基于粒子群算法的盲源信号分离

当源信号个数大于2,联合对角化（JADE）算法在盲源信号分离时效果不理想.提出了一种基于粒子群算法（PSO）的盲源信号分离（BSS）算法.该算法利用PSO算法代替JADE算法中的联合对角化操作,以混合信号的峭度为目标函数,采用独立分量分析的方法,对瞬时混合的信号进行了盲分离,理论分析和仿真结果表明了该算法的可行性和有效性.     

同频同调制通信信号的卷积混合盲源分离

针时卷积混合同频同调制通信信号,提出一种新的卷积混合盲分离算法,利用滑窗Z变换将时域卷积混合形式信号通过数学变换转换到z域瞬时混合形式,通过成熟的线性混合盲分离算法分离出Z域源信号,估计出时域上的源信号.该方法适用于适定情形下的卷积混合盲分离问题,需要设置的分离参数只有一个,就是滑动窗口长度,从而降低了计算复杂度,提升了分离性能,易于硬件实现,可移植性强.     

基于独立分量分析与二值掩膜的语音分离

针对欠定混合语音信号模型,提出一种基于独立分量分析和二值掩膜相结合的语音分离新算法.首先,由并列放置的两个全指向性麦克风采集混合声音信号,通过一阶差分麦克风阵列技术使得两路混合信号满足瞬时混合模型;然后,应用两输入两输出独立分量分析方法对两路信号进行分离并估计分离信号的二值掩膜,循环迭代进而提取目标语音信号;最后,合并同源语音信号,增强各独立声源.仿真结果表明:该方法不仅适用于瞬时混合模型,对卷积混合模型同样有效;在瞬时混合条件下信噪比增益平均达到12.41dB,在卷积混合条件下信噪比增益平均为5.28dB.试验结果表明:算法在半消音室环境下能准确分离来自不同方位的三个声源,提取的目标语音都具有较高的清晰度与可懂性.     

基于蚁群算法和互信息进行非线性盲源信号分离

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,而求解其全局最优解非常困难的问题,这里提出一种基于蚁群算法进行非线性盲源信号分离的方法.该方法用高阶奇数多项式拟合非线性混合函数,以分离信号的互信息作为代价函数.并对非线性混合信号进行了仿真研究.由此方法得到的分离信号和源信号的相似系数都在98%以上,仿真实验结果表明该方法能够对非线性盲源信号进行很好地分离.     

机械噪声故障特征提取的盲分离法与小波提纯法

机械噪声故障特征提取的难点在于观测信号的信噪比较小．将盲分离技术引入噪声故障特征提取，通过声源信号的相互独立性质，使用二阶盲分离算法从观测的混合信号中提取独立声源信号，然后，通过随机噪声与有效信号在多尺度空间中模极大值的不同传播特性，使用小波模极大值法提取有效信号特征．该算法不仅消除了临近机器或部件辐射噪声的干扰，还消除了随机噪声的干扰，有效提取了机械噪声故障特征．电动机噪声特征提取实验验证了上述算法的有效性．     

盲源识别中偏态分量的分析方法

针对实际混合信号中许多分量具有偏态分布的特点，提出了一种用于该类混合信号的新的独立分量分析算法，该方法基于旋转原理，通过优化算法搜索最佳旋转角度，具有不需要循环迭代，计算量小的特点，通过盲源分离，由正弦与冲击信号混合的振动信号，证明该方法完全实用。同时，进行了实际混合声音信号的分离，并取得了好的效果。     

单频点频域卷积混合盲分离技术

在双频点频域卷积混合盲分离算法的基础上,提出一种单频点频域卷积混合盲分离算法.通过恰当地选取频域盲分离中短时傅里叶变换（STFT）的参数,可仅依靠一个频率片上的分离信号来完成双频点算法.相对于传统频域卷积混合盲分离方法,该方法不受各频率片顺序不确定性不统一及比例不确定性不统一的影响.仿真实验证明了该算法的有效性.     

两同频调制信号混合单通道盲分离的性能界

混合信号的单通道盲分离的性能界是衡量混合信号可分离程度以及盲分离算法性能的标准。该文针对两同频MPSK、QAM调制信号混合的单通道盲分离,从双信号联合序列检测的最大似然准则出发,利用Forney方法推出分离性能上界的解析表达式。仿真结果表明:该性能上界与理想情况下的Viterbi序列检测结果吻合得很好。对影响盲分离性能相关因素的分析表明,两信号调制参数的差异会显著影响混合信号的分离效果,且差异越大,分离效果越好,其中尤以时延参数差异的影响最为显著。     

一种非平稳卷积混合声音信号的盲分离算法

讨论一种非平稳卷积混合声音信号盲分离算法。该算法基于多时延解相关准则建立代价函数,用Frobenius范数最小化代价函数得分离矩阵。算法计算量低,适用于自适应在线运算,而且不要求时延相关矩阵是正定的。对非平稳卷积混合声音信号进行仿真实验,验证了算法的有效性。     

基于EMD和WP的RFID混合信号盲分离技术

本文首先分析了RFID混合信号的特性,射频识别信号之间具有统计独立性,幅度和极性上的不敏感性,满足BBS的条件,因此可以利用独立成分分析算法来处理射频识别的混合信号;然后给出单路RFID混合信号的欠定盲分离数学模型,讨论基于经验模态分层(EMD)、基于小波包(WP)的分层技术和独立子波函数的提取技术;最后提出了基于独立子波函数的单路RFID混合信号的欠定盲分离方法。     

盲信号分离输出与源信号的一致性判断

针对盲信号分离需要判断分离结果与源信号是否一致的问题,基于统计独立变量函数仍然保持“统计独立”的性质,提出了独立分量分析(ICA)的输出分量与源信号的一致性判断方法.该方法通过计算混合信号及其差分值混合矩阵的相关矩阵,根据ICA各分量对应的最大相关系数来判断ICA各分量与源信号的一致性.模拟计算和实验结果表明:若差分前后混合矩阵的最大相关系数趋近于1,则ICA输出分量与对应的源信号一致;为保证分离的准确,差分前后混合矩阵的最大相关系数不应小于0.8.     

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.     

基于自然梯度的独立子空间盲信号处理方法

作为盲信号处理的独立成分分析方法的扩展,独立子空间分析具有更广阔的应用前景.本文首先给出了独立子空间分析的一般定义和正则化定义,同时把其与独立成分分析方法进行了对比.此外,讨论了独立子空间分析的可分离性与解的唯一性问题.基于极大似然估计和自然梯度方法,本文给出了独立子空间分析的自然梯度算法.仿真实验通过二维的独立子空间...     

基于负熵最大化的卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号盲识别的问题,提出一种基于负熵最大化的测控信号副载波识别算法.首先介绍了独立分量分析的基本理论,根据独立分量分析求解问题的思路,由互信息准则得出能够表征输出信号之间独立性的目标函数即负熵.由于源信号是盲信号,源信号的概率密度未知,采用负熵的近似表达式来计算,最大化负熵代表着输出信号之间互相独立,即实现了信号的分离.在深入分析基于负熵最大化的快速独立分量分析算法的基础上,将其用于卫星测控信号的盲识别上.MATLAB仿真结果表明,该识别算法可以较好地分离卫星测控信号,具有良好的稳定性,收敛速度较快.     

基于快速独立分量分析的盲多用户检测算法

为了抵抗多址干扰的影响,充分利用了各个用户信号之间的独立性,使用负熵作为非高斯性测度,提出了一种基于快速独立分量分析的盲多用户检测算法.该算法在干扰用户的扩频码未知情况下能够获得优异的符号估计性能.通过与传统匹配滤波器、MMSE检测算法比较,实验结果表明在同步CDMA信道中,MAI较低的时算法检测性能与MMSE检测器的性能接近,随着MAI增加,算法的性能明显优于MMSE算法.     

小波消噪和盲源分离在转子故障信号分析中的应用方法

针对转子振动信号不可避免地受噪声污染问题,提出了一种基于小波消噪和盲源分离相结合的信号分析方法.该方法首先利用小波滤波器对测试信号进行消噪处理,再利用信号的二阶统计量(SOS)来分离盲源信号.仿真和实验结果表明, 相对于直接对测试信号进行盲源分离的方法,本方法可更有效地提取出转子振动的本质信号特征.     

盲信号分离中基于四阶累积量的源信号个数估计

研究了盲信号分离中源信号个数小于观测信号个数情况下源信号个数的估计方法.分别就带噪声和不带噪声两种情形进行了研究.对不带噪声的情形,给出源信号个数的以概率1正确的估计.对带噪声情形,通过构造适当的四阶累积量矩阵,将源信号个数的估计问题转化成为四阶累积量矩阵有效秩的估计问题,利用矩阵的SVD分解方法给出了源信号个数的估计.最后,利用计算机仿真将本文提出的估计方法与已有的估计方法进行了比较,并对实验结果进行了分析.     

一种基于时频分析的盲信号分离算法

利用模糊函数的时频分布特征选取时频点，提出一种新的时频域盲信号分离算法．与传统的维纳时频分布相比，不仅显著缩小了时频点的选择范围，而且不需要设定阈值．算法利用一种非正交联合对角化方法求取分离矩阵，在原始信号具有互相关的情况下也能达到良好的分离性能．仿真试验表明，该算法计算量小，分离精度高，可实现高斯源或相关源信号的盲分离．     

扩展联合对角化算法及其在语音分离中的应用

用扩展联合对角化（JADE）算法对混合语音信号进行盲源分离,并对分离前后的语音信号的波形和频谱进行了分析比较．实验表明,JADE算法在混合语音信号的分离中是有效的．     

基于遗传算法的盲源分离算法

针对现有盲源分离算法的性能依赖于对比函数选择的现象,提出了一种基于遗传算法的盲源分离算法,该算法直接从信号的样本序列中估计出信号的概率分布,解决了信号间互信息的求解问题.通过遗传算法最小化信号的互信息,实现了对线性混叠信号的分离.对模拟信号的分离结果表明,该算法可以成功地分离混叠信号,同时与快速独立分量分析算法相比,该算法的性能对源信号的概率密度性质没有依赖,因而对亚高斯和超高斯信号的混合信号表现出更加优异的分离能力.