基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation, BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量的形式,构建新的观测矩阵,再通过快速独立分量分析(fast independent component analysis,FastICA)实现信号的盲源分离。仿真实验和实验室研究表明:该方法能够抑制宽频和瞬态干扰,有效地将淹没于噪声中的目标信号提取出来。实测数据分析表明该方法可以在飞机发动机噪声干扰下有效地提取背景声舱音信号,证明该方法在舱音信号处理中的有效性。     

基于EMD改进算法的欠定混合盲分离

为改善拟合效果,针对经验模态分解(empirical mode decomposition,EMD)算法存在的端点效应,提出一种改进的EMD算法——端点极值延拓方法.利用改进的EMD算法对观测信号进行分解,将分解分量连同之前的观测信号构成新的观测信号,从而将欠定情况转化为超定情况,最后利用独立成分分析(independent component analysis,ICA)算法得到源信号的估计.通过仿真实验对比,证明了本文算法的有效性.     

一种单路混沌信号盲源分离方法

提出一种基于经验模态分解(EMD)对单路混沌信号进行盲源分离的方法.首先讨论了混沌信号的特征,利用EMD对信号进行分层并且得到独立子波函数,然后把独立子波函数加入到单路混合信号中,从而实现混沌信号的盲分离;最后通过混沌信号的分离实验,证明了本方法的有效性和可靠性.     

一种单通道的源数盲估计方法

针对单通道的源数盲估计技术,提出了一种基于经验模态分解和交叉验证技术相结合的源数估计方法,该方法首先通过经验模态分解技术将单通道的观测信号转换为虚拟的多通道观测信号,然后采用基于交叉验证技术来确定混合在单通道中的源信号个数．仿真实验结果表明：该方法能准确地估计出混合在单通道中服从超高斯分布、亚高斯和高斯分布的源信号个数．     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

为了分离装载机的噪声源,采用集合经验模态分解(EEMD)、独立分量分析(ICA)和连续小波变换(CWT)技术相结合的方法,对装载机司机位置处噪声信号进行了盲源分离和声源识别研究.针对单一通道噪声信号进行盲源分离,将其分解成一系列独立分量.在削弱了传统经验模态分解(EMD)算法处理噪声信号时产生的模态混叠现象的同时,克服了独立分量分析方法要求传感器数目必须大于等于分离出分量数目的限制;借助连续小波变换良好的时频定位特性,对ICA分离结果进行时频分析.结合时频分析结果和各噪声源信号的频谱结构,确定了各独立分量与装载机不同噪声源的对应关系.结果表明,这些独立分量分别对应着装载机的燃烧噪声、冷却风扇辐射噪声及排气噪声等噪声源.     

一种单通道的周期性信号盲分离算法

提出一种针对周期性源信号的单通道盲源分离方法,该方法首先利用希尔伯特变换将单通道的混合信号表示为复数形式后,并用交叉互验技术来估计谐波分量的阶数,然后通过人工蜂群算法优化用于估计基频的代价函数以获得源数、基频及其谐波长度,最后由一种自适应滤波算法来估算源信号的幅值,从而实现了盲源分离的目的.仿真实验结果表明了该方法思路的可行性,且可达到"全盲"的要求.     

一种基于非参数似然比准则的ICA盲检测算法

为抑制CDMA系统中的多址干扰,提出一种基于非参数似然比准则的ICA盲检测算法.该算法直接由观测信号样本出发,使用核函数估计分离信号的概率密度函数,并结合梯度下降法和似然比准则进行目标用户的信号检测.计算机仿真及与其他算法的比较表明,该算法抑制多址干扰的能力介于FastICA检测和最小均方误差(MMSE)检测之间.     

基于变分模态分解算法的单通道无线电混合信号分离

针对复杂电磁环境下单通道无线电混合信号分离困难及分离精度不高的问题,提出2次使用变分模态分解(VMD)算法对单通道无线电混合信号进行分离的方法.首先利用VMD算法对单通道无线电混合信号进行粗分离,并将VMD算法与总体平均经验模态分解(EEMD)算法进行对比,得出前者分离出的信号在时域、频域及信噪比和相似系数等方面均比后者取得的对应结果效果好的结论.然后对VMD算法的参数利用改进的量子粒子群优化算法进行优化,确定所需分量个数和惩罚因子的值.最后对VMD算法分离后的信号使用参数优化后的VMD算法进行细分离.数值模拟和实验信号分析结果均表明,再次分离后所得到的信号精度较利用VMD算法对单通道无线电混合信号进行粗分离时更高,证明了所提算法对单通道无线电混合信号分离的有效性.     

EMD算法应用于OFDM系统频偏估计的新方法

提出了一种利用经验模态分解（empirical mode decomposition,EMD）技术估计正交频分复用系统（orthogonal frequency division multiplexing,OFDM）频偏的新方法。传统的OFDM系统频偏估计算法通常需要获得多路混合信号,而新方法仅需要利用相关检测处理单路的OFDM信号,再通过EMD模态分解算法分离出各路子载波信息,即可估计出OFDM系统频偏。与传统的OFDM系统频偏估计方法相比,新方法不依赖源信号的统计特性和信道状态信息,不需要额外带宽,降低了系统的实现复杂度。仿真结果表明,该方法具有较高的频偏估计精度。     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

基于EMD的语音信号压缩感知算法

文中将压缩感知理论和经验模态分解方法(empirical mode decomposition,EMD)相结合,用于语音信号压缩上,提出了一种基于EMD的语音信号压缩感知算法。首先用EMD将语音信号分解,可得语音信号的本征模函数信号分量。然后仿真实验模拟EMD分解的过程,并验证本征模函数信号分量的稀疏性。最后结合压缩感知理论基础分别对各个信号分量进行观测抽样,以实现语音信号的压缩。由仿真实验结果可知,语音信号经EMD分解后得到的信号分量在DCT域上较原始语音信号有更好的稀疏性,并且将该算法压缩重构还原出的信号与常规的基于DCT的压缩感知算法以及基于近似KLT的压缩感知算法相比较有更高的平均信噪比,重构性能更佳。     

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.     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

应用基扩展模型的混合信号单通道盲分离算法

针对传统最小均方误差逐幸存路径处理(LMS-PSP)单通道盲分离算法在时变信道下性能差的问题,提出一种基于基扩展模型逐幸存路径处理(BEM-PSP)的单通道盲分离算法。首先对接收到的部分混合信号进行LMS-PSP单通道盲分离,得到部分准确的信道冲激响应(CIR);然后结合时变信道下基于基扩展模型进行信道估计的思想,完成整个时间周期CIR的估计;最后采用Viterbi算法对混合信号进行序列估计,从而实现时变信道下混合信号的单通道盲分离。仿真结果表明,对于2路混合QPSK信号,在相同仿真条件下,BEM-PSP算法较LMS-PSP算法能降低50%的复杂度且能获得更好的性能,在20dB处的误码率可达4×10-2,而LMS-PSP单通道盲分离算法的误码率只能达到1×10-1,并且在同等过采样倍数下,该算法能获得更高的性能提升。     

基于CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...     

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题,通过理论分析,提高并证明了在信号源盲分离问题中,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数,存在观测噪声时,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目,给出了实际的计算方法,并通过计算实例证明了该方法的正确性和有效性,从而解决了盲分离中信号源个数的估计问题,为盲分离技术的应用进一步奠定了基础。     

基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.