基于负熵准则盲分离方法的剖析与研究

从统计学原理、负熵近似计算、算法的稳定性定理、最大负熵方法的历史演变几个方面，对Hyvrinen负熵准则盲分离算法作出全面的剖析，指出：（1）在负熵ICA算法中，不应引用联合负熵的定义，只宜采用边缘负熵的定义；（2）中心极限定理只能为负熵ICA算法提供一定的直观解释，但不能成为算法的统计学依据；（3）Hyvrinen等人给出的负熵计算公式并不能正确度量随机变量的非高斯性；（4）负熵ICA算法实现盲分离的真正机理是信号非线性变换后均值的极值特性，由此极值特性提出负熵准则未必是合适的。     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

联合峭度和时序结构的胎儿心电提取

基于峭度范围的盲提取算法利用了胎儿心电信号的峭度特性提取信号,算法收敛较慢,提取效果一般.基于时序结构的盲提取算法,利用信号的时序特性提取心电信号,该算法对时延比较敏感.针对上述两种算法的特点,提出了一种新的联合峭度和时序结构的胎儿心电提取算法,计算机仿真和实际的胎儿心电试验表明了该算法相对基于峭度范围的盲提取算法具有更好的收敛速度和更好的提取效果,相对基于时序结构的盲提取算法对时延具有更强的健壮性.     

基于模糊逻辑的亚高斯与超高斯源混合盲分离

对于同时存在亚高斯和超高斯源信号的盲信号分离问题,提出了适用于两类信号同时存在的合成概率模型,并以此概率模型计算非线性函数得到了分离两类信号的统一算法。同时,引入模糊推理系统在线确定自适应算法的迭代步长,因此学习算法的收敛速度更快,而且稳态误差更小。仿真实验分别通过对语音信号以及人工合成信号的分离,验证算法的有效性,并通过计算分离信号的干扰信号比(interference to signal ratio, ISR),证明提出的算法能够更好、更快地分离亚高斯与超高斯混合信号。     

基于信号子空间的半盲多用户检测

将线性共轭的思想引入到基于子空间的半盲多用户检测,设计了基于子空间方法的线性共轭半盲多用户检测器,有效地改善了系统的输出信干比和误码率性能.PASTd 算法由于复杂度低而被广泛的应用于多用户检测,然而,PASTd算法跟踪到的信号子空间不正交,从而导致收敛速度极慢.针对这一问题,对PASTd算法进行了改进,提出一种修正的PASTd算法,并将其应用于线性共轭半盲多用户检测器,从而有效的提高了收敛速度,降低了计算复杂度.仿真实验验证了该算法的有效性和可行性.     

一种盲源分离初始化方法的研究与仿真

针对盲源分离的初始化问题,提出一种盲源分离初始化方法.该方法首先对接收到的混合信号进行小波稀疏分解,然后选取稀疏性最好的分解系数组,并在其星图中通过聚类方法寻求聚轴来估计混合矩阵.最后,采用这一混合矩阵估计值对FastICA算法进行初始化.仿真实验表明,该初始化方法能避免盲源分离算法收敛时陷入局部最小,加快算法收敛,同时使盲源分离算法的分离精度提高10～26dB.     

引入动量项的正交小波变换盲均衡算法

针对常数模算法(CMA)收敛速度慢的缺点,推导了均衡器的正交小波表示式及正交变换矩阵的表示式,在分析正交小波变换常数模盲均衡算法(WTCMA)的基础上,将动量算法引入WTCMA中,得到了一种引入动量项的正交小波变换常数模盲均衡新算法(MWTCMA).该算法将基于小波变换的常数模盲均衡算法和动量项相结合,通过归一化的正交小波变换和引入动量项来提高收敛速度.同时给出了算法的收敛条件,并对算法计算量进行了分析.水声信道仿真结果表明:与基于正交小波变换的常数模盲均衡算法(WTCMA)及常规常数模算法(CMA)相比,新算法具有更快的收敛速度,从而能更有效地实现信号与噪声的分离以及信号的实时恢复.     

基于BICM-ID系统的单通道混合信号盲恢复算法

针对非协作通信中单通道同频线性调制混合信号盲恢复问题，基于比特交织编码调制迭代译码（bit interleaved code modulation iterative decoder， BICM-ID）算法思想，建立单通道混合基带接收系统模型，提出一种联合解调和译码实现单通道混合信号中源信息盲恢复算法。通过分析和推导，给出一种混合信号解映射的方法。该算法不需要对混合信号分离，而可以直接从混合信号中估计出各路源信号，且复杂度低。理论分析和仿真结果表明，对于无码间干扰和有码间干扰的加性高斯白噪声(additive white Gaussin noise, AWGN)，算法都能得到较低的误比特率(bit error rate, BER)，而且算法对等功率混合信号和不等功率混合信号同样适用。     

基于伪信噪比最大化的盲源分离算法

针对电子战中各种信号混叠严重、难以分离的现象,提出一种新的瞬时线性混叠信号的盲源分离算法。该算法从独立信号完全分离时信噪比最大出发,用单位对称滑动权向量加权分离信号作为源信号,建立基于源信号和噪声信号协方差矩阵的伪信噪比目标函数,并将目标函数的寻优过程转换为求解广义特征值的问题。和经典的信息理论方法相比,该算法是一种全局最优的盲源分离算法,它不需要任何迭代运算,具有非常低的计算复杂度。仿真结果证明,该算法能够更加有效地分离线性混叠的雷达信号和通信信号。     

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并刺用样本数据进一步修正源信号的概率密度函数。实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。