需要金幣： 2000 個金幣 |
資料包括：完整論文 |  |
 |
| 轉(zhuǎn)換比率：金額 X 10=金幣數(shù)量， 例100元=1000金幣 | 論文字數(shù)：9307 |  | |
| 折扣與優(yōu)惠：團購最低可5折優(yōu)惠 - 了解詳情 | 論文格式：Word格式(*.doc) |  |
摘要:20世紀有一種稱為“盲處理”的全新的信號處理方式進入了人們的視野。這種全新的手段剛一出現(xiàn)，就迅速的發(fā)展起來，很快成為了計算智能學(xué)的核心研究內(nèi)容之一。盲信號處理是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，融合了統(tǒng)計信號學(xué)，最后與信息理論相結(jié)合的先進處理方式。盲信號處理不但具有可靠的理論基礎(chǔ)，還有廣泛的使用范圍，這些良好的條件使盲信號處理成為一些領(lǐng)域研究與發(fā)展的重要課題，在各個領(lǐng)域都呈現(xiàn)了不俗的潛力。 文中將介紹“盲處理”的發(fā)展過程和應(yīng)用領(lǐng)域，大致分析“盲處理”的主要工作原理。在對“盲處理”的這種方式有了大體認知之后，選擇獨立成分分析方法中的FastICA和Infomax來探究“盲處理”在語言信號處理方面的性能。 FastICA算法的搜索方向是負熵最大，當(dāng)非高斯性度量達到最大時，則表明已完成對各獨立分量的分離。Infomax算法，則是根據(jù)最大程度的保持輸入信息量，使用梯度算法對神經(jīng)網(wǎng)絡(luò)進行調(diào)整，再對信號進行分離。依據(jù)兩種算法的特性，編譯程序，使用MATLAB來對信號進行分離。觀察分離情況，發(fā)現(xiàn)去噪時，F(xiàn)astICA的效果較好，而語音信號分離時則Infomax的效果更出色。
關(guān)鍵詞：語音信號；盲源分離；獨立分量分析；固定點算法；基于信息極大法
目錄 摘要 Abstract 1 緒論-1 1.1 研究背景與意義-1 1.2 盲源分離的國內(nèi)外研究現(xiàn)狀-1 1.3 本論文的主要研究內(nèi)容及安排-3 2 盲信號處理-4 2.1 盲源分離的數(shù)學(xué)模型-4 2.2 盲信號處理的方法-4 2.3 盲信號處理的分類-5 2.4 盲信號處理的主要應(yīng)用-5 3 FastICA算法-7 3.1 FastICA算法原理-7 3.2 FastICA算法步驟和程序框圖-8 3.3 FastICA算法結(jié)果圖-9 4 Infomax算法-11 4.1 Infomax算法原理-11 4.2 Infomax程序框圖和算法步驟-12 4.3 Infomax算法結(jié)果圖-13 結(jié) 論-15 參 考 文 獻-16 附錄A 程序-18 致 謝-22 |
