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．     

一种盲分离技术在信息处理中的应用

从特征函数的角度将盲分离技术应用到图像的盲分离中去,提出对照函数为二次特征函数的四阶导数,采用特征函数的高阶导数的矩阵张量方法,通过正交对角化实现图像的瞬时盲分离,实验结果表明,盲分离后的信息在概率分布上与信源的概率分布具有相近的特征,表明此技术对于盲信息分离具有良好的分离效果,可以应用到信息盲分离中去。     

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.     

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.      

一种用于超高斯和亚高斯混合信号盲分离的新算法

揭示了ＩｎｆｏＭａｘ盲源分离算法也是以Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ散度为代价函数的,它之所以能有效地用于语音盲分离,是因为所选取的非线性函数的导数能够近似为源信号的概率密度函度（ＰＤＦ）。由此又提出一种广义非线性ＩｎｆｏＭａｘ算法,该算法在估计分主矩阵的同时也对非线性函数进行迭代估计。实验结果表明这一算法能有效地分离任何超高斯和亚高斯信号的混合信号,包括语音、图像信号或其它信号的混合。     

基于自然梯度的非平稳信号自适应盲分离算法

基于自然梯度原则并利用信号的时间相关属性对一类代价函数进行推导,获得一种新的非平稳信号自适应盲分离算法．算法利用样本的多时延解相关方法以及迭代计算的形式获得盲混合信号的分离矩阵,无需对观测样本进行分块处理,计算工作量低．仿真结果表明,算法分离精度高,迭代过程平稳,对多个信号源的盲分离可实现良好的分离性能．     

基于特征值和奇异值分解方法的盲分离

在基于特征值和奇异值分解的盲分离算法中，采用固定时延相关统计量不能很好反映数据矩阵特征，故提出了一种基于不同时延正定相关矩阵的特征值和奇异值分解的盲分离算法．算法分观测信号的预白化和基于奇异值分解两个阶段，解决混和矩阵在输出信号数目大于等于输入信号数目的情况下，确定未知源信号的个数和分离的问题．仿真实验表明，改进算法能够准确分离出3个源信号，全系统矩阵比传统算法更接近分离要求，从性能指标来看，改进算法在信噪比10dB时，其分离的效果达到了良好．     

复函数矩阵的向量及矩阵导数的性质

复函数已经广泛应用于自然科学各领域,有必要探讨复函数矩阵的各种分析性质,特别是对向量与矩阵的导数的研究.本文以实函数矩阵性质为基础,针对复函数矩阵的特征,引入复函数矩阵及其极限、连续性、导数、积分等概念或定义.以综合类比与推理研究的方法,推导出复矩阵函数的逆、逮的导数的算法,尤其是复向量数量函数、复多元向量函数、复向量复合函数对向量的导数,以及复合复函数、复二次型的导数的性质;进一步揭示了复矩阵函数、复矩阵函数对矩阵的导数以及迹、行列式导数的重要性质,也得到了复矩阵函数、复向量矩阵函数的全微分的算法.研究结果表明复函数矩阵对向量与对矩阵的导数的算法虽然源于实函数矩阵的导数算法,但却发展出非常多的、更广泛的不同性质.     

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.