基于小波概率密度函数估计的盲信号分离算法

利用概率密度函数的非线性小波估计方法,对混合信号的概率密度函数及其导数进行估计,由此估计信号的评价函数,从而给出了一种盲信号分离算法.该方法简单,可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.计算机仿真结果表明了算法的有效性.     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

基于FIR神经网络的非线性盲信号分离

针对实验环境中可能出现的非线性卷积混合盲信号分离问题,在反馈结构最大似然盲信号分离算法的基础上,利用混合高斯模式概率密度函数估计方法,提出了一种采用有限冲激响应神经网络的非线性盲分离算法,并推导了新算法的权向量迭代公式．通过与其他盲信号分离算法的计算机模拟实验结果比较,新算法能更有效地进行非线性函数逼近,得到更小的输出均方误差,达到较好的非线性盲信号分离效果．     

盲信号分离模型的混叠矩阵估计算法

针对传统盲信号分离方法通过估计分离矩阵实现盲信号分离难以同时适应适定、欠定和过定模型的问题,给出了一种新的方法,直接估计混叠矩阵实现盲分离.首先给出估计混叠矩阵的梯度学习公式,并分析了该梯度算法对适定模型的有效性,然后将它推广到过定混叠和欠定混叠模型,从而得到了一种适用于各种盲分离模型的混叠矩阵估计算法.仿真例子检验了所提出的算法在适定情形下与原有算法有类似的特性,而又可以同时适应过定和欠定模型.     

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。     

复杂电磁环境下的雷达信号分离方法

在复杂的电磁环境下,进一步提高雷达的检测能力是现代雷达面临的紧迫问题之一.为了提高雷达探测精度,需要在众多的干扰信号中有效地提取出雷达信号.鉴于越发明显的常规雷达信号处理方法的局限性,提出了一种基于最大信噪比的信号盲源分离方法.首先利用信噪比越大分离效果越好的特点建立信噪比目标函数,然后通过求解目标函数得到盲信号分离的优化矩阵,最后实现雷达盲信号的分离.仿真结果表明,该方法可对雷达盲信号进行有效的分离,且不需要其它信号处理方法所要求的任何先验知识作为条件.     

基于斜投影算子的混合信号DOA估计算法

为了提高混合信号的波达方向(direction of arrival, DOA)估计精度并降低其阵列孔径损失，提出一种基于斜投影算子的高精度DOA估计算法.所提算法将混合信号中独立信号与相干信号分两个阶段进行估计，首先利用ESPRIT(estimating signal parameter via rotational invariance techniques)算法处理阵元接收数据的协方差矩阵，得到混合信号中独立信号的DOA估计值；而后利用斜投影算子去除混合信号中独立信号的信息，得到新的协方差矩阵；利用新得到的协方差矩阵的信号子空间进行去相干处理；最后结合ESPRIT算法计算得到相干信号的DOA估计值.仿真结果表明，相较传统的混合信号DOA估计算法，所提算法在低信噪比情况下以及信号入射间隔较小的情况下有较高精度，有效地降低了阵列孔径的损失.在不同的采样快拍数下，本文算法也表现出更强的鲁棒性.     

基于高斯混合密度函数估计的语音分离

基于最大熵法(MaximumEntropy,ME)、最小互信息量法(MinimumMutualInformation,MMI)和最大似然法(MaximumLikelihood,ML)是解决盲信号分离问题的常用算法,分析了ME、MMI以及ML算法之间的关系.基于高斯混合模式(GaussianMixtureModel,GMM)概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法.与传统ME的计算机模拟实验结果比较得知,新算法具有更好的收敛性能和语音分离效果     

基于KM-PCA稀疏信号的盲源分离算法

欠定盲信道估计是欠定盲源分离的关键组成部分,其估计精度直接影响到源信号的估计精度.基于充分稀疏假设,在K均值聚类的基础上,提出一种新的欠定盲信道估计算法——K均值与主成分分析方法(KM-PCA算法).该算法首先对观测数据进行K均值聚类,然后对聚类分析结果分别进行主成分分析,修正其聚类中心,从而提高混叠矩阵的估计精度.采...     

基于时延估计波束形成预处理的实时语音盲信号分离研究

针对现有盲信号分离算法,在真实环境下性能会降低及计算量大而难以实时处理的局限性,提出一种将基于时延估计的波束形成与一种简单的去相关盲分离算法相结合的分离方法.在波束形成中,首先用互功率谱相位法对信号源到达传感器阵列的相对时延进行估计,然后进行延时对消,在此基础上再进行盲信号分离,并将该去相关盲分离算法推广到频域进一步降低计算复杂度.仿真实验表明,该方法简单可行并使得分离效果显著改善.     

基于改进SST算法的宽带信号DOA估计

信号子空间变换算法(SST)的聚焦矩阵是利用各频率点与参考频点之间信号子空间的关系导出的。针对传统的宽带DOA算法存在的计算复杂度高和估计偏差大的问题,利用聚焦的本质,提出了SST改进算法。改进后算法的性能分析优于传统算法,能正确的分辨出信号的方位,降低了运算量。     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

基于ESPRIT的ULA波达方向估计改进算法

针对MUSIC(Multiple Signal Classification)算法和ESPRIT(Estimated Signal Parameters via Rotational -Invariance- Technique)算法不能有效估计相干信源波达方向的问题, 在修正MUSIC算法（Modified MUSIC）基础上, 通过引用变换矩阵, 在考虑阵列接收数据及其相应变换矩阵的自相关和互相关信息后, 结合总体最小二乘算法TLS-ESPRITS（Total Least-Squares ESPRIT）提出了能同时适应相干和非相干信号情况的波达方向估计的改进ESPRIT算法（IM-ESPRIT: Improved ESPRIT), 并在相干信号源来波角度间隔较小和低信噪比条件下, 同常规CC-ESPRIT(Cross ESPRIT)算法进行比较。结果表明, 当相干信源角度间隔为3°且信噪比为0时, 实现波达方向估计具有较好的估计精度和分辨率。     

基于酉ESPRIT的跳频信号DOA估计

为了利用跳频信号的空域信息辅助同步跳频信号的网台分选,提出了一种基于STFD酉ESPRIT的跳频信号DOA估计算法。首先用WVDSPWVD组合时频分析方法对接收数据进行时频变换,然后提取出跳频信号的有效跳(hop),并对其建立空时频矩阵(STFD),最后利用酉ESPRIT算法进行跳频信号DOA估计。该方法通过酉变换将ESPRIT算法的协方差矩阵从复数域转化到实数域,降低了计算量,而且酉ESPRIT算法利用了数据的共轭信息使数据长度等价增加了一倍,提高了估计精度。仿真结果表明文中算法在信噪比大于2dB时,DOA估计性能优于ESPRIT算法。     

任意分布冲击噪声背景下基于ESPRIT的DOA估计方法

针对冲击噪声背景下的传统波达方向(DOA)估计算法性能下降的问题,该文提出一种适用于任意分布冲击噪声的无穷范数归一化旋转不变子空间(Inf-ESPRIT)算法.该方法首先对阵列接收的快拍数据进行无穷范数归一化处理,然后对伪协方差矩阵进行特征分析,利用ESPRIT算法实现DOA的估计.与传统的基于分数低阶矩的方法相比,该算法具有以下优势:适用于多种不同分布的冲击噪声环境,无需已知冲击噪声特征指数的先验信息或估计值,可以获得更好的估计性能.计算机仿真实验证明了所提算法的有效性.     

基于连续小波互谱的宽带Chirp信号DOA估计

提出一种时频域宽带源波达方向（DOA）估计算法．该算法通过计算参考阵元和其他阵元的连续小波互谱，构造出一种新的时频域数据向量模型，并利用Chirp信号的局部窄带特性，在信号的主要能量聚集区选择时频点构造时频相关矩阵代替传统的阵列相关矩阵，进行特征分解实现信号的DOA估计．该方法同时在空域和时频域进行处理，充分利用了时频分布的能量聚集性，实现了非平稳信号时频域的分离，仿真结果验证了新方法的有效性．     

广义信号子空间拟合角度-极化联合估计

针对相干信号波达方向(DOA)和极化参数的同时估计问题,提出了适用于任意结构极化敏感阵列和完全/部分极化信号源的广义信号子空间拟合方法.该方法利用空间相位矩阵和信号极化矢量之间的线性关系,借助信号子空间旋转矩阵的适当分离实现了角度和极化参数的解耦,使得DOA估计和极化参数估计可分别通过唯角度和唯极化搜索获得.与传统子阵平滑信号解相干方法不同,广义信号子空间拟合方法对阵列结构无特殊要求,且不存在孔径损失问题.仿真结果表明,广义信号子空间拟合方法在低信噪比和短快拍数条件下性能均要优于空间平滑和极化平滑两种传统方法.     

单通道混合信号中周期信号的盲分离

在定义信号周期性的基础上,针对多个周期信号、多个周期信号和其他信号单通道混合的情况,提出了基于特征值分析的周期信号盲分离方法,并对算法的可行性、分离误差及分离效果进行了理论分析.仿真结果表明:该方法能适应较低的信噪比,且具有计算量小、易于实现等优点.     

基于电磁矢量阵列的非相关分布源DOA估计

提出了一种基于电磁矢量阵列(EMVSA)的非相关分布源(UD)DOA估计算法.建立了电磁矢量阵列非相关信号源模型(EMVSA-UD),同时考虑了分布源空域和极化域的分布特性,从而充分利用了分布源的信息.提出基于电磁矢量阵列的非相关分布源近似子空间算法(EMVSA-UD-ASSE),近似利用了信号子空间和噪声子空间的正交性,算法不需要进行特征值分解,避免了对UD确定有效信号子空间维数Me的困难.计算机仿真结果表明,EMVSA-UD合理,EMVSA-UD-ASSE稳定有效.