一种改进的自然梯度语音信号盲分离算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。基于自然梯度的盲源分离算法一般分为固定步长和变步长的自然梯度算法,固定步长的自然梯度算法存在分离速度与稳定性之间的矛盾,即步长越长时分离速度快,但是稳态误差又得不到保障;步长太小分离速度又达不到要求。为了改善分离速度与稳定性之间的矛盾,提出了一种变步长的方法来,并用其改进了固定步长的标准自然梯度算法,成功地用于混合语音信号的分离,该方法取得比标准自然梯度算法更好的分离效果,具有更快的收敛速度。     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

变步长等变自适应盲源分离算法

针对传统盲源分离(BSS)算法采用固定步长难以同时兼顾收敛速度和稳态误差的难题,采用等变自适应盲源分离(EASI)算法,提出了一种基于分离指标的变步长等变自适应盲源分离算法(VS-SI)。该算法利用EASI收敛条件,构造表征信号分离程度的分离指标,并设计带遗忘因子的更新算法,以减小历史数据误差的影响,实现分离指标的自适应计算,并采用一个非线性单调递增函数实现步长的自适应调节。通过与固定步长的自然梯度算法(FS-NG)、固定步长的EASI算法(FS-EASI)、步长指数衰减算法(EDS)和基于权重正交约束变步长算法(AS-WO)的性能进行对比,结果表明,在无噪声和有噪声两种情况下,提出算法均有较快的收敛速度,最终性能指标分别减小了15%和20%以上,同时兼顾稳态误差和收敛速度,具有较好的数值鲁棒性。     

比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.     

用于信号盲提取的最大三阶相关峭度反卷积算法

传统的低阶自适应滤波器难以抑制或消除激光位移信号的高阶统计噪声,且在微位移测量条件下,基于最大熵或自然梯度的盲源分离方法的收敛速度和信噪比会急剧降低.为此,文中利用混合信号的峭度变化特性,提出了最大三阶相关峭度反卷积算法,设计了反卷积逆滤波器,分析了最大三阶相关峭度反卷积算法的收敛性和稳定条件,并构建了实验平台进行盲提取实验.结果表明,最大三阶相关峭度反卷积算法可有效地盲提取激光位移信号和多重反射信号,较FastICA算法具有更快的收敛速度和更高的信噪比.     

基于改进EASI算法的多跳频信号盲源分离

为了有效地解决多跳频信号的盲源分离问题,提出了一种变步长的EASI(Equivariant Adaptive Separation via Independence)盲源分离算法。该算法在传统EASI算法的等变化性基础上,用性能指标(串音误差)作为准则,通过改变函数的取值范围及形状,自适应更新步长,使其在一个固定小的范围内,达到算法收敛速度和稳定性能的一个较理想的平衡点,改善了当步长固定时存在的缺陷。经过实验仿真,证明该算法对步长有很好的调整能力,性能稳定且收敛速度较快,能很好地将多个跳频信号进行分离,较传统的EASI算法有更高的适用性。     

基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算,且这类算法不具备所希望的等变特性,对于病态混合矩阵的盲分离问题可能无法求解,通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法,该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵,也不需要对累积量矩阵进行代数变换,并且所使用的迭代算法不需要对任何变量求导,因此非常简单,易于实现;同时算法还具有对未经去除均值的混合信号直接进行分离的能力。     

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题，由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量，这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此，本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件，并在此基础上用高斯混合模型来估计信号的概率分布，提高了信号概率密度估计的精度；同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法，提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验，证明了此分离算法是有效的．     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

应用盲源分离方法分离岩矿混合像元

采用盲源分离方法解混岩矿混合像元,获取岩矿组分信息.分析了常用的Fast ICA、Robust ICA方法,从算法稳定性、分离信号质量和迭代计算效率3个方面,比较不同目标函数及寻优过程的优势和不足:Robust ICA在算法稳定性和迭代计算效率上具有较大优势,分离信号质量并不是最佳;Fast ICA对初始值和步长比较敏感,计算可能不收敛,也可能陷于局部最优;峭度为目标函数的Fast ICA有较好的分离信号质量,但算法稳定性不如负熵为目标函数的Fast ICA;用于负熵近似的非二次函数对算法稳定性和迭代计算效率有较大影响,原因是非二次函数影响迭代计算步长,较小的步长算法稳定性较好,但是迭代计算效率降低.实际运用中,应根据岩矿混合像元光谱特点,选择恰当的混合像元分离方法,在不同性能之间达到平衡.     

一种基于正弦函数的新变步长LMS算法

为解决传统LMS算法由于固定步长,在解决稳态误差与收敛性之间关系时始终处于矛盾状态的问题,在对固定步长LMS算法分析的基础上,根据变步长LMS算法的步长调整原则,通过构造步长因子μ(n)与误差信号e(n)的非线性函数,提出了一种基于正弦函数的新变步长LMS算法,并且分析了参数取值对算法性能的影响.理论分析和仿真结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS算法和SVS-LMS算法.     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

经典变分不等式的一种梯度投影算法

本文在有限维欧氏空间中提出了一种解经典变分不等式的梯度投影算法,该算法通过进一步限制投影区域,使X～k向一新的闭凸集Ω∩H_K~1∩H_K~2进行投影,使得x~(k 1)=P_(Ω∩H_K~1∩H_K~2)~(x~k),其中H_K~2={x∈R~n│≤0}.从而使得新的算法的迭代比原方法有一个更长的步长。并证明了其收敛性。     

基于盲反卷积的脑电信号盲分离研究

采用卷积混合模型描述观测脑电信号(electroencephalogram,EEG),提出一种基于盲反卷积的EEG盲分离方法.结合EEG源成分的独立性确定代价函数,并采用共轭梯度法进行迭代寻优.针对EEG仿真实验数据进行方法验证,采用分离信号与源信号之间的相关系数作为验证指标.实验结果表明,本文方法可以较好地实现EEG盲分离,为EEG信号处理和其他生理信号处理分析提供理论和方法借鉴.     

基于独立向量分析的表面肌电信号分解研究

提出一种适用于表面肌电信号分解的变步长的独立向量分析梯度算法,根据表面肌电信号(s EMG)的生理学特性,将独立向量分析(IVA)模型应用到卷积混合肌电信号的频域分离中,提取隐含在s EMG信号中的运动单位动作电位信息。并将该方法与独立分量分析(ICA)方法的分解性能分析比较。实验结果表明,基于IVA盲源分离技术的分解方法能得到较明显的分解效果。     

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．     

一种基于标准峭度的新型复数盲分离算法

在复值信号的盲分离算法中,经常采用信号的峭度最大化作为代价函数.以复数标准峭度代替复数峭度,将复数信号的标准峭度最大化作为新的代价函数,采用修正的复值拟牛顿迭代算法对代价函数进行优化,并运用该算法对混合QAM信号进行分离.仿真实验结果表明:改进后的算法具有很好的分离效果,相比于峭度最大化为代价函数的分离算法,收敛性能有明显提高.