基于Fast-ICA算法的瞬时混合盲信号分离

本文介绍一种典型的独立成分分析算法,即Infomax算法,详细介绍了Fast-ICA算法的基本原理,将该算法用于三路瞬时混合信号的盲分离,最后对算法的分离性能及优缺点进行了分析。     

核独立分量分析在盲源信号分离中的应用研究

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核空间ICA的原理和基本算法,然后利用核独立分量分析算法和固定点快速分离算法分离了混合语音信号.试验结果表明:利用基于核独立分量分析的方法可以得到较为理想的分离效果.     

典型ICA算法在盲源分离中的实现

独立成分分析在神经网络、高级统计学和信号处理等研究领域具有广阔的工程应用前景。文章介绍三种典型的独立成分分析算法,即Infomax算法、Extended-ICA算法和Fast-ICA算法的原理,通过三种算法对三路随机混合信号进行的分离实验,说明了ICA算法在盲源分离技术中的应用与实现,并对三种算法的分离性能进行了对比和分析。     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于自然梯度算法及其改进算法的盲源分离

自然梯度算法是盲源分离的重要方法,本文在介绍分析自然梯度算法基础上,将共轭梯度和自然梯度相结合改进了自然梯度算法的学习规则,通过两种算法的比较表明,基于共轭梯度改进的算法在性能和分离效果上都优于自然梯度算法。     

基于稀疏表征的欠定盲源分离的研究

稀疏信号处理是研究欠定盲源分离的主要手段。本文介绍了稀疏分量分析的基本模型,在此基础上深入分析并讨论了基于稀疏表示的盲源分离算法。该算法对实际欠定混叠盲信号分离有重要的意义。     

改进的独立分量分析算法

对独立分量分析算法的基本理论和FastICA算法进行了简要介绍.传统的FastICA算法只具有二阶的收敛速度,为了提高独立分量分析算法的收敛速度,减少迭代次数和运行时间,提出了一种改进的独立分量分析算法——五阶收敛的牛顿迭代法.对牛顿迭代算法加以修正,使改进的独立分量分析算法具有五阶的收敛速度.图像信号分离仿真实验表明,改进算法与传统的FastICA算法在分离效果相当的情况下,明显减少了传统的FastICA算法的迭代次数和运行时间,提高了收敛速度和运行效率.     

盲源分离问题的分析研究

介绍盲源分离的基本原理、算法基本框架,总结了常用对比函数的构成方法,分析了各种不同解决算法的优缺点,并展望BSS的研究方向.     

对基于变动量项前馈神经网络盲源分离算法的研究

介绍了盲源分离及基于神经网络盲源分离算法的原理,阐述了基于变动量项前馈神经网络盲源分离算法,并进行了计算机仿真实验。     

快速定点独立分量分析在盲源分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法。本文介绍了快速定点独立分量分析的原理和算法,并介绍了该算法在盲源信号分离中的具体应用,并将此方法与主成分方法（PCA）进行了比较。文中通过实例给出了这种方法的应用效果。结果表明,ICA在盲源信号分离中是一种很有潜力的方法。     

基于ICA和波束形成的快速收敛的BSS算法

独立分量分析(Independent Component Analysis,ICA)的BSS算法是一种分离信号的有效方法,但是该方法在进行非线性优化时收敛速度较慢.针对这一问题,本文介绍了一种新的BSS算法,即基于ICA和波束形成的混合算法,该算法比通用的基于ICA的BSS算法具有更好的分离性能,并且由于在ICA中利用了零波束形成,因而有效地改善了算法的分离性能和收敛性能.实验结果表明,该算法适用于混响情况.     

基于空间时频分析的循环平稳盲源分离

介绍了基于空间时频分布的循环平稳盲源分离方法,对空间时频分析中交叉项引起的分离能力下降的情况进行了分析,同时将降噪处理应用到算法中,能有效地降低交叉项和噪声的干扰,如选择更有效的时频点进行空间矩阵联合对角化,最终将未知混合信号分离。仿真结果表明,该算法具有较好的收敛性,分离效果明显。     

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。     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

基于小波变换和FASTICA算法的有噪混合图像盲分离

简要介绍了独立分量分析的基本数学模型和算法,在此基础上,探讨了独立分量分析在有噪混合图像分离中的应用,提出了一种将小波阈值法去噪与独立分量分析相结合的多通道含噪盲信号分离算法,该算法在对混合含噪图像进行独立分量分析之前,使用小波阈值去噪去除含噪混合图像中的噪声.实验结果表明,该方法能有效地降低噪声信号的影响,较好地恢复了原始图像,解决了传统的独立分量分析方法无法实现加性噪声的多通道含噪盲信号分离的缺陷.     

基于差分进化算法实现非高斯噪声下盲信号分离

简要介绍了稳定分布统计特性,推导了一种适用于α稳定分布噪声下盲信号分离的算法.该算法采用差分进化算法对目标函数自动寻优,求得分离矩阵,从而分离出信号.仿真结果表明:该算法分数低阶α稳定分布背景噪声条件下具有良好的分离效果.     

线性非奇异盲信号混叠的分离矩阵个数

为了探寻线性非奇异盲信号混叠的不同分离算法有不同分离矩阵的原因,在改进的盲信号分离模型下,证明了一个理论结果：如果不考虑线性比例缩放,仅考虑旋转因素,分离矩阵的确切数目是源信号个数的阶乘．文中利用代数理论和二阶统计量方法,提出了通过求解二次非线性代数方程组来得到分离矩阵的算法,同时介绍了一种利用矩阵变换的分离矩阵求解方法．仿真结果证实了理论分析的正确性．     

基于FastICA的语音盲源分离方法

独立分量分析（ICA）在处理盲信号分离中被广泛使用,但其收敛速度较慢.为此文章重点介绍了一种更为有效的盲源分离方法——快速独立分量分析(FastICA).文章在介绍了FastICA的基本理论和方法之后,将其应用到语音分离中.在采集了三个实际的声音信号后,将三个原始信号进行混叠,在matlab仿真环境下用FastICA方法对混叠信号进行分离,将分离结果与原始信号波形进行比对,结果说明该算法具有良好的分离效果.     

基于二阶和高阶统计量的语音信号盲分离算法研究

研究了两种基于高阶统计量的盲信号分离算法,在各种不同的实验条件下比较了两种算法与基于二阶统计量的盲信号分离算法的分离性能,分析比较了3种算法的计算复杂度,为工程应用和DSP（数字信号处理器）实现提供了参考,最后总结了两大类算法的优缺点,并分析了原因．