稀疏表示及其在盲源分离中的应用研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61104053
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    23.0万
  • 负责人：
    杨祖元
  • 依托单位：
    广东工业大学
  • 学科分类：
    F03.自动化
  • 结题年份：
    2014
  • 批准年份：
    2011
  • 项目状态：
    已结题
  • 起止时间：
    2012-01-01 至2014-12-31

项目摘要

稀疏表示（Sparse representation）是信号处理领域的一个热点问题，在盲源分离、数据压缩等领域具有广泛的应用前景。然而作为一种新的研究领域，其在理论以及应用方面的发展仍然面临许多挑战。本课题将研究稀疏表示中的一些难点问题，并将该方法应用于盲信号分离领域中，致力于解决如下问题："信号稀疏表示的词典选择"，"信号的稀疏性度量，特别是多个信号的联合度量"，"稀疏表示唯一性分析和算法设计"，以及"基于稀疏表示的盲分离算法设计"。围绕上述问题，本课题将讨论最稀疏表示的唯一性条件，使其为解决盲分离问题提供理论基础；同时，结合新的信号词典以及稀疏性度量，发展稀疏表示算法，并进一步发展基于稀疏表示的盲分离方法，特别是源的个数远多于传感器个数的欠定盲分离算法。

结项摘要

稀疏表示是信号处理领域的一个研究热点，在盲源分离、压缩感知、生物医学信号处理等领域具有广泛的应用前景。本课题集中研究稀疏表示理论、算法及其在盲信号分离、压缩感知、胎心电信号处理领域的应用，主要成果及意义如下。..在稀疏表示方面：通过分析多信号的综合稀疏性，设计了基于行列式的稀疏性新度量，扩展了美国科学院院士Donoho教授针对单个信号稀疏性所做的研究工作。同时，根据对信号联合稀疏性的研究，构造了新的稀疏表示词典。此外，根据信号的块稀疏结构，为稀疏表示设计了改进的块不动点算法。..在盲源分离方面：通过分析信号的凸几何结构，提出了新的源可分性条件，放松了美国生物医学工程协会Fellow Wang教授所开发的基于纯像元的盲可辨识性条件，为非负盲分离可分性理论研究打下了基础。同时，根据信号的时频结构，提出了欠定盲分离问题中，不依赖于活动源情况下，可分源数量N与观测器M（M<N）之间的关系，即N<2M。此外，结合信号的稀疏性与非负特性，设计了一系列盲分离算法，包括非负矩阵/张量分解、凸几何算法、以及投影追踪算法。..在压缩感知方面：根据信号的稀疏性，为压缩感知重构问题设计了满足近似等角紧框架的最优投影矩阵。同时，利用信号的稀疏结构，提出了广义硬阈值基追踪算法，并分析了其收敛性。..在胎心电信号处理方面：我们将提出的盲分离理论以及方法应用于胎儿心电信号检测中，在分析胎儿心电之前，先用盲分离技术将其从采集的与母体心电混在一起的信号中分离出来。该方法的应用不仅为新的胎儿心电检测提供了坚实的理论基础，而且获得了更准确的目标信号。利用该项技术,我们与其它单位合作研制了“新型胎心电检测仪”，最近已在广州一家专业医院进行了试验，取得了比较好的效果。

项目成果

期刊论文数量（20）
专著数量（1）
科研奖励数量（0）
会议论文数量（2）
专利数量（0）
基于行列式度量稀疏成份分析的非负盲分离
  • DOI：
    --
  • 发表时间：
    2012
  • 期刊：
    Ieee Transactions On Neural Networks
  • 影响因子：
    --
  • 作者：
    杨祖元
  • 通讯作者：
    杨祖元
A convex geometry-based blind source separation method for separating nonnegative sourcesbr /
基于凸几何的非负源盲源分离方法
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    IEEE Transactions on Neural Networks and Learning Systems
  • 影响因子：
    10.4
  • 作者：
    Z. Yang;Y. Xiang;Y. Rong;K. Xie
  • 通讯作者：
    K. Xie
Fast and unique Tucker decompositions via multiway blind source separation
通过多路盲源分离进行快速且独特的 Tucker 分解
  • DOI：
    10.2478/v10175-012-0051-4
  • 发表时间：
    2012-12
  • 期刊：
    Bulletin of the Polish Academy of Sciences-Technical Sciences
  • 影响因子：
    1.2
  • 作者：
    Guoxu Zhou;Andrzej Cichocki
  • 通讯作者：
    Andrzej Cichocki
基于投影追踪的非负盲分离
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    IEEE Transactions on Neural Networks
  • 影响因子：
    --
  • 作者：
    杨祖元
  • 通讯作者：
    杨祖元
Dictionary learning method for joint sparse representation-based image fusion
基于联合稀疏表示的图像融合的字典学习方法
  • DOI：
    10.1117/1.oe.52.5.057006
  • 发表时间：
    2013-05
  • 期刊：
    Optical Engineering
  • 影响因子：
    1.3
  • 作者：
    Q. Zhang;Y. Fu;H. Li;J. Zou
  • 通讯作者：
    J. Zou

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

欠定盲分离中源的个数估计和分离算法
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    中国科学(F辑:信息科学)
  • 影响因子：
    --
  • 作者：
    谭北海;杨祖元;周郭许;章晋龙
  • 通讯作者：
    章晋龙

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码