TY - JOUR JF - jnsee JO - VL - 2 IS - 1 PY - 2014 Y1 - 2014/6/01 TI - Noisy Blind Source Signal Separation Based on Nonlinear Autocorrelation Using LMS Algorithms In DWT Domain TT - جداسازی کور سیگنال‌های منبع براساس تابع خود همبستگی غیرخطی در حوزه‌ی ویولت با در نظر گرفتن نویز مشاهدات با استفاده از الگوریتم LMS N2 - آنالیز مولفه‌های مستقل و استفاده از آن در حل مسئله جداسازی کور سیگنال‌های منبع یکی از مهم‌ترین مسائلی است که در دهه‌ی اخیر توجه زیادی از محققین شاخه‌های مختلف علوم مهندسی را به خود جلب کرده است. در این آنالیز خواص آماری مراتب بالا برای جداسازی کور سیگنال‌ها به‌کار گرفته می‌شود. در این مقاله جداسازی سیگنال‌های منبع که در یک محیط نویزی با هم ترکیب شده‌اند مورد توجه قرار گرفته است و از تابع خودهمبستگی غیرخطی سیگنال‌های منبع در حوزه ویولت به‌عنوان تابع هدف استفاده شده و با استفاده از الگوریتم LMS1 نقطه‌ی ماکزیمم این تابع محاسبه می‌شود. ابتدا ضرائب ویولت گسسته‌ی مربوط به سیگنال‌های مرکب نویزدار محاسبه شده و سپس بر مبنای ضرائب تقریب به‌دست آمده از تجزیه‌ی ویولت و الگوریتم LMS، نقطه‌ی ماکزیمم تابع هدف مورد نظر محاسبه شده و در نتیجه ضرائب فیلتر تخمین ‌به‌دست می‌آیند. سپس با استفاده از این فیلتر سیگنال‌های منبع از هم جدا می‌شوند. از دو پارامتر 1) شاخص بازده و 2) نسبت سیگنال به تداخل و اثر گذاری نویز، برای نشان دادن کارایی الگوریتم ارائه شده، استفاده می‌شود. نتایج شبیه‌سازی در سه قسمت براساس سیگنال‌های تصادفی گوسی، سیگنال‌های صحبت و سیگنال‌های الکتروکاردیوگرام نشان داده ‌شده‌اند. در این مقاله اثر سطح تجزیه در حوزه‌ی ویولت نیز مورد توجه قرار گرفته است. در انتها نتایج به‌دست آمده با الگوریتم جدید (NoisyNA)Shi مقایسه می‌شود. ملاحظه می‌شود که به‌دلیل استفاده از تبدیل ویولت و افزایش میزان همبستگی غیرخطی در این حوزه، نتایج بهتری به‌دست می‌آید. SP - 59 EP - 80 AD - KW - BSS KW - ICA KW - Nonlinear Autocorrelation Function KW - LMS Algorithm KW - Speech Signal Processing KW - Electrocardiogram Signals KW - Discrete Wavelet Transform KW - NoisyNA UR - http://journals.sut.ac.ir/jnsee/article-1-41-fa.html ER -