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...     

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.     

基于稀疏表示的超平面聚类盲信号分离算法

对欠定混叠盲源分离问题,论文针对于源信号的稀疏程度不同,首先引入了向量k-阶稀疏的概念。然后在满足欠定混叠盲分离问题可解的情况下,讨论了源信号向量是m-1阶稀疏的情况下的混叠矩阵的辨识问题,并提出了一种新的基于超平面聚类算法来估计欠定混叠矩阵。该算法不仅对源信号的稀疏性要求放宽了条件,而且在精确估计出混叠矩阵的同时估计出了源信号的数目。经数值实验仿真表明了算法的有效性。     

基于稀疏特性的欠定盲信号分离算法

在源信号在非充分稀疏条件下,提出了一种改进的两步法欠定盲源分离算法.与现有的大多数稀疏分量分析算法法都是假设源信号是充分稀疏不同,该算法放宽了源信号的稀疏性.与此同时,该算法能够估计出聚类空间的个数,能够克服源信号个数未知的情况.模糊划分矩阵的应用更加有利于源信号的分离.仿真结果表明了该算法的有效性.     

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...     

基于信号时频域聚集性的欠定盲分离混合矩阵估计方法

为解决欠定盲分离中混合矩阵估计问题,通过研究观测信号在时频域的线性聚集特性,提出一种基于时频域线性聚集程度差异的混合矩阵估计方法,并着重研究在信号线性聚集程度较弱情况下对混合矩阵的估计.首先,利用观测信号或其时频域中相应变换系数的比值分布衡量信号线性聚集程度;其次,采用优化初始中心的K-均值聚类算法估计混合矩阵.该算法降低了对信号稀疏性的要求,并且可以较高精度地估计出混合矩阵.仿真实验结果表明该方法具有可行性和有效性.      

基于压缩感知的盲源信号分离检测方法

接入电网的各种分布式电源、非线性负荷使得电能质量污染问题日益严重,对各种电能质量信号进行特征提取与正确分离是改善电能质量的切入点.针对电能质量信号的结构特点,构建了压缩感知电能质量信号分离模型,并针对该模型提出一种基于压缩感知的盲源信号分离检测算法CS-SCA(compressed sensing-sparse component analysis).根据已有的电能质量信号理论知识,确定电能质量信号在频域的稀疏性,进而对信号预处理降噪.通过两步法解决预处理后电能质量观测信号的分离检测问题.第1步通过观测信号向量方向特性估计出电能质量源信号个数,并利用线性聚类估计混合矩阵;第2步采用压缩感知恢复算法分离得出电能质量源信号.通过实验验证,提出算法所分离出基波、各次谐波信号分离信干比均大于10,dB.     

一种新的基于稀疏表征的二阶段欠定语音盲分离方法

提出了一种新的混叠语音盲分离方法,即在欠定的情况下基于信号的稀疏表征,通过两个阶段估计出混叠矩阵和源信号。在混叠矩阵估计阶段,利用类拉普拉斯窗口函数构造出一个新的势函数,根据基于势函数的聚类算法估计出混叠矩阵。在源估计阶段,针对1^1-范数方法的不足,提出了一种新的基于高阶统计特性的稀疏表征来进行源信号的估计——统计稀疏分量分析。仿真实验表明,和同类其他二阶段估计方法相比,本文所提方法分离结果的重构信噪比更高,分离性能也更加优越。     

信号的稀疏性分析

在工程应用中，许多信号统计上都服从或者近似服从广义Gaussian分布（GGD：Generalized Gaussian Distribution）.着重讨论了广义Gaussian信号的稀疏性问题.首先，针对广义Gaussian信号，推导出了反映信号稀疏性的数学公式.按照这个公式，Laplacian信号的度量值为1，Gaussian信号度量值为2.通过计算信号的度量值，并将其与Laplacian信号和Gaussian信号的度量值进行比较，可以很直观地知道该信号的稀疏程度.同时，给出了一些稀疏盲分离实例.仿真结果表明：（1） 在源信号极其稀疏的情况下，比如稀疏性度量值只有0.083（仿真1），借助稀疏性能够很好地实现欠定盲分离（UBSS：Undetermined Blind Source Separation）；（2） 当观测信号数目比较少的情况下，如仅有3个观测信号，只有当源信号比Laplacian信号更为稀疏时，如稀疏度量值为0.7012（仿真2），对于欠定盲信号分离问题，才可能取得较好的盲分离效果.     

基于方向密度检测与霍夫变换的混合矩阵估计

针对欠定盲源分离混合矩阵的估计问题,提出一种基于局部方向密度检测的孤立时频点处理与霍夫变换相结合的混合矩阵估计算法.首先通过变换域单源时频点处理增强信号的稀疏性,对散点图中的方向直线进行霍夫变换,通过判断局部极大值点确定源信号数量并估计混合矩阵.针对霍夫变换易出现的峰值簇拥问题,提出采用局部方向密度检测方法先判别并去除孤立时频点,之后再进行霍夫变换,提高了混合矩阵的估计精度.实验结果表明本文所提出的方法能够在未知源信号数量情况下实现混合矩阵估计,且估计精度高于K-means等常用方法.      

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.     

基于块对角结构的语音信号盲压缩重构

为在复杂环境中提高语音信号的重构精度, 提出基于正交块对角结构的语音信号盲压缩重构算法, 通过最优求解找到一组对应的正交块对角变换基及稀疏矩阵, 利用二者乘积实现语音信号压缩重构。该算法确保盲压缩感知理论具有唯一解, 能从复杂的环境中恢复原始语音信号, 具有更强的自适应性, 在保证听觉效果的同时, 大大降低了观测维度。实验结果表明, 基于正交块对角结构盲压缩感知(OBD-BCS: Orthonormal Block Diagonal Blind Compressed Sensing)算法能高质量恢复语音信号原始结构。     

基于时频单源点检测的雷达信号的盲分选

针对欠定条件下的雷达信号分选问题,提出一种基于时频单源点检测的雷达信号盲分选算法,该分选算法的创新点在于将雷达信号由时域转移到时频域进行分析.在时频域内,雷达信号具有一定的稀疏性,有助于实现信号盲分选,给出了基于时频单源点检测的雷达信号盲分选算法的具体步骤.该方法能够有效解决欠定条件下雷达信号盲分选问题,将其应用于雷达信号分选领域,具有一定的军事应用价值.仿真测试结果表明了该方法的可行性与优越性.     

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。     

Blind signal separation of underdetermined mixtures based on clustering algorithms on planes

Based on clustering method on planes, blind signal separation (BSS) of underdetermined mixtures with three observed signals is discussed. The condition of sufficient sparsity of the source signals is not necessary when clustering method on planes is used. In other words, it needs not that only one source signal plays the main role among others at one time. The proposed method uses normal line clustering of planes first. Then, the mixing matrix can be identified via deciding the intersection lines of the planes. This method is an effective implement of the new theory presented by Georgiev. Simulations illustrate accuracy and restoring capability of the method to estimate the mixing matrix.     

双声道心音信号的欠定盲分离方法的研究

基于两路人体心声信号的专用检测平台,提出了一种针对双声道心音信号的欠定盲分离方法。首先对数据点进行频域聚类计算,利用观测信号中稀疏信号所表现出的特征对源信号个数进行分析,以实现对混叠矩阵的估计;然后根据观测信号的散列图分离出其中一路或多路源信号,从而使观测信号变为适定或者超定;最后用现有的适定或者超定盲分离方法分离剩余源信号。分别对一组人工混合信号和实际检测的双声道心声信号进行欠定盲分离实验,验证了本方法的有效性和可行性。     

基于局部特征尺度分解的旋转机械故障欠定盲源分离方法研究

针对传统盲源分离方法局限于源信号平稳、非高斯且相互独立,要求观测信号数不少于源信号数的问题,提出了一种基于局部特征尺度分解的旋转机械故障欠定盲源分离方法。采用局部特征尺度分解方法将观测信号分解为若干个内禀尺度分量,相当于对观测信号数进行升维,重组所有内禀尺度分量作为新的观测信号进行盲源分离,该方法不仅能分离非线性、非平稳的旋转机械故障信号,而且也可以解决观测信号数少于源信号数的欠定问题。通过模拟仿真和建立不平衡-碰摩-松动耦合故障的转子试验台进行试验分析,且与传统盲源分离方法进行对比,结果表明了该方法的有效性。     

机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化,导致准确性较差等问题,提出基于量子遗传 算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合,再进行去混合。将峭度作为目 标函数,利用量子遗传算法,对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化,实现机械故障盲 源分离。基于故障信号处理,利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support Vector Machine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取,利用量子遗 传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题,利用优化后的 LSSVM 分类 模型实现机械故障稀疏特征相似模式分类。实验结果表明,该方法可以实现高效盲源分离,机械故障诊断准确 率高,运行性能良好。