基于Hough变换的时频盲源分离算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (21): 26-30.

基于Hough变换的时频盲源分离算法

郭靖1，2，曾孝平2

1.西南大学电子信息工程学院，重庆 400715
2.重庆大学通信工程学院，重庆 400044

出版日期:2012-07-21 发布日期:2014-05-19

Time-frequency blind source separation based on Hough transform

GUO Jing1，2, ZENG Xiaoping2

1.School of Electronic and Information Engineering, Southwest University, Chongqing 400715, China
2.College of Communication Engineering, Chongqing University, Chongqing 400044, China

Online:2012-07-21 Published:2014-05-19

摘要/Abstract

摘要： 1998年，Belouchrani，A和Amin，M.G基于时频分布提出了一种经典的时频盲源算法，不足是当有噪声存在时，性能会下降。主要考虑源噪声的盲源分离问题，以Wigner分布计算观测信号的时频阵并将其看做图像，利用Hough变换将信号检测转换为在参数空间寻找局部极大值的问题，运用自项点理论选择合适的矩阵进行联合近似对角化估计源信号。该方法扩展了盲源分离的限制条件，且通过把噪声能量扩展到整个参数平面而只选择信号能量占主导的时频点，对噪声具有一定的抑制能力。

关键词: 源噪声, Wigner分布, Hough变换, 盲源分离

Abstract: A classical Blind Source Separation（BSS） algorithm based on Time-Frequency Distribution（TFD） was proposed by Belouchrani, A and Amin, M.G in 1998. When noise is present, however, this algorithm’ performance will decrease. This paper introduces a new BSS approach for source noise, which is achieved by firstly calculating the Wigner TFD matrix of observed signals, and uses the Hough transform to convert the signals detection to find the local peak values in the parameter space through considering the TFD as an image, followed by joint diagonalization of a combined set of matrix selected by auto-term theory, to estimate the source signals. This method extends the BSS constraints, and increases the robustness by spreading the noise power while localizing the source energy in the time-frequency domain.

Key words: source noise, Wigner distribution, Hough transform, blind source separation

郭靖1，2，曾孝平2. 基于Hough变换的时频盲源分离算法[J]. 计算机工程与应用, 2012, 48(21): 26-30.

GUO Jing1，2, ZENG Xiaoping2. Time-frequency blind source separation based on Hough transform[J]. Computer Engineering and Applications, 2012, 48(21): 26-30.

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	30

	来源	本网站

	次数	30
	比例	100%

摘要

114

最新录用	在线预览	正式出版

0	0	114

	来源	本网站

	次数	114
	比例	100%

[1]	赵青，冶继民，常芳丽. 两正定矩阵联合对角化盲分离算法[J]. 计算机工程与应用, 2019, 55(7): 214-219.
[2]	郑行家，钟宝江. 图像直线段检测算法综述与测评[J]. 计算机工程与应用, 2019, 55(17): 9-19.
[3]	高建龙1，2，郭亮1，吕耀宇1，2，吴清文1，母德强3. 改进ORB和Hough变换的指针式仪表识读方法[J]. 计算机工程与应用, 2018, 54(23): 252-258.
[4]	沈夏炯1，2，段晓宇2，原万里2，韩道军1，2. 基于连通区域标记算法的圆检测算法的研究[J]. 计算机工程与应用, 2018, 54(21): 95-98.
[5]	王恒友，余沾，张长伦，何强. 基于低秩矩阵分解的批量扫描文档图像纠偏[J]. 计算机工程与应用, 2018, 54(17): 175-179.
[6]	沈成业，张雪英，孙颖，畅江. 小波变换结合盲源分离的EEG情感识别[J]. 计算机工程与应用, 2018, 54(10): 164-168.
[7]	何安玲，何选森. 基于有理非线性函数的Fast-ICA算法[J]. 计算机工程与应用, 2018, 54(1): 251-255.
[8]	陈梦，何选森. 基于八阶收敛牛顿迭代的Fast-ICA改进算法[J]. 计算机工程与应用, 2017, 53(11): 178-181.
[9]	邓大鹏，李骏，丁德强，贺翥祯. 适用于时变系统的在线盲源分离算法研究[J]. 计算机工程与应用, 2016, 52(3): 74-80.
[10]	李彩林，冯朝晖，邓晓景，韩磊. 复杂地物背景下的电力线提取方法[J]. 计算机工程与应用, 2016, 52(22): 198-202.
[11]	黄梦涛，魏璐. 基于机器视觉的镭射膜跑偏检测[J]. 计算机工程与应用, 2016, 52(20): 204-208.
[12]	蔡伟华，何选森. 基于UWT和独立分量分析的含噪盲源分离[J]. 计算机工程与应用, 2016, 52(16): 180-185.
[13]	吴龙华1，朱嘉钢1，陆晓2. 抑制边缘效应的自适应单通道盲源分离[J]. 计算机工程与应用, 2016, 52(14): 130-135.
[14]	赵方1，石晟1，闫民2. 普通光照下叶片图像特征信息抽取[J]. 计算机工程与应用, 2015, 51(5): 156-166.
[15]	杨炜1，巩建强2，魏朗1. 融合道路图像关键信息的车距视觉测量方法[J]. 计算机工程与应用, 2015, 51(23): 6-10.