得网格图的状态个数由M2（L-1）变为M（L-1）（其中M为调制阶数,L为等效信道响应长度）,从而简化了分离模型,很大程度的降低了PSP算法的复杂度,使得PSP算法朝工程实用化方向更近了一步。仿真结果表明,改进的算法在降低复杂度的同时与传统PSP算法相比性能几乎没有损失。（4）提出了一种基于CHASE译码思想的新的PCMA信号盲分离算法。该算法对PSP软输出的结果进行可靠性排序,对于排序中可靠性较低的混合符号进行信号重构,通过重构信号和接收信号之间的欧式距离对比纠正其中的错误结果。仿真结果表明,该算法与现有SOVA-PSP算法相比,有2dB左右的性能增益。（5）提出了一种基于MCMC算法思路的新的PCMA信号盲分离算法。该算法利用吉布斯采样获取源信号重要采样值序列集合,并通过该集合计算源信号的后验对数似然比,避免了遍历源信号序列,降低了算法复杂度。进而对MCMC算法做了改进,通过多个符号联合更新的算法提高了算法的收敛速度。仿真结果表明,该算法相对于PSP算法,当两路信号时延差在2/8T附近时,性能上有1dB左右的增益。
二、信号盲分离及在过程控制系统中的应用（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、信号盲分离及在过程控制系统中的应用（论文提纲范文）
（1）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 |
（2）基于深度学习的同频混合信号单通道盲分离研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略语 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 同频混合信号单通道盲分离 |
| 1.2.2 深度学习在无线通信物理层上的应用 |
| 1.3 研究现状及问题总结 |
| 1.4 论文的主要内容与章节安排 |
| 第二章 盲分离与深度学习 |
| 2.1 引言 |
| 2.2 单通道同频混合信号盲分离 |
| 2.2.1 盲可分离性 |
| 2.2.2 单通道同频混合信号模型 |
| 2.2.3 传统算法介绍 |
| 2.2.4 传统算法的缺陷 |
| 2.2.5 盲分离性能界 |
| 2.3 深度学习基本理论 |
| 2.3.1 概述 |
| 2.3.2 神经元结构与感知机 |
| 2.3.3 激活函数 |
| 2.3.4 损失函数 |
| 2.3.5 反向传播算法 |
| 2.3.6 网络参数初始化 |
| 2.4 循环神经网络 |
| 2.4.1 基本结构 |
| 2.4.2 循环神经网络的训练 |
| 2.5 小结 |
| 第三章 时不变信道下同频混合信号单通道盲分离 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 基于深度学习的分离方案 |
| 3.3.1 网络结构设计 |
| 3.3.2 训练流程 |
| 3.3.3 训练数据的生成 |
| 3.4 网络结构优化 |
| 3.4.1 网络的收敛性 |
| 3.4.2 不同循环神经网络单元下的性能比较 |
| 3.4.3 不同网络规模下的性能比较 |
| 3.5 复杂度分析 |
| 3.6 仿真结果 |
| 3.6.1 RNN分离方法和PSP方法比较 |
| 3.6.2 性能评估 |
| 3.6.3 不同信号参数对分离性能的影响 |
| 3.6.4 联合译码与分离解调的性能 |
| 3.6.5 高阶调制信号盲分离 |
| 3.7 小结 |
| 第四章 时变信道下同频混合信号单通道盲分离 |
| 4.1 引言 |
| 4.2 信道与信号模型 |
| 4.2.1 时变瑞利信道模型 |
| 4.2.2 信号模型 |
| 4.3 神经网络辅助的信道插值与估计算法 |
| 4.3.1 导频位置信道估计 |
| 4.3.2 信道插值估计方法 |
| 4.3.3 网络结构 |
| 4.3.4 训练数据生成 |
| 4.3.5 训练流程 |
| 4.4 结合时变信道估计的盲分离 |
| 4.5 仿真结果 |
| 4.5.1 网络训练收敛性能 |
| 4.5.2 瞬时估计误差性能仿真 |
| 4.5.3 平均估计误差性能仿真 |
| 4.5.4 盲分离性能仿真 |
| 4.6 小结 |
| 第五章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（3）基于盲源分离的MRNBCA通信干扰一体化波形研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 一体化体制下的信号波形研究现状 |
| 1.2.2 盲源分离算法在无线通信系统中的研究现状 |
| 1.3 论文规划与安排 |
| 第2章 通信干扰一体化及盲源分离原理概述 |
| 2.1 基于直接序列扩频技术的一体化信号的产生 |
| 2.2 盲源分离数学模型概述 |
| 2.3 盲信号预处理技术 |
| 2.3.1 中心化处理 |
| 2.3.2 主分量分析 |
| 2.3.3 预白化处理 |
| 2.4 基于有界成分分析的盲源分离算法 |
| 2.4.1 基于源信号有界性假设的目标函数 |
| 2.4.2 优化算法 |
| 2.5 盲源分离算法的不确定性 |
| 2.6 分离性能评价指标 |
| 2.7 本章小结 |
| 第3章 一体化波形生成方法及分离模型研究 |
| 3.1 MRNBCA通信干扰一体化波形生成模型 |
| 3.1.1 MRNBCA隐蔽信息矩阵映射基本理论 |
| 3.1.2 MRNBCA基带信号矩阵生成理论 |
| 3.1.3 MRNBCA通信干扰一体化信号频谱特性研究 |
| 3.2 MRNBCA通信干扰一体化波形分离模型 |
| 3.2.1 MRNBCA基带信号波形分离算法研究 |
| 3.2.2 MRNBCA隐蔽信息矩阵逆映射基本理论 |
| 3.2.3 NBCA算法盲信号分离性能对比分析 |
| 3.2.4 NBCA算法参数仿真分析 |
| 3.3 MRNBCA通信干扰一体化信号波形设计参数分析 |
| 3.3.1 载体信号矩阵的基带映射形式 |
| 3.3.2 载体信号矩阵的样本点数 |
| 3.3.3 Toeplitz矩阵参数 |
| 3.3.4 信息矩阵映射阶数 |
| 3.4 16RNBCA通信干扰一体化信号频谱特性仿真分析 |
| 3.5 本章小结 |
| 第4章 MRNBCA通信干扰一体化信号波形性能评估 |
| 4.1 MRNBCA通信干扰一体化信号通信性能及隐蔽性研究 |
| 4.2 MRNBCA通信干扰一体化信号干扰性能研究 |
| 4.2.1 MRNBCA-QPSK信号干扰QPSK信号 |
| 4.2.2 MRNBCA-16QAM信号干扰16QAM信号 |
| 4.2.3 MRNBCA-64QAM信号干扰64QAM信号 |
| 4.3 MRNBCA通信干扰一体化性能研究 |
| 4.3.1 MRNBCA通信干扰一体化系统设计 |
| 4.3.2 基于MRNBCA和 DSSS通信干扰一体化系统仿真对比验证 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）基于PSP的单通道星载AIS混合信号分离与检测联合研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 星载AIS技术 |
| 1.3 盲分离与检测的国内外研究现状 |
| 1.3.1 盲分离研究现状 |
| 1.3.1.1 盲源分离研究背景 |
| 1.3.1.2 盲源分离主要技术手段 |
| 1.3.2 信号检测研究现状 |
| 1.3.3 基于PSP的信号处理研究现状 |
| 1.4 论文结构安排 |
| 1.4.1 本文的结构安排 |
| 第二章 单通道星载AIS信号模型及接收特性 |
| 2.1 单通道星载AIS信号模型 |
| 2.1.1 星载AIS相关技术指标 |
| 2.1.2 AIS消息帧结构 |
| 2.1.3 单通道星载AIS信号模型 |
| 2.2 星载AIS接收特性 |
| 2.2.1 接收信号的混合概率大 |
| 2.2.2 相对时延大 |
| 2.3 本章小结 |
| 第三章 基于改进PSP的 AIS混合信号分离与检测联合估计 |
| 3.1 逐幸存路径处理(PSP)算法 |
| 3.1.1 经典维特比算法 |
| 3.1.2 最大似然序列估计 |
| 3.1.3 PSP算法 |
| 3.2 基于PSP的盲分离与检测联合估计 |
| 3.2.1 混合信号模型近似线性处理 |
| 3.2.2 混合信号的盲分离与检测联合估计算法 |
| 3.3 算法仿真与分析 |
| 3.4 本章小结 |
| 第四章 基于改进双窗法的AIS混合信号混叠位置估计 |
| 4.1 基于传统双窗法的AIS信号突发位置检测 |
| 4.1.1 算法处理的信号模型 |
| 4.1.2 传统双窗检测法检测突发信号的突发位置 |
| 4.2 基于改进双窗法的AIS混合信号混叠位置检测 |
| 4.3 算法的性能仿真与对比 |
| 4.4 结论 |
| 第五章 基于PSP的 AIS混合信号分离与检测联合估计 |
| 5.1 分离与检测联合估计方法设计 |
| 5.2 AIS混合信号盲分离 |
| 5.2.1 混合信号的重叠位置估计 |
| 5.2.2 重叠段信号的盲分离 |
| 5.3 信号的检测与恢复 |
| 5.3.1 基于PSP的分割信号检测 |
| 5.3.2 原始信号的恢复 |
| 5.4 仿真结果与分析 |
| 5.5 结论 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（5）语音与背景乐音信号的分离算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 盲源分离概述 |
| 1.1.1 盲源分离简介 |
| 1.1.2 盲源分离常用的方法 |
| 1.2 研究背景及意义 |
| 1.3 研究现状及趋势 |
| 1.4 盲源分离的应用 |
| 1.5 本文的主要工作及结构 |
| 第二章 盲源分离的基本理论 |
| 2.1 统计独立性基本知识 |
| 2.1.1 统计独立性的条件 |
| 2.1.2 高阶统计量的特点 |
| 2.2 信息论 |
| 2.2.1 熵的特性 |
| 2.2.2 Kullback-Leibler熵的特性 |
| 2.2.3 互信息的特性 |
| 2.2.4 负熵的特性 |
| 2.3 评价标准 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第三章 盲源分离中的独立分量分析 |
| 3.1 独立分量分析概念 |
| 3.1.1 独立分量分析简介 |
| 3.1.2 独立分量分析的模型 |
| 3.1.3 ICA的假设条件和不确定性 |
| 3.2 独立分量分析的求解 |
| 3.3 ICA的预处理环节 |
| 3.3.1 中心化 |
| 3.3.2 白化 |
| 3.4 ICA的目标函数 |
| 3.4.1 基于最大化非高斯性的目标函数 |
| 3.4.2 其他目标函数 |
| 3.5 常见的智能优化算法 |
| 3.6 单形进化优化算法 |
| 3.6.1 算法简介 |
| 3.6.2 单形邻域搜索机制 |
| 3.6.3 多角色态进化策略 |
| 3.6.4 单形进化算法的步骤 |
| 3.7 本章小结 |
| 第四章 语音与背景乐音分离实验 |
| 4.1 基于MATLAB的音频混叠 |
| 4.2 基于单形进化算法的ICA |
| 4.2.1 单形进化算法步骤 |
| 4.3 分离实验测试与结果 |
| 4.3.1 语音与背景乐音的混叠分离实验 |
| 4.3.2 不同信号环境下的混叠分离实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 研究与展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士学位期间主要成果) |
（6）跳频信号侦察与跳频序列预测关键技术研究（论文提纲范文）
| 缩略词 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 跳频通信的基本原理与关键技术 |
| 1.2.1 跳频通信的基本原理 |
| 1.2.2 跳频通信的关键技术与技术指标 |
| 1.3 跳频信号侦察和跳频序列预测研究现状 |
| 1.3.1 跳频信号检测与跟踪研究现状 |
| 1.3.2 跳频信号参数估计研究现状 |
| 1.3.3 跳频信号分离研究现状 |
| 1.3.4 跳频序列预测研究现状 |
| 1.4 论文主要工作及内容安排 |
| 第二章 跳频信号的模型构建与半盲检测跟踪 |
| 2.1 引言 |
| 2.2 跳频信号的构建 |
| 2.2.1 跳频信号的生成流程与数学模型 |
| 2.2.2 跳频信号的帧结构设计 |
| 2.2.3 跳频信号的调制解调方式 |
| 2.3 基于时频分析的跳频信号半盲检测 |
| 2.3.1 常规的时频分析方法 |
| 2.3.2 基于变窗长组合时频分析方法的跳频信号检测 |
| 2.4 跳频信号的跟踪策略分析 |
| 2.4.1 捕获状态下的信号跟踪 |
| 2.4.2 解调状态下的同步校验 |
| 2.5 仿真实验与分析 |
| 2.5.1 跳频信号半盲检测性能仿真 |
| 2.5.2 跳频信号跟踪性能分析 |
| 2.6 本章小结 |
| 第三章 基于信道化MWC的跳频信号检测与频率估计 |
| 3.1 引言 |
| 3.2 MWC压缩采样基本原理 |
| 3.2.1 MWC研究的信号模型 |
| 3.2.2 MWC的系统结构 |
| 3.2.3 MWC的采样原理 |
| 3.2.4 MWC系统的信号重构 |
| 3.3 基于信道化MWC的跳频信号检测与频率估计 |
| 3.3.1 信道化MWC结构 |
| 3.3.2 改进的信道化MWC系统结构 |
| 3.3.3 跳频信号的检测和频率估计 |
| 3.4 仿真实验与分析 |
| 3.4.1 子信道检测 |
| 3.4.2 频率估计性能仿真。 |
| 3.5 本章小结 |
| 第四章 基于动态规划MWC的跳频信号跟踪与分离 |
| 4.1 引言 |
| 4.2 跳频信号跟踪与分离问题描述 |
| 4.3 跳频信号跟踪和分离结构设计 |
| 4.3.1 跳频信号跟踪 |
| 4.3.2 跳频信号分离 |
| 4.4 仿真实验与分析 |
| 4.4.1 跳频信号跟踪仿真 |
| 4.4.2 跳频信号分离仿真 |
| 4.5 本章小结 |
| 第五章 基于神经网络方法的混沌跳频序列预测与分离 |
| 5.1 引言 |
| 5.2 混沌跳频序列分析 |
| 5.2.1 混沌时间序列特性 |
| 5.2.2 混沌跳频序列构造 |
| 5.3 基于RBF神经网络的混沌跳频序列预测方法 |
| 5.3.1 RBF神经网络结构原理与训练方法 |
| 5.3.2 RBF神经网络的训练方法 |
| 5.4 同步组网混合跳频信号的预测与分离 |
| 5.4.1 同步组网混合跳频信号特性 |
| 5.4.2 同步组网跳频信号预测与分离设计 |
| 5.5 仿真实验与分析 |
| 5.5.1 序列预测与分离的评价标准 |
| 5.5.2 序列预测性能仿真 |
| 5.5.3 序列分离性能仿真 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）语音信号的数字化混沌遮掩通信及盲提取技术研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 信息隐藏技术及盲分离的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要工作及安排 |
| 第2章 语音信号的数字化及混沌遮掩技术 |
| 2.1 语音信号数字化的优点 |
| 2.2 语音编码的分类 |
| 2.2.1 波形编码 |
| 2.2.2 参数编码 |
| 2.2.3 混合编码 |
| 2.3 典型混沌系统及其混沌遮掩 |
| 2.3.1 Henon混沌系统 |
| 2.3.2 Chen混沌系统 |
| 2.3.3 Qi混沌系统 |
| 2.3.4 混沌遮掩及其保密特性 |
| 2.4 本章小结 |
| 第3章 正定含噪系统中数字语音信号的盲分离 |
| 3.1 ICA基本原理 |
| 3.2 正定系统模型建立 |
| 3.3 数字化编码方式的选取 |
| 3.4 二进制判决门限的选择 |
| 3.5 语音信号与混沌载体的时频分析 |
| 3.6 噪声影响及其分类 |
| 3.7 算法的评价指标 |
| 3.7.1 定性评价 |
| 3.7.2 定量评价 |
| 3.7.3 主观听觉感受 |
| 3.8 正定含噪系统中语音信号盲分离的实现 |
| 3.8.1 无干扰情况下语音信号盲分离 |
| 3.8.2 有干扰情况下语音信号盲分离 |
| 3.9 本章小结 |
| 第4章 欠定含噪混沌遮掩系统中语音信号的盲提取 |
| 4.1 欠定系统模型建立 |
| 4.2 欠定到正定模型的转化 |
| 4.3 经验模态分解算法 |
| 4.4 欠定含噪系统中语音信号的盲提取 |
| 4.5 算法可行性验证 |
| 4.5.1 无干扰情况下语音信号盲提取 |
| 4.5.2 有干扰情况下语音信号盲提取 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
| 攻读硕士学位期间参加的科研项目 |
（8）面向机械故障诊断应用的盲分离技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略术语表及数学符号 |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外盲分离技术研究进展 |
| 1.2.1 线性混叠盲分离算法 |
| 1.2.2 卷积混叠盲分离算法 |
| 1.2.3 非线性盲分离算法 |
| 1.2.4 欠定盲分离算法 |
| 1.3 盲分离技术在机械故障信号的测试技术研究进展 |
| 1.4 盲分离技术在机械故障诊断中的应用研究进展 |
| 1.5 课题来源、研究目标和研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 研究目标和研究内容 |
| 第二章 两种基于神经网络的线性盲分离算法研究 |
| 2.1 引言 |
| 2.2 基于自适应线性神经网络盲分离算法 |
| 2.2.1 SALNN-BSS模型 |
| 2.2.2 SALNN-BSS求解 |
| 2.3 小脑模型神经网络线性盲分离算法 |
| 2.3.1 CMAC-BSS结构 |
| 2.3.2 CMAC-BSS求解 |
| 2.4 两种算法对混叠信号处理的对比分析 |
| 2.5 本章小结 |
| 第三章 基于最小二乘法的欠定盲分离算法研究 |
| 3.1 引言 |
| 3.2 基于最小二乘法的欠定盲分离算法 |
| 3.2.1 LSM算法思想 |
| 3.2.2 LSM-UBSS模型 |
| 3.2.3 LSM-UBSS解的唯一性 |
| 3.3 LSM-UBSS在稀疏混叠信号分离中仿真 |
| 3.4 LSM-UBSS在非稀疏混叠信号分离中仿真 |
| 3.5 本章小结 |
| 第四章 冰蓄冷陈列柜故障信号的盲分离技术应用 |
| 4.1 引言 |
| 4.2 冰蓄冷陈列柜原理与装置 |
| 4.3 冰蓄冷陈列柜实验测控系统 |
| 4.4 冰蓄冷陈列柜的轴流风叶故障诊断实验 |
| 4.5 冰蓄冷陈列柜的轴流风叶和水泵同时故障诊断实验 |
| 4.6 本章小结 |
| 第五章 发动机噪声信号的盲分离技术应用 |
| 5.1 引言 |
| 5.2 发动机噪声信号采集平台装置 |
| 5.2.1 发动机噪声实验测试平台 |
| 5.2.2 发动机噪声测试实验 |
| 5.3 发动机噪声信号的盲分离 |
| 5.4 发动机异响信号CMAC-BSS诊断技术应用 |
| 5.5 本章小结 |
| 第六章 救生舱CO_2空调故障信号的欠定盲分离技术应用 |
| 6.1 引言 |
| 6.2 CO_2空调系统工作原理与装置 |
| 6.3 CO_2空调故障实验测控系统 |
| 6.4 CO_2空调系统故障信号分析 |
| 6.4.1 振动信号分析 |
| 6.4.2 噪声信号分析 |
| 6.4.3 CO_2空调系统振动信号特点 |
| 6.5 已知数目故障源的LSM-UBSS故障诊断实验 |
| 6.6 未知数目故障源的LSM-UBSS故障诊断实验 |
| 6.6.1 减法聚类 |
| 6.6.2 减法聚类的欠定盲分离算法 |
| 6.6.3 两种聚类的欠定盲分离算法仿真与分析 |
| 6.7 本章小结 |
| 结论与展望 |
| 一、结论 |
| 二、工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）成对载波多址接入信号盲分离技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 选题背景 |
| 1.1.2 课题研究目的及意义 |
| 1.1.3 项目研究内容及指标要求 |
| 1.2 PCMA信号关键技术 |
| 1.2.1 调制方式识别 |
| 1.2.2 信道参数估计及符号盲分离 |
| 1.2.3 编码和交织技术 |
| 1.3 PCMA信号盲分离研究现状 |
| 1.3.1 ICA分离方法 |
| 1.3.2 粒子滤波方法 |
| 1.3.3 逐留存路径方法 |
| 1.3.4 基于迭代译码的处理方法 |
| 1.4 本文主要内容及结构安排 |
| 第二章 PCMA系统通信原理及信号模型 |
| 2.1 PCMA系统通信原理 |
| 2.2 非合作PCMA信号模型 |
| 2.3 状态空间模型 |
| 2.4 PCMA信号可分离性 |
| 2.5 本章小结 |
| 第三章 基于粒子滤波的非合作PCMA信号盲分离 |
| 3.1 粒子滤波算法简介 |
| 3.1.1 序贯重要性采样 |
| 3.1.2 重采样 |
| 3.1.3 粒子滤波算法框架 |
| 3.2 基于粒子滤波的非合作PCMA信号盲分离原理 |
| 3.2.1 粒子轨迹更新 |
| 3.2.2 符号、参数的估计 |
| 3.3 基于粒子滤波的非合作PCMA信号盲分离算法 |
| 3.4 本章小结 |
| 第四章 基于改进粒子滤波的非合作PCMA信号盲分离 |
| 4.1 基于粒子滤波的PCMA信号盲分离算法存在的问题 |
| 4.2 改进的粒子滤波算法 |
| 4.2.1 基于改进算法的信道参数估计 |
| 4.2.2 基于最大似然准则的符号估计 |
| 4.3 基于改进粒子滤波算法的PCMA信号盲分离算法 |
| 4.3.1 参数估计算法 |
| 4.3.2 符号检测算法 |
| 4.4 性能仿真及分析 |
| 4.4.1 参数估计性能 |
| 4.4.2 符号盲分离性能 |
| 4.4.3 过采样倍数对算法性能影响 |
| 4.4.4 信噪比对粒子滤波算法性能影响 |
| 4.5 本章小结 |
| 第五章 基于Turbo迭代译码的PCMA信号盲分离 |
| 5.1 Turbo码 |
| 5.1.1 Turbo码的编码器 |
| 5.1.1.1 卷积码 |
| 5.1.1.2 编码器的结构 |
| 5.1.2 Turbo码的译码器 |
| 5.1.2.1 最大后验概率译码（MAP算法） |
| 5.1.2.2 简化的LOG-MAP算法 |
| 5.2 迭代分离译码原理 |
| 5.2.1 盲分离模块 |
| 5.2.2 SISO逆映射模块 |
| 5.2.3 SISO映射模块 |
| 5.3 基于Turbo迭代译码的PCMA信号盲分离算法 |
| 5.4 性能仿真及分析 |
| 5.4.1 Turbo码的译码器性能 |
| 5.4.2 基于迭代的盲分离系统性能 |
| 5.4.3 基于 Turbo 迭代的盲分离系统性能影响因素分析 |
| 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 |
| 攻读硕士学位期间的研究成果 |
（10）欠定盲源分离和PCMA信号盲分离技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章. 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 盲信号分离问题模型 |
| 1.3 盲信号分离技术的应用 |
| 1.4 盲信号分离技术发展现状 |
| 1.4.1. 正定和超定盲信号分离 |
| 1.4.2. 欠定盲信号分离 |
| 1.4.3. 单通道盲信号分离 |
| 1.5 本文主要工作及内容安排 |
| 第二章. 线性瞬时混合盲信号分离的理论基础 |
| 2.1 线性瞬时混合模型 |
| 2.2 盲信号分离的先验条件 |
| 2.3 盲信号分离的预处理 |
| 2.4 盲信号分离相关的基础理论 |
| 2.4.1. 概率统计相关知识 |
| 2.4.2. 峭度 |
| 2.4.3. 负熵 |
| 2.4.4. Kullback-Leibler散度和互信息 |
| 2.5 盲信号分离的常用方法 |
| 2.5.1. 基于非高斯性的盲信号分离算法 |
| 2.5.2. 基于线性预测的盲信号分离算法 |
| 第三章. 欠定语音信号盲分离 |
| 3.1 基于广义高斯分布的信号稀疏性度量 |
| 3.2 欠定稀疏盲信号分离模型 |
| 3.3 单源区间 |
| 3.4 混叠矩阵的估计 |
| 3.5 源信号的估计 |
| 3.6 仿真实验及结果分析 |
| 3.7 本章小结 |
| 第四章. 基于PSP的单通道PCMA盲信号分离 |
| 4.1 单通道盲信号分离 |
| 4.2 PCMA信号简介 |
| 4.3 PCMA信号盲分离模型 |
| 4.4 PSP算法 |
| 4.5 基于前馈非二元码SOVA-PSP软输出分离算法 |
| 4.5.1 前馈非二元码SOVA |
| 4.5.2 前馈非二元码SOVA-PSP盲分离算法的软输出计算 |
| 4.5.3 仿真实验及结果分析 |
| 4.6 基于非二元码BCJR-PSP的PCMA信号盲分离算法 |
| 4.6.1 算法原理 |
| 4.6.2 仿真实验及结果分析 |
| 4.7 单路定时准确时低复杂度PSP算法 |
| 4.7.1 算法原理 |
| 4.7.2 算法复杂度分析 |
| 4.7.3 仿真实验及结果分析 |
| 4.8 基于CHASE译码思想的PCMA盲分离算法 |
| 4.8.1 算法原理与实现 |
| 4.8.2 算法复杂度分析 |
| 4.8.3 仿真实验及结果分析 |
| 4.8.4 分离结果错误情况分析 |
| 4.9 本章小结 |
| 第五章. 基于马尔科夫链蒙特卡洛的软输出PCMA盲信号分离算法 |
| 5.1 ISI信道模型 |
| 5.2 基于MAP准则的后验对数似然比 |
| 5.3 MCMC算法原理 |
| 5.3.1 吉布斯采样 |
| 5.3.2 计算后验对数似然比 |
| 5.4 改进的MCMC算法 |
| 5.5 基于MCMC的软输出PCMA盲信号分离算法 |
| 5.6 算法复杂度分析 |
| 5.7 仿真实验 |
| 5.8 本章小结 |
| 第六章. 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、信号盲分离及在过程控制系统中的应用（论文参考文献）
- [1]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)
- [2]基于深度学习的同频混合信号单通道盲分离研究[D]. 陈宸. 上海交通大学, 2020(01)
- [3]基于盲源分离的MRNBCA通信干扰一体化波形研究[D]. 王心宇. 哈尔滨工程大学, 2020(05)
- [4]基于PSP的单通道星载AIS混合信号分离与检测联合研究[D]. 张启超. 天津理工大学, 2020(05)
- [5]语音与背景乐音信号的分离算法研究[D]. 肖超. 昆明理工大学, 2020(05)
- [6]跳频信号侦察与跳频序列预测关键技术研究[D]. 雷紫微. 国防科技大学, 2019(01)
- [7]语音信号的数字化混沌遮掩通信及盲提取技术研究[D]. 郑远硕. 黑龙江大学, 2017(04)
- [8]面向机械故障诊断应用的盲分离技术研究[D]. 高俊文. 华南理工大学, 2016(01)
- [9]成对载波多址接入信号盲分离技术研究[D]. 刘国连. 电子科技大学, 2015(02)
- [10]欠定盲源分离和PCMA信号盲分离技术研究[D]. 杜健. 解放军信息工程大学, 2014(07)