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.     

基于FastICA的工频干扰消除算法

阐述了独立成分分析(Independent Components Analysis,ICA)的基本原理,将快速ICA(FastICA)算法应用于消除地震信号中的工频干扰,对输出信号的相关系数绝对值进行对比.结果表明:与传统的工频干扰消除技术相比,FastICA算法可以更加有效地消除微信号中的工频干扰.     

基于盲源分离的一种快速独立分量分析算法

基于盲源分离理论提出了一种快速独立分量分析 (FastICA)算法 .该算法以负熵作为独立性判决准则 ,在迭代过程中引入遗忘因子 ,加快了算法的收敛速度 .仿真结果表明 ,该方法能快速、有效地分离混迭信号     

工频通信信号联合检测方法

配电网信道环境极为恶劣,工频信号在信道内传输受诸多干扰因素的影响,导致信号失真程度较大。采用单级自适应陷波器检测工频通信信号,效果不佳。针对此问题,采用一种数学形态学与双级自适应陷波器联合算法检测工频信号。仿真结果表明:相比于用单级自适应陷波器检测工频信号,本文的算法在输出电压误差平均值降低了1.57V,输出信噪比提高了10.5dB。     

基于负熵最大化FastICA的心电信号提取研究

针对心电信号常被工频干扰污染问题,为了从观测信号中有效分离出心电信号,采用了基于负熵最大化的FastICA方法.仿真中,观测信号由心电信号和工频干扰通过混合矩阵线性叠加而成,无明显心电信号特征.经具体方法基于负熵最大化FastICA方法处理后,分离出的心电信号很好地逼近了理想心电信号,具有明显的心电信号特征,心电信号提...     

改进ICA去噪方法在瞬变电磁信号处理中的应用

提出一种改进ICA去噪方法,可确定去噪后的信号幅值.用于消除瞬变电磁信号中的工频干扰,并与传统陷波滤波方法进行比较.实验结果表明,采用改进ICA去噪方法,在消除工频干扰的同时,能很好地保留信号的波形和特征,去噪效果明显优于陷波滤波方法.在较低信噪比下仍可有效地提取信号,具有实用价值.     

虚拟通道扩展的引信欺骗干扰盲分离算法

为滤除引信接收信号中的欺骗干扰,研究了基于虚拟通道扩展的过渡干扰滤除FastICA(TJE-FastICA)和双系统FastICA(DS-FastICA)算法.算法利用不同周期接收信号特性以及信号非圆性来扩展单通道,并对传统FastICA进行噪声抑制改进,在此基础上提出了利用接收信号的循环相关输出幅值统计特性来剔除过渡干扰的TJE-FastICA算法,以及利用两个盲分离系统对分组信号同时分离的DS-FastICA算法.仿真结果表明,提出的算法明显优于正交投影算法和直接盲分离算法,DS-FastICA比TJE-FastICA具有2.5 dB的优势,且当信噪比R_SN>7.5 dB时,两算法分离的回波信号相似度均在80%以上,DS-FastICA的分离时间比TJE-FastICA算法快91%.      

改进的高阶收敛FastICA算法

高阶收敛的FastICA具有形式简单、收敛速度快的特点,但其对初始值的选择比较敏感,若初始值选择不当很容易影响收敛的效果,甚至造成不收敛的结果.针对这一问题,采用最速下降法对三阶和五阶收敛的FastICA算法进行改进.首先,应用最速下降法求出初值,再用高阶收敛的FastICA算法求出最优解.语音信号的分离实验表明:改进后的算法对混合信号进行了较好的分离,并且有效地克服了初值敏感性的问题.     

基于复数FastICA算法的盲多用户检测

针对MIMO-OFDM系统,提出了一种基于复数FastICA的盲多用户检测算法.该算法首先利用复数FastICA算法的快速收敛特性来提高多用户的分离速度,同时利用信号的相关函数对复数FastICA算法引起的幅度不确定性和相位不确定性进行了修正,最后将所提出的改进算法与复数自然梯度学习算法(CNGLA)进行仿真比较.结果表明,相比于传统的自然梯度算法,所提算法不仅收敛速度较快,而且具有更低的误码率,另外随着接收天线的增多,信号的分离效果会更好.     

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.     

基于时域正交TDO-LMS的变步长盲干扰抑制改进算法

为了寻求一种快速收敛的低复杂度LMS盲多用户检测改进算法,在时域正交TDO-LMS算法基础上,通过对接收向量时域解相关,达到加快步长收敛的目的.静态和动态干扰环境下的仿真结果表明：改进算法克服了传统盲LMS算法中步长受相关矩阵特征值影响的缺点,在保持原先输出信干比性能的前提下,表现出快速的收敛特征和良好的鲁棒性.     

引入松弛因子的高阶收敛FastICA算法

高阶收敛的FastICA算法对初始值的选择较为敏感,如果初始值选择不当不仅会影响算法的收敛效果,甚至可能导致不收敛的结果.针对这一问题,将松弛因子引入高阶收敛的牛顿迭代法中,通过适当的修正,获得了既能保证一定收敛速度,又能有效克服初值敏感性的改进三阶、五阶FastICA算法.仿真工具采用Matlab软件,应用3种算法对语音信号进行分离;结果表明,对比基本FastICA算法,改进后的算法有效地分离了混合信号,并且降低了算法对初始权值的依赖性.     

一种改进的RVSSLMS波束赋形算法

作为智能天线的关键技术之一,波束赋形算法引起了众多学者的广泛关注。为克服目前RVSSLMS算法比较简便,易于实现,但收敛速度较慢;RLS算法收敛速度较快,但其运算量大的问题,根据移动通信系统中波束赋形算法必须具有较快的响应速度和收敛速度的要求,对RVSSLMS算法进行了改进;结合RLS算法和RVSSLMS算法的优点,在开始迭代前的25次用RLS算法求加权系数W(k),再使RVSSLMS算法用RLS算法求出的加权系数W(k)作为初始值进行迭代求解,使其在保持原有运算量小的特点的同时,具有更快的收敛速度。用Matlab仿真对改进方法的有效性进行了验证,仿真结果表明:RLS-RVSSLMS算法既具有RLS算法收敛速度快的特点,同时保持了RVSSLMS算法计算量小的特点。     

均方偏差分析的多态可变步长LMS算法

最小均方（least mean square,LMS）算法在时变信道的最小稳态均方偏差（mean square deviation,MSD）由输入功率、噪声功率、随机扰动信号功率以及滤波器长度共同决定。为达到系统中最小的MSD值,传统的LMS算法存在有迭代次数较多和收敛速度慢等问题,提出了一种多态可变步长最小均方（multi-state variable step size least mean square,MVSS-LMS）算法。该算法通过添加暂态递减步长作为过渡,实现以更快的收敛速度达到系统中最小的MSD值。理论分析与仿真结果表明,与目前最新的Prob-LMS算法相比,所提算法在时变信道以及突变信道都具有更快的收敛速度和更低的MSD值,且算法的复杂度更低。     

基于信号子空间的盲自适应多用户检测

多用户检测技术是DS—CDMA中解决多址干扰问题的一种重要技术。针对基于PASTd多用户检测方法在子空间追踪收敛速度慢和收敛的不稳定问题，提出一种快速子空间追踪的盲自适应多用户检测改进算法。该算法通过空间分解得到信号子空间，并利用信号子空间的特征值和特征向量得到解相关多用户检测器；最后，应用归一化正交Oja快速自适应地追踪信号子空间。仿真结果表明，相对PASTd多用户检测方法，降低计算复杂度，加快算法的收敛速度，系统稳定性好，拟制多址干扰具有良好的性能，达到很好的多用户检测效果。     

基于遗传算法的波束追踪和成型

介绍了遗传算法在波束追踪和成型中的应用,着重探讨了该方法在解决追踪连续移动信号的同时抑制固定强干扰的问题。提出了一种改进的二进制编码方法,该方法引入了若干参数用以控制解的精度和搜索空间。特别考虑了算法的收敛性和可靠性。仿真结果表明,该算法可以在跟踪快速移动信号的同时,有效地抑制一个固定强干扰。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.