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。     

基于FIR神经网络的非线性盲信号分离

针对实验环境中可能出现的非线性卷积混合盲信号分离问题,在反馈结构最大似然盲信号分离算法的基础上,利用混合高斯模式概率密度函数估计方法,提出了一种采用有限冲激响应神经网络的非线性盲分离算法,并推导了新算法的权向量迭代公式．通过与其他盲信号分离算法的计算机模拟实验结果比较,新算法能更有效地进行非线性函数逼近,得到更小的输出均方误差,达到较好的非线性盲信号分离效果．     

一种改进的盲信号分离方法

指出了在盲信号分离过程中．基于独立分量分析的定点算法，具有结构简单、运算速度快的特点．但是在有些情况下，该算法是否收敛仍具有不确定性，限制了它的使用范围．基于信息理论原理提出了一种改进的盲信号分离算法，经计算机仿真和对实际生物信号处理的实验表明：该算法在速度和稳定性方面都有很大的改进．     

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．     

BFGS算法在盲信号分离中的应用研究

盲信号分离的独立成分分析方法已成为当今信号处理课题的热点。在分析已知算法的基础上,利用最优化方法中的Broyden- Fletcher-Goldfard-Shano(BFGS)算法,我们提出了一种基于信息理论新的盲信号分离算法。     

盲信号分离模型的混叠矩阵估计算法

针对传统盲信号分离方法通过估计分离矩阵实现盲信号分离难以同时适应适定、欠定和过定模型的问题,给出了一种新的方法,直接估计混叠矩阵实现盲分离.首先给出估计混叠矩阵的梯度学习公式,并分析了该梯度算法对适定模型的有效性,然后将它推广到过定混叠和欠定混叠模型,从而得到了一种适用于各种盲分离模型的混叠矩阵估计算法.仿真例子检验了所提出的算法在适定情形下与原有算法有类似的特性,而又可以同时适应过定和欠定模型.     

基于代价函数的盲分离在线白化算法

针对盲信号分离的白化预处理过程，提出了一种基于代价函数的在线白化算法．该算法利用一类代价函数的极值点特性，采用递归计算的方式获得信号的白化矩阵．与传统的白化算法相比，本算法计算量低、利用样本少，因此可适用于信号的在线预白化处理．仿真试验表明，本算法收敛速度快，白化效果理想，为进一步的研究在线盲分离提供了良好的基础．     

采用信号相邻采样点联合估计的欠定盲源分离算法

两步策略是当前欠定盲信号分离的基本方法,混叠矩阵的估计是恢复源信号的先决条件。考虑在混合矩阵已经估计的前提下,通过矩阵子空间的方法估计源信号,并且利用信号相邻采样点的相关特性,联合判断任意时刻信号的归属,提高欠定盲源分离算法的抗噪能力。通过仿真实验显示了该算法的性能及实用性。     

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．     

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．     

基于小波分析的盲源分离

提出一种新盲源（BSS）分离算法是在独立分量分析（ICA）算法中引入离散小波变换技术分解出有用信号．ICA是一种线性非高斯统计方法,不仅能够使研究对象相互独立或尽可能独立,而且能突出源信号的本质结构．笔者采用的新盲源算法能够将时-频ICA相结合,实现了较好的盲源分离．     

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.     

基于斜投影的卷积信道盲信号分离

为实现卷积混合信号的盲分离,提出了一种基于斜投影的子空间方法,首先设计"过去"、"现在"和"未来"的观测数据空间,并通过斜投影将卷积混合转化成为线性瞬时混合;然后采用静态分离算法重构源信号。该方法利用了观测数据矩阵的结构信息直接获得线性瞬时混合的数据模型,不需要进行高维子空间代价函数的优化,运算量相对小。计算机仿真验证了算法的有效性。     

基于压缩感知和优化算法的欠定盲源信号分离

针对目前欠定盲源信号分离在源信号不充分稀疏的情况下分离精度较低的问题,提出一种基于压缩感知和优化算法的欠定盲源信号分离方法.首先分析了欠定盲源信号分离和压缩感知问题的等价性,并建立基于压缩感知的欠定盲源信号分离的数学模型;然后以分离信号的稀疏性和互相关性来建立目标函数,并通过使用压缩感知和优化算法来实现欠定盲源信号的分离;最后对语音信号进行了仿真实验.实验结果表明,在源信号不充分稀疏的情况下,利用这种方法得到的分离信号与源信号的平均相似系数为0.990 3,由此可见这种方法是一种有效的、分离精度较高的分离方法.这也为欠定盲源信号分离问题的研究提供了一种新的途径和手段.     

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.     

复杂电磁环境下的雷达信号分离方法

在复杂的电磁环境下,进一步提高雷达的检测能力是现代雷达面临的紧迫问题之一.为了提高雷达探测精度,需要在众多的干扰信号中有效地提取出雷达信号.鉴于越发明显的常规雷达信号处理方法的局限性,提出了一种基于最大信噪比的信号盲源分离方法.首先利用信噪比越大分离效果越好的特点建立信噪比目标函数,然后通过求解目标函数得到盲信号分离的优化矩阵,最后实现雷达盲信号的分离.仿真结果表明,该方法可对雷达盲信号进行有效的分离,且不需要其它信号处理方法所要求的任何先验知识作为条件.     

基于协方差矩阵的自适应盲分离算法

提出了一种新的线性混叠信号的盲分离算法,该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则,采用最速下降法进行分离.该算法对源信号和混叠矩阵没有过多要求且计算量不大,理论分析与仿真结果表明:该算法具有很好的分离效果.     

一种基于子空间距离准则的源数目估计算法

 源数目估计是阵列信号处理中的一个重要课题,也是声纳探测领域的一个难题。通过研究特征子空间分析方法,提出了一种新的源数目估计算法。该方法在盲源分离结果的基础上,基于信号子空间和噪声子空间正交的原理,建立了子空间代价函数来估计观测空间的源数目。同时,通过仿真和水池实验,对该方法的性能做了研究,并与基于信息论准则中最小长度描述准则的源数目估计算法进行了比较。仿真和水池实验结果表明,该源数目估计算法能得到准确的源数目,并具有较好的抗噪性,在水声环境中具有更好的稳健性。     

一种新的自适应粒子滤波单通道盲分离算法

目前,解决成对载波多址单通道盲分离问题的主要方法之一是粒子滤波。以往的分离算法中,粒子数往往是固定的。盲分离粒子滤波算法在经过若干次迭代和重采样过后,存在一些权重数量级非常小的粒子,这些粒子不仅对后验概率密度的贡献甚微,而且会浪费大量的运算时间,导致算法效率低下。为提高效率,根据粒子滤波盲分离的特点,在参数大致收敛之后,采用一种自适应的算法降低粒子数目。此方法在保证了精度的同时,降低了计算复杂度。仿真结果表明,改进的算法相比传统粒子滤波算法复杂度降低了约1/6左右,低信噪比条件下精度比传统算法更高。