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.     

基于协方差矩阵同时对角化的盲信号分离算法

提出了基于自相关协方差矩阵同时对角化的两个盲源信号分离算法. 利用广义奇异值分解(GSVD)算法,将源信号观测数据预白化后的零阶和一阶自相关协方差矩阵同时对角化,估算出两路源信号. 与二阶盲识别(SOBI)算法进行了比较,该算法具有计算简单且运算精度高的优点. 在线性混合加噪模型下,计算机仿真表明该算法的有效性.     

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

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。     

在线增强型复值混合信号盲分离算法研究

基于二阶统计量，对在线分离复值混合信号法进行了研究．假设源信号是独立的且非常态，信号的伪协方差矩阵能增加约束条件，从而可证明二阶统计量能够完全分离复值混合信号，而且对信号是否平稳不作要求．结合非常态信号的独立性，构造出代价函数，利用梯度下降法推导出在线盲分离算法．通过盲分离算法的仿真试验，发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量，算法具有鲁棒性好、运算速度快和可在线实现等优点．     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

基于二阶统计量的两步自适应盲分离算法

提出了一种新的两步自适应盲分离算法,利用代价函数的极值点特性分别获得混合信号和白化信号的特征向量矩阵,实现自适应盲分离过程．该算法避免了离线计算所采用的特征值分解等复杂运算,并且只利用信号的二阶统计量信息,计算工作量低．仿真结果表明,对含有附加噪声的盲混合信号具有良好的分离效果。     

结构健康监测传感器优化布置的混合算法

提出了一种基于模型减缩和线性模型估计理论的、用于建筑结构健康监测中传感器布置的新算法．根据选定的主、从自由度，用改进减缩系统方法来减少初始结构的自由度数目．然后，基于线性模型估计，以所选定的目标模态为线性模型的设计矩阵，用奇异值分解处理设计矩阵．用分解后的前几个左奇异向量计算每一个自由度对于结构模态的贡献．最后用迭代算法来确定所需的传感器数量和位置．算例表明，此种混合算法适用于建筑结构监测的传感器布置计算．     

基于FSYAST子空间算法的盲自适应多用户检测

为解决传统算法因引入特征值估计误差而导致检测性能下降的问题,在分析基于信号子空间跟踪的最小均方误差(MMSE)多用户检测器(MUD)的基础上,提出了一种改进的信号子空间盲线性MMSE多用户检测器,并应用FSYAST子空间跟踪算法进行信号子空间跟踪.仿真结果表明,提出的盲自适应多用户检测器性能接近于奇异值分解(SVD)子空间多用户检测器性能.     

波达方向估计的一种改进SVD算法

本文主研究智能天线算法中的关键技术波达方向估计（DOA）。针对相干信号源的信号子空间与噪声子空间相互渗透,导致空间协方差矩阵缺秩从而经典算法失效的问题,本文基于奇异值分解（SVD）算法,提出了一种改进的SVD算法。该算法利用入射信号矩阵的最大特征向量元素包含所有入射信号信息的性质,进行矩阵重构,并对重构矩阵进行特征值分解得到噪声子空间和信号子空间,最后利用经典谱估计算法得到相干信源的入射方向。仿真试验结果表明改进SVD算法性能优于原始算法。     

信号极点估计的状态空间方法

研究了基于状态空间模型的阻尼指数和信号参数的估计方法，建立了阻尼指数和信号的状态空间状态空间模型，并进行了计算机模拟，该方法以奇异值分解和特征分解为基础，无需对高次方程求根，可以直接从系统状态传输矩阵得到信号的极点，结果表明，计算量小，具有较好的估计性能。     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

3D多输入多输出正交频分复用系统中基于奇异值分解的信道估计方法

在3D多输入多输出正交频分复用(MIMO-OFDM)系统模型中,分析了基于导频的信道估计方案.针对线性最小均方误差方法的算法复杂度高的问题,应用奇异值分解(SVD)算法降低信道自相关矩阵的维数,以减小算法的复杂度.仿真结果表明:所提出的基于奇异值分解的信道估计算法,能够在保证误码率(BER)性能的情况下,具有更低的算法复杂度.     

矩阵构造方式对奇异值分解信号处理效果的影响

将奇异值分解应用于信号处理的关键是构造合理的矩阵,一般可有两种矩阵构造方式,第一种是通过对信号连续截断来构造矩阵,第二种则是利用信号构造一个重构吸引子矩阵。从理论上分析了这两种矩阵的信号分解特性和正交性差异,证明了两种矩阵方式下,奇异值分解都可以将信号表示为一系列分量信号的简单线性叠加,但是第一种矩阵获得的分量信号是彼此正交的,而第二种矩阵获得的分量信号则不具有正交性。利用分量信号信息量的变化趋势可以确定两种矩阵的合理结构。在此基础上,通过对一个铣削力信号的处理来比较两种矩阵的实际处理效果,结果第一种矩阵分离出了机床主轴旋转基频近乎完整的时域波形,分辨出了两个频率很接近的信号分量,发现了信号中隐含的调幅现象,证实了机床的爬行并确定了爬行频率;而第二种矩阵则揭示了由于材料颗粒不均匀和间隙而产生的对刀具的微弱冲击现象。     

基于奇异值分解的连续小波消噪方法

针对小波软阈值消噪的缺点,提出了一种基于奇异值分解的连续小波消噪方法.通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分.通过仿真数据的对比分析和工程测试信号的应用,表明该方法适用于冲击成分信号的提取,与软阈值消噪法相比,它提取出的信号特征成分更完整,信噪比更高.     

线性流形上次反对称矩阵的加权最小二乘解

利用矩阵的奇异值分解和矩阵对的广义奇异值分解,得到一类线性流形上次反对称矩阵在加权范数下的最小二乘解,导出解集合中与给定矩阵最佳逼近解的表达式.     

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.