盲源分离开题报告

1、南京邮电大学专业学位硕士研究生学位论文开题报告学号1215012537姓名赵城手业（领域）电子与通信工程所在学院通信与信息工程学院实践企业南京邮电大学已获得的课程学分28是否达到培养计划要求是未完成的课程及预计完成时间无补修课程及成绩无初定论文题目基于稀疏表示的盲源分离技术研究论文选题来源国家自然科学基金和江苏省自然科学基金论文类型应用研究论文形式应用技术研究论文1、 选题依据（综述报告）背景及发展趋势：在现实生活和自然界中存在许多我们人类需要不断去认知和获取的信息，这主要包括视觉、听觉等方面的信息，但这些信息通常是纷繁复杂的，有用、无用、准确、不准确、真实的、虚假的

2、。这就给人们的生活和工作带來了诸多不便和困难，因为人们不但需要去辨别信息的真伪，还需要从这些已获取的信息中提取出自己关心和感兴趣的内容。盲信号分离问题的主要任务就是从大量数据中提取出人们所希望得到的信息。信号处理理论告诉我们，一个系统是由有着相互联系的输入信号、输出信号和系统特征三者构成的，如果我们知道其中任意的两个，第三个就能求出。但在真实的情形中，是不可能事先知道输入信号与系统特征信息的，在信源和信道未知或部分未知的情况下求解原信号的问题在学术上称之为盲源分离。盲信号分离问题的科学定义指的是在源信号与传输信道的先验知识都未知的情况下，根据仅有的源信号的统计特性，由所得到的观测信号分离或恢复

3、出源信号的过程。由于无从得知源信号和传输信道的先验信息，盲信号分离问题具有极大的难度，但这种情形在许多实际环境中又的的确确存在，比如有名的鸡尾酒会问题。信号盲源分离问题的研究最早是由法国的J.Herauh和C.Jutten在1985年左右开始的，他们的方法现在常称为算法 1。90年代，L.Tong、Comon、曹希仁等学者在盲源分离的可分性问题上作出了许多卓有成效的工作23。1994年，Comom将数据处理与压缩的主分量分析（Principal Component Analysis. PCA）加以扩展成为独立分量分析（Independent Component Correlation Algo

4、rithm .ICA），阐述了独立分量分析这一概念2，提出了ICA方法的基本假设条件，并明确指出，应该通过某个称为对比函数的目标函数达到极大值来消除观测信号中的高阶统计关联，以实现线性混合的ICA。1995年，Bell和Sejnowski 4利用神经网络的非线性特性来消除观测信号中的高阶统计关联，并把盲分离问题归入信息论框架，用信息最大化准则建立目标函数(Infomax算法)。1999年，Hyvarinen和Oja基于源信号的非高斯性测度，给出一类定点算法(Fixed-Point) 法，其具有非常快的收敛速度，因此也称为FastICA 5，该方法至今仍然被广泛应用于盲源分离问题中。随后，Zha

5、ng、Ci-chocki和Amari发展了处理线性盲源分离/解卷积问题的状态空间方法，并推导出了相应的自然梯度算法6。另一方面，随着稀疏表示理论的提出，人们开始尝试利用稀疏表示实现盲源分离，在1998年，Chen、Donoho and Saunders等人就讨论在一组超完备(如小波基)下使用大规模线性规划寻找信号的稀疏表示7。2001年前后，Zibulevsky，Kisilev， Zeevi和Pearlmutter等先后发表了关于信号字典、超完备、稀疏分解方法的多篇文章8。2004年，李远青在Neuro Computations分析了稀疏表示和欠定的盲分离问题9。近年来，基于稀疏表示理论和字典

6、学习的单通道盲源分离问题逐渐成为人们研究的热点，文献10是一个单通道盲信号分离问题的综述，总结了单通道盲信源分离常用的研究方法，文献1112提出了基于部分字典学习和在线字典学习的的盲源分离方法。与此同时，人们更加关注盲源分离理论在生产、生活中的应用13。根据上文的论述，结合已有的研究成果，我们可以对盲源分离问题作出下面的分类，并针对不同的类别给出不同的研究方法。从源信号与观察信号数量关系上区分，现有的盲信号分离算法可以分为两类：第一类算法能够处理观察信号数量大于或等于源信号数量的情形，这种情形称之为超定。研究者们提出了许多效果良好的算法，例如PCA、ICA，最大信息熵(Infomax)方法，最

7、大化负熵方法，最大化似然估计，基于信号时间关联性的方法(SOBI)等，采用上述方法，以及能够较好的求解这一类超定、适定盲源分离问题，故这一类问题以及不是研究的重点。第二类算法是处理观察信号数量小于源信号数量的情形，这种情况称为欠定，对于欠定情形，求解欠定问题的一个必备条件是原信号必须具有稀疏性，由于在日常生活中的信号不是稀疏的,为了使信号足够的稀疏,将信号进行变换,在变换域中得到足够稀疏的信号,如对混合信号进行时频变换、小波变换预处理9,随着稀疏字典的出现，人们也开始利用字典对信号进行稀疏表示1112。在得到稀疏的原信号后，欠定盲源分离问题可以按照下面的方法展开。先估计出混叠矩阵A，然后利用刚

8、得到的混叠矩阵A来进一步估计出源信号或者是在迭代过程中对混叠矩阵A和源信号两者交替估计,因此总可以把欠定盲分离问题归结为两步法来实现。对混合矩阵的估计以及原信号的重构成为目前研究的热点，求解混合矩阵的方法目前主要采用的是聚类的方法,如势函数法、均值法、模糊C均值法、基于霍夫直线检测的方法。估计原信号的方法也是盲源分离问题的研究重点。目前，重构算法主要分为三类。基于范数最小化的贪婪类算法，比如正交匹配追踪15(Orthogonal Matching Pursuit, OMP)算法；基于范数最小化的凸优化算法，比如基追踪1617 (Basis Pursuit, BP)法；以及它们的组合算法。同时，

9、平滑 算法开始被用到重构方法中1819。技术难度：本课题在基于稀疏表示进行语音后，拟进一步研究压缩感知主要三个核心问题： （1）选择合适的稀疏基使语音信号尽可能的稀疏； （2）混合矩阵的估计； （3）快速鲁棒的信号重构算法设计；在每一个过程中，需要结合语音信号自身的特性设计多种方法，对结果进行分析比较，从而找出一种最合适的方法，使得能够高质量的重构出原始信号。参考文献：1 . Jutten C and Herault J. Blind separation of sources， part: an adaptive algorithm based on neuromimetic archite

10、ctureJ.SignalProeessing，1991，28:l-102 . Comon P. Independent Component Analysis， A New ConceptJ.Signal Processing，1994，36(3):287-314.3 . Cao X R and Liu RW. General approach to blind source separationJ.IEEE Transactions on Signal Proeessing，1996，44(3):562一5714 . Bell A J， Sejnowski T J. A informatio

11、n-maximization approach to blind source separation and blind deconvolution J. Neural Computation， 1995， 7(6): 1129-1159.5 . Hyvarinen A. Fast and Robust Fixed-Point Algorithms for Independent Component AnalysisJ.IEEE Trans On Neural Networks， 1999， 10(3):626-634.6 . Zhang L，Amari S， Cichocki A. Natu

12、ral Gradient Approach to Blind Separation of Over-and Under Complete MixturesC/ Proc of the First International Workshop on Independent Component Analysis and Signal SeparationICA99， Aussois，France，1999:455-460.7 . Cichocki A，Zhang L. Two-Stage Blind Deconvolution Using State-Space ModelsC/Proceedin

13、gs of the Fifth International Conference on Neural Information Processing(ICONIP98)，Kitaky-ushu，Japan，1998:729-732.8 . P. Bofill， M. Zibulevsky. Underdetermined source separation using sparse representationJ. Signal processing，2001， 81，2353-2362.9 . Y. Li， A. Cichocki，S. Amari. Analysis of sparse re

14、presentation and blind source separationJ. Neural computation， June 2004， vol. 16， no.6，1193-1234.10. 彭耿,黄知涛等.单通道盲信号分离研究进展与展望J.中国电子科学研究院学报,2009,03:268-277.11. Plumbley M D, Blumensath T, Daudet L, et al. Sparse representations in audio & music: from coding to source separationJ. Proceedings of the I

15、EEE, 2010, 98(6):995 - 1005.12. Shapoori S, Sanei S, Wang W. Blind Source Separation of Medial Temporal Discharges via Partial Dictionary LearningC/ IEEE International Workshop on MACHINE LEARNING FOR SIGNAL PROCESSING. 2015.13. Rambhatla S, Haupt J. Semi-blind source separation via sparse represent

16、ations and online dictionary learningC/ Asilomar Conference on Signals, Systems and Computers. IEEE, 2013.14. 练秋生,石保顺等.字典学习模型、算法及其应用研究进展J.自动化学报,2015,41(2):240-60.15. M. Yang and F. de Hoog, Orthogonal Matching Pursuit With Thresholding and its Application in Compressive Sensing, in IEEE Transactions

17、 on Signal Processing, vol. 63, no. 20, pp. 5479-5486, Oct.15, 2015.16. 杨真真,杨震,孙林慧. 信号压缩重构的正交匹配追踪类算法综述J. 信号处理,2013,04:486-496.17. Ekanadham, D. Tranchina and E. P. Simoncelli, Recovery of Sparse Translation-Invariant Signals With Continuous Basis Pursuit, in IEEE Transactions on SignalProcessing, vo

18、l. 59, no. 10, pp. 4735-4744, Oct. 2011.18. H. Mohimani, M. Babaie-Zadeh and C. Jutten, A Fast Approach for Overcomplete Sparse Decomposition Based on Smoothed L0 Norm, in IEEE Transactions on Signal Processing, vol. 57, no. 1, pp. 289-301, Jan. 2009.19. 杨良龙, 赵生妹, 郑宝玉,等. 基于SL0压缩感知信号重建的改进算法J. 信号处理, 2

19、012, 28(6):834-841.二、课题内容及具体方案研究内容及拟采用的设计方法：本课题基于稀疏表示分离语音信号，在充分考虑语音语音信号自身特点的基础上，实现多个混叠信号的分离。重点在于拟提出一种稀疏基使语音信号在某个变换域内用尽可能少的非零值进行表示，而不同语音信号在此稀疏域内不能够稀疏的表示。同时，本课题拟提出一种重构算法使稀疏表示后的语音信号能够实现高质量的重构，本课题拟采用一种改进的OMP重构算法对语音信号进行重构。（一）选取稀疏基假设有限实值离散空间为，它的基向量为（i=1，2，.，N），则空间内任意信号（N个信息量）可以表示为： 式（1）式（1）中是由基向量（i=1，2，.，

20、N）构成的NN正交矩阵，矩阵s是信号x在域稀疏后的矩阵。信号稀疏指的是当0p0时，如果矩阵s有K个非零值（或大系数）且KN，则s称为x在域的K阶稀疏矩阵（稀疏度为K）。使用稀疏表示的前提是信号是稀疏的，信号越稀疏，重构信号就越精确。因此稀疏基的选择将会影响重构时间的长短和重构质量的好坏。经过几十年的研究，已经提出多种信号系数的表示方法，主要分为三大类：正交基矩阵，多尺度几何变换以及过完备字典。稀疏基的分类如图1所示。信号稀疏基冗余字典多尺度几何变换正交基变换字典训练人工构造离散余弦变换CurveletRidgeletBandeletcontourlet傅里叶变换小波变换图2 稀疏基的分类多尺度

21、几何变换以“最优”图像表示理论为基础，解决了高维信号稀疏表示的问题，并且取得了很好的效果，但是对一维信号来说不能得到最稀疏的解。冗余字典的优点是它能够使信号达到最稀疏的状态，稀疏后的信号只有在很少的位置有值并且值很大，大部分位置的值为零；这种方法是利用参数以及含参数的函数来近似表达信号，那么参数的选取是主要解决的问题，另外随着冗余字典的基向量大大增加，计算复杂度升高。正交基变换对高维信号如图像和视频信号等效果不好，但是它对处理一维信号有比较好的效果，而且选择的稀疏基是唯一的，计算简单、性能比较稳定。语音信号是一维的，并且在频域、离散余弦变换（Discrete Cosine Transform.

22、 DCT）变换域、小波域（wavelet）都有可稀疏性。本课题拟采用DCT作为稀疏基，选择DCT作为稀疏基的原因在于DCT是一种正交投影的方法，它具有与语音信号较匹配独立的变换核函数，是应用于语音稀疏分解的最佳方法之一。（二）重构算法重构算法主要有基于范数最小化的贪婪迭代匹配追踪系统算法，如MP、OMP、梯度类算法等；基于范数最小化的凸优化算法，如基追踪法、内点法等；相关参考文献指出，贪婪算法主要思想是每次迭代时得到的不是精确解，而是选择迭代点的局部最优解逼近原始信号。贪婪算法计算简单、重构效果好，但大部分贪婪算法要求已知信号的稀疏度，在实际中比较难以满足。凸优化算法是把范数的求解问题转换成范

23、数，从而解决范数的NP难题。凸优化算法信号重构率高，所需的观测点少。但是，计算复杂度高，计算速度比较慢。综合考虑，本方案拟采用OMP算法，并在此基础上做出改进，以达到较好的分离效果。（三）混合矩阵的估计混合矩阵的估计是稀疏源盲分离的关键组成部分,其估计精度直接影响到源信号的估计精度，常用的基于势函数表示的方法、基于K均值聚类、基于谱聚类方法、模糊C均值法、基于霍夫直线检测以及基于粒子群优化求解的方法。考虑到语音信号自身的特性，各种算法的理论完备性以及算法的实现复杂度等因素，本课题拟采用K均值聚类方法来估计混合矩阵，也就是机器学习中的K-means，并在此基础上给出改进算法。（四）分离语音的性能

24、评价（1）主观评价语音信号主观评价语音信号一般采用MOS（Mean Opinion Score）值，本课题拟采用ITUP.862的PESQ程序对原始的语音信号和重构后的语音信号的对比来得到MOS分，实现对语音信号质量的客观评价。如表1所示，不同的MOS分所对应的重构信号的质量。表1 MOS值对应的重构信号质量MOS值质量级别失真级别5优不察觉4良稍有察觉3一般稍有察觉且有点厌烦2差明显察觉但可以忍受1很差无法忍受（2）客观评价语音信号衡量一段语音信号的重构质量，一般用Averge Frame Signal to Noise Ratio（简称AFSNR，中文称为平均帧信噪比），它的表达公式如式（

25、2）： 式（2） 其中，N是语音信号的总帧数。AFSNR越大，说明信号重构质量越好，反之，信号的重构质量越差。实验可行性本课题主攻方向明确，研究目标适度，拟解决的关键问题均有有效的对策，课题具有良好的前期研究基础，因而是切实可行的。国内外已在相关方面作了一定的理论性探讨，为本课题研究提供了有益的参考。本人到目前为止已对稀疏表示的基本算法及其在语音信号盲源分离中的应用等进行了一定的预研工作，做了较充分的前期准备。因此，相信能够达到预期的研究目标。三、工作进度安排2015年9月2016年9月：基础理论学习，收集和阅读文献，跟踪国内外最新研究动态，做好相关的理论准备和进一步的预研工作；2016年9月2017年3月：在充分研，掌握相关理论和预研工作的基础上，确定技术方案，建立相关模型；2017年6月2017年9月：在建立相关模型的基础上，对基于稀疏表示的盲源分离进行理论分析和系统仿真；2017年9月201