结合累积量切片的联合对角化盲分离及应用

针对传统盲分离算法在以欠定的观测信号为对象时的失效问题,提出一种改进的结合四阶累积量的二阶联合对角化盲分离算法.该算法通过对源观测信号进行四阶累积量计算,比较各累积量切片对算法分解的合理性,对形成的多个切片进行近似对角化处理,进而对以延迟点为中心进行多个对角化矩阵的平均,提高算法分解的稳定性,最后通过仿真信号和车辆振动信号验证算法的有效性.该联合算法有效扩展了二阶音分离(SOBI)算法的应用范围,可以应用于瞬时混合模型的实际工程信号处理.     

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。     

基于改进PSO的ICA方法分析重力固体潮信号

为了从重力固体潮信号中提取地球物理信息,介绍了一种重力固体潮信号分解模型.在分解模型中,重力固体潮信号分解为赤道平面信号分量及地球自转轴信号分量.为了提取与分解模型相一致的地球物理信息,提出用独立分量分析(ICA)方法将重力固体潮信号中的赤道平面信号分量与地球自转轴信号分量分离.鉴于ICA存在收敛速度慢及局部搜索等特点,提出了一种基于惯性因子ω的改进粒子群优化算法(PSO)来解决ICA中的全局寻优问题.通过仿真实验分析可知,本文提出的改进粒子群的独立分量分析算法可以获得与分解模型相一致的信号分量,并且从各分量中可提取出与地球产生机制相一致的地球物理信息,是一种分析重力固体潮信号的有效方法.     

星载AIS接收系统的多用户分离

针对星载AIS接收系统覆盖范围大而导致接收的AIS时隙碰撞以及无法有效地分离AIS信号问题,给出了碰撞概率和检测率的分析模型。同时,提出了一种多用户分离的设计方案。该方案采用基于FastICA的阵列信号处理方法从混合信号中逐步分离出一定数量的船舶信号,避免了混合信号源数估计这一难题。这种思想也符合星载AIS接收系统的需求。仿真结果验证了该方法是有效的,且算法收敛较快。     

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．     

基于变分模态分解算法的单通道无线电混合信号分离

针对复杂电磁环境下单通道无线电混合信号分离困难及分离精度不高的问题,提出2次使用变分模态分解(VMD)算法对单通道无线电混合信号进行分离的方法.首先利用VMD算法对单通道无线电混合信号进行粗分离,并将VMD算法与总体平均经验模态分解(EEMD)算法进行对比,得出前者分离出的信号在时域、频域及信噪比和相似系数等方面均比后者取得的对应结果效果好的结论.然后对VMD算法的参数利用改进的量子粒子群优化算法进行优化,确定所需分量个数和惩罚因子的值.最后对VMD算法分离后的信号使用参数优化后的VMD算法进行细分离.数值模拟和实验信号分析结果均表明,再次分离后所得到的信号精度较利用VMD算法对单通道无线电混合信号进行粗分离时更高,证明了所提算法对单通道无线电混合信号分离的有效性.     

下期文章摘要预报

碰撞模拟过程中焊点的影响高卫民 ,王宏雁 ,徐敦舸　　叙述了有限元分析中主要的焊点处理方式 ,提出碰撞模拟中常用的模拟方法 ,对常用的焊点模拟算法进行了分析 .以某国产轿车整车碰撞模拟为例 ,提出在碰撞模拟中必须考虑焊点断裂特性 ,否则将大大降低碰撞模拟的精度 .企业多元化战略选择的多维信号博奕模型李宇宏 ,沈荣芳 ,张显东　　运用博奕论及信息经济学中非对称信息下的信号博奕理论 ,建立了一个企业多元化战略选择的多维信号博奕模型 .通过对此模型的分离均衡分析 ,阐述了企业多元化的战略意义在于传递企业成本类型和市场需求类型以…     

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NMF的老电影音频背景噪声修复算法

老电影音频资料经过长时间的存储会出现音频纯度低、存在噪声等问题.利用非负矩阵分解(non-negative matrix factorization,NMF)算法对单声道音频中的背景噪声进行自动、快速检测和分离以去噪.对非噪声和噪声信号分别建立相应的模型,即前者使用正弦模型;后者的模型通过对老电影中先验噪声信号进行训练得到,然后使用一种条件受限的NMF算法对音频中的背景噪声进行分离.实验结果表明,该算法在去噪效果上要优于直接滤波等去噪算法.     

基于VMD-AR谱的多轴转子系统故障特征信息提取方法

为了解决现有分解方法在近频部分产生模态混叠的问题,提高时变参数模型对故障信号直接诊断的准确性,研究了多轴转子系统的典型故障信号分析方法.提出了基于变分模态分解(VMD)和AR谱相结合的故障特征信号分析方法;采取瞬时频率均值法选取VMD中的分解模式数k.经VMD分解产生固有模态函数(IMFs),采用AR谱对IMFs分量进行特征提取,分析典型故障模式相对应的特征频带.结果表明:基于VMD-AR谱的故障特征提取方法解决了分解模式数k的选取难题,避免k值的经验选取;VMD能够抑制信号分解近频部分的模态混叠,而AR模型克服了Hilbert分离算法存在的加窗效应,在频带划分上具有较强的分辨率.该方法可有效进行故障特征提取,并为改进的粒子群优化算法的混合核支持向量机算法提供特征信息.     

未知信源个数的自适应盲信号分离算法

结合基于贝叶斯信息准则的模型选择理论和独立分量分析技术对信源数未知时超定盲分离模型的源信号数量进行概率估计。给出了信源数量的统计分布,在此基础上实现了未知源个数的ICA分解。根据输出分量间的冗余分量进行有效数据提取,大大简化了算法的计算量和复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

一种改进的广义谐波小波包分解算法及在信号特征提取中的应用

提出了一种改进的广义谐波小波包分解算法,克服了传统特征提取方法的缺点,实现了信号的快速无混叠分离。通过与小波包分析、经验模态分解、广义谐波小波包分解进行比较,证明其在信号分析上的有效性和优越性。基于超声波信号频率非单一性的特点,将该算法应用到超声波信号特征提取中,实现了任意频段及任意频宽的信号特征提取,且计算量小。该算法为信号特征提取提供了一种更加精确有效的方法。     

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。     

基于鲁棒主成分分析的低频水声信号降噪方法

由于海洋环境噪声的复杂性,接收到的信号往往具有较低的信噪比,导致水声信号处理难度大等问题.针对此问题,采用基于鲁棒主成分分析的降噪方法,建立将含噪信号表示为低秩、稀疏和噪声的分解模型,研究了对低频水声信号的降噪问题.首先通过Godec算法将含噪信号表示为低秩、稀疏和噪声3部分,然后运用非负矩阵分解算法对低秩部分进行分解,得到噪声字典,最后根据得到的噪声字典从含噪信号中提取出初始水声信号.通过对不同海况下即不同信噪比的仿真信号进行降噪处理,结果表明该方法在水声信噪分离中具有较好的降噪效果.     

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。     

基于NMF和FCRF的单通道语音分离

近年来,非负矩阵分解(non-negative matrix factorization,NMF)被广泛应用于单通道语音分离问题。然而,标准的NMF算法假设语音的相邻帧之间是相互独立的,不能表征语音信号的时间连续性信息。为此,该文提出了一种基于NMF和因子条件随机场(factorial conditional random field,FCRF)的语音分离算法,首先将NMF和k均值聚类结合对纯净语音的频谱结构以及时间连续性进行建模,然后利用得到的模型训练FCRF模型,进而对混合语音信号进行分离。结果表明:该算法相比没有考虑语音时间连续特性的基于NMF的算法如激活集牛顿算法(active-set Newton algorithm,ASNA),在客观指标上有明显提高。     

应用小波多尺度分解算法实现简化气候模式的减噪

应用小波多尺度分解算法，实现从简化气修模式混沌系统背景中将高斯噪声、随机信号、多频率的正弦周期信号和混沌信号分离，克服了先前的减噪要知识产生混沌信号的类学模型，并且要求假定桑加在混沌背景中的其它信号幅度相对很小的缺陷，该方法可以用于资料信息的处理。     

基于非负矩阵分解和长短时记忆网络的单通道语音分离

为了解决语音分离中非负矩阵分解(non-negative matrix factorization,NMF)、深度神经网络(deep neural network,DNN)等算法没有考虑语音时序相关性的问题。结合NMF和长短时记忆网络(long short-term memory,LSTM)算法提出NMFLSTM单通道语音分离算法:将语音信号的幅度谱作为模型的输入特征,通过训练NMF和LSTM模型获得目标语音的基矩阵和系数矩阵,并对其结果进行语音重构最终实现语音分离。实验结果表明:相比于未考虑语音时间连续性的算法,使用NMFLSTM算法分离语音的客观语音质量评估值(perceptual evaluation of speech quality,PESQ)有明显提升,其最大值超过3. 1,获得良好的分离效果。