一种基于信息最大准则的盲源分离新算法

提出了一种基于信息最大准则的盲源分离新算法.新算法在当前时刻的系数更新时充分利用先前迭代过程的信息,并在每一步迭代时归一化权系数矩阵.仿真表明,新算法应用于盲图像信号分离时得到了很好的分离效果.     

一种基于信息最大准则的盲源分离新算法

提出了一种基于信息最大准则的盲源分离新算法。新算法在当前时刻的系数更新时充分利用先前迭代过程的信息，并在每一步迭代时归一化权系数矩阵，仿真表明，新算法应用于盲图像信号分离时得到了很好的分离效果。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

盲信号分离的自稳定算法

在传统盲分离算法的迭代过程中，为了保证分离矩阵的行正交性，都要对其进行反复的正交化，以避免算法的不收敛。针对这个问题，笔者主要研究了在Stiefel Manifold上的盲分离算法，该算法使分离矩阵不需要每一步都进行正交化。仿真表明，本文提出的新算法具有很好的稳定性。     

基于小波的迭代盲图像恢复新算法

针对迭代盲反卷积算法中解的唯一性和收敛性不确定问题,提出了基于小波的迭代盲图像恢复新算法.该算法用基于奇异值分解和压缩滤波方法对降质图像进行预处理,在初始化估计后对图像进行小波变换,用局部高斯模型刻画图像小波系数的概率分布,并作为先验约束加入到迭代算法中.仿真结果表明,新算法在保持图像边缘特性的基础上,峰值信噪比改进量比原算法增加约3 dB,对解的唯一性和收敛性也有一定改善.     

基于可行性规则的混合粒子群的盲源分离

针对基于典型相关分析CCA(Canonical correlation analysis)的盲源分离问题,并且该盲源分离的过程是通过对信号的逐一抽取来完成的。为避免在盲抽取的搜索过程中产生大量的重复运算,将通过构造一个迭代算法来实现典型相关分析CCA的盲源分离。本文采用的迭代算法是基于可行性规则的混合粒子群HPSO(hybrid particle swarm optimization)算法;约束处理是基于可行性规则的约束处理技术,原理简单,处理方便,无需增加额外的参数。通过仿真实验结果表明,该算法能有效的实现典型相关分析CCA的盲源分离。同时,迭代算法相对简单,提高了典型相关分析CCA盲源分离的收敛速度。     

快速定点独立向量分析在语音信号盲分离中的应用

针对包括环境噪声的混叠语音信号分离困难问题,提出一种新的频域快速定点独立向量分析模型,对混叠语音信号进行盲分离.该模型中的每个源信号以向量形式混合,模型采用二次泰勒多项式把牛顿迭代算法直接应用于复变量对照函数,通过最优化使牛顿迭代规则更加简单和清晰.对实际采集的语音信号进行仿真,实验证明算法很好地分离了卷积盲源信号,新算法具有良好的收敛性和较高的准确性.     

联合串行干扰抵消与因子图的单通道混合信号盲分离算法

为解决复杂编码方式下单通道同频混合信号盲分离复杂度高的问题,提出了一种联合串行干扰抵消(SIC)与因子图的迭代分离算法。首先由传输信道参数来重构发送信道,然后根据重构信道进行SIC解调,获得解调信号软信息传递给译码模块,将译码增益反馈回SIC解调模块,利用迭代处理来实现分离。重点研究了解调与译码间信息迭代交互过程,以及2路信号分量的信道参数差异对分离性能的影响,得到随着迭代次数的增加以及信道参数差异性增加,算法分离性能将得到提升的结论。仿真实验表明,在LDPC编译码环境下,QPSK调制混合信号经2次迭代处理,分离性能较M-PSP算法提升2dB以上。     

使用ICA和小波分析提高信噪比

信号处理的一个基本问题是去噪.小波可以分析信号的时间和频率信息.小波去噪基于阈值,将超过阈值的细节系数去掉.这样就消去噪声,但同时也会去掉一些有用的信息.ICA方法是20世纪80年代初期首先在神经网络建模领域中引入的,主要用于解决盲源分离的问题.利用ICA原理,使用基于负熵的不动点迭代算法,对染污信号进行了分离,然后利...     

基于方向幅值比的欠定盲源分离算法

为了提高欠定盲源分离问题中混合矩阵的估计精度,提出了基于时频域混合信号数据点的方向幅值比的欠定盲源分离算法.为了充分利用复混合信号数据点的相位信息,引入复信号的方向幅值比,通过复混合信号的方向幅值比的方差、均值、分布密度实现单源点的精确提取.将分布在直线方向上的单源点进行单位投影化处理,通过聚类分析获得混合矩阵的列元素之比,从而实现混合矩阵的估计.利用匹配追踪算法将源信号进行重构.经仿真验证,提出的算法相较于对比算法,可以获得更高精度的混合矩阵与分离信号.     

基于阵列结构的盲分离算法

为了进一步改善阵列信号处理中盲源分离算法的分离性能,提出了一种新的基于阵列结构的盲分离算法.该算法的基本思想是利用已有的盲源分离算法(EASI和FastICA算法)估计混合矩阵,根据估计出来的混合矩阵和均匀线阵的特点来重构混合矩阵,对分离矩阵进行较正,达到改善算法分离性能的目的.仿真结果表明,该文提出的EASI-1算法的平均干信比比EASI算法低7.5 dB,FastICA-1算法的平均干信比比FastICA算法低4.3 dB.     

A method for blind separation of components information from mixed pixel

In the field of remote sensing, it is important to separate the component information from mixed pixel. If the physical process of remote sensing can be expressed by a set of linear equations, the remote sensing information matrix is equal to the weight matrix multiplied by the component information matrix. Generally speaking, the precondition of retrieval of component information matrix is that the weight matrix is known. However, the blind signal separation (BSS) method can separate the matrix unconditionally, whose basic principle is that the additive information needing separation can be achieved from the statistical characteristics contained in a mass of samples in the remotely sensed information matrix. Therefore, the values of the component information matrix and the weight matrix can be estimated. The wave shape of components can be retrieved by BSS, but the amplitude cannot. In this paper, the plant-soil mixed pixels were chosen as the studying targets in this paper to quantitatively separate the component information and solve the uncertainty of BSS. Simulation and field test verify the reliability of the method. Results show that the BSS can be one of the effective methods of mixed pixel separation, and the foreground of application is very promising.     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。     

基于典型相关性分析的自适应拟牛顿盲源分离算法

通过分析经典的典型相关性分析标准,提出一种新的源信号抽取标准,并利用在线拟牛顿算法求解新标准,进而得到一种新的基于典型相关性分析的盲源信号抽取算法,实现了盲源分离.理论分析表明,新源信号抽取标准的唯一全局最小值点是经典典型相关性分析标准的最大值点.仿真结果表明,新算法收敛速度更快.     

采用信号相邻采样点联合估计的欠定盲源分离算法

两步策略是当前欠定盲信号分离的基本方法,混叠矩阵的估计是恢复源信号的先决条件。考虑在混合矩阵已经估计的前提下,通过矩阵子空间的方法估计源信号,并且利用信号相邻采样点的相关特性,联合判断任意时刻信号的归属,提高欠定盲源分离算法的抗噪能力。通过仿真实验显示了该算法的性能及实用性。     

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算,且这类算法不具备所希望的等变特性,对于病态混合矩阵的盲分离问题可能无法求解,通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法,该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵,也不需要对累积量矩阵进行代数变换,并且所使用的迭代算法不需要对任何变量求导,因此非常简单,易于实现;同时算法还具有对未经去除均值的混合信号直接进行分离的能力。     

基于盲反卷积的脑电信号盲分离研究

采用卷积混合模型描述观测脑电信号(electroencephalogram,EEG),提出一种基于盲反卷积的EEG盲分离方法.结合EEG源成分的独立性确定代价函数,并采用共轭梯度法进行迭代寻优.针对EEG仿真实验数据进行方法验证,采用分离信号与源信号之间的相关系数作为验证指标.实验结果表明,本文方法可以较好地实现EEG盲分离,为EEG信号处理和其他生理信号处理分析提供理论和方法借鉴.     

基于OS-SASP算法的欠定盲源分离

针对基于稀疏分量分析的欠定盲源分离问题,提出一种基于优化支撑的稀疏度自适应子空间追踪(OS-SASP)算法.通过引入自适应思想,克服传统子空间追踪(SP)算法对稀疏度的依赖;同时在迭代开始之前通过离散余弦变换的能量集中特性确定最小支撑集的大小,对最小支撑集求并集获得优化支撑集,优化支撑集联合迭代过程中的候选集来定位最佳原子,提高源信号的恢复精度.仿真结果表明,OS-SASP算法在一维稀疏信号与语音信号的欠定盲源恢复过程中表现出良好的性能.