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.     

单路单周期心音混叠信号欠定盲分离方法

结合现有的单路混叠盲分离算法和心音信号的周期特性,提出了一种基于dwt_ica的单路单周期心音混叠信号欠定盲分离算法.该算法首先得到一组单周期独立心音子波,然后把该独立心音子波加入到一个单路单周期心音混叠信号中,从而将一路信号变成一个多路信号,接着再利用ICA方法分离该多路信号,可获得源心音信号的一种估计.心音混叠信号的盲分离仿真实验表明,该算法是行之有效的.     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

基于稀疏表示的超平面聚类盲信号分离算法

对欠定混叠盲源分离问题,论文针对于源信号的稀疏程度不同,首先引入了向量k-阶稀疏的概念。然后在满足欠定混叠盲分离问题可解的情况下,讨论了源信号向量是m-1阶稀疏的情况下的混叠矩阵的辨识问题,并提出了一种新的基于超平面聚类算法来估计欠定混叠矩阵。该算法不仅对源信号的稀疏性要求放宽了条件,而且在精确估计出混叠矩阵的同时估计出了源信号的数目。经数值实验仿真表明了算法的有效性。     

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.     

快速定点独立向量分析在语音信号盲分离中的应用

针对包括环境噪声的混叠语音信号分离困难问题,提出一种新的频域快速定点独立向量分析模型,对混叠语音信号进行盲分离.该模型中的每个源信号以向量形式混合,模型采用二次泰勒多项式把牛顿迭代算法直接应用于复变量对照函数,通过最优化使牛顿迭代规则更加简单和清晰.对实际采集的语音信号进行仿真,实验证明算法很好地分离了卷积盲源信号,新算法具有良好的收敛性和较高的准确性.     

基于独立分量分析的混叠跳频信号分离算法

为解决混叠跳频信号的分离问题,在深入研究独立分量分析(ICA:Independent Component Analysis)理论基础上,结合跳频通信的特点,提出了基于独立分量分析的混叠跳频信号分离算法,实现了对混叠跳频信号的盲分离.该算法将基于负熵最大化的FastICA算法应用到混叠跳频信号分离中.通过仿真实验表明,该算法能成功地排除乘性噪声干扰,完成对混叠跳频信号的分离.虽然分离信号的幅度、相位等参数较源信号发生了变化,但并不影响后续工作.这一过程在未知任何先验参数的条件下完成,并取得了较好的分离效果,为跳频通信信号的分离工作提供了新思路.     

雷达信号的盲分离

盲信号处理已成为近年信号处理和神经网络热点领域.但主要用于语言信号处理,而应用于雷达信号处理并不多见.将盲源分离算法应用于雷达阵列接收信号处理,提出了一种新的盲源分离算法的性能评价标准—相关系数法.首先研究了雷达阵列接收模型,然后分析了雷达阵列接收信号的特性.由分析可知:当雷达目标和杂波源在空间上与雷达接收机的距离基本一致时,雷达阵列接收信号在雷达接收机上的混叠是瞬时混叠;同时雷达阵列接收信号均为超高斯信号.因此可采用盲源分离算法中的定点ICA算法来分离雷达阵列接收信号.仿真结果表明,分离出来的信号与源信号的相关系数均大于0.95,说明了定点ICA算法能雷达阵列接收信号,证明了理论分析的正确性和算法的有效性.     

一种新的基于稀疏表征的二阶段欠定语音盲分离方法

提出了一种新的混叠语音盲分离方法,即在欠定的情况下基于信号的稀疏表征,通过两个阶段估计出混叠矩阵和源信号。在混叠矩阵估计阶段,利用类拉普拉斯窗口函数构造出一个新的势函数,根据基于势函数的聚类算法估计出混叠矩阵。在源估计阶段,针对1^1-范数方法的不足,提出了一种新的基于高阶统计特性的稀疏表征来进行源信号的估计——统计稀疏分量分析。仿真实验表明,和同类其他二阶段估计方法相比,本文所提方法分离结果的重构信噪比更高,分离性能也更加优越。     

基于平面聚类算法的欠定混叠盲信号分离

基于平面聚类的方法,对具有3个观测信号的欠定盲分离问题进行了探讨,该方法不再要求源信号是充分稀疏的,即源信号在同一时刻不只有一个起主导作用.先通过转化将平面聚类化为法线聚类,然后通过寻找由法线聚类所确定的平面族之交线识别出混叠矩阵,为Georgiev(2005)提出的最新理论提供了相应分离算法的有效途径.仿真结果表明所给方法在估计混叠矩阵时的准确性以及源信号的良好恢复能力.     

超高斯与亚高斯混合信号的盲分离研究

基于信息最大化和自然梯度法原理，提出了一种超高斯与亚高斯混合信号的盲分离方法，该方法联合利用t分布密度模型和混合双曲正割函数密度模型对源信号概率密度函数进行估计，并采用峰度信息作为参数来选择密度模型及相应的非线性函数．对超高斯与亚高斯混合信号有较好的分离效果。用语音信号和心电信号仿真验证了算法的有效性。     

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．     

基于估计概率密度函数的独立分量分析方法

利用混合高斯模型，给出了估计概率密度函数算法，并利用高斯混合模型法获得了对分离矩阵的梯度学习算法，给出了一种迭代概率密度估计的独立分量分析学习算法．这种块处理方法可实现超、亚高斯混合信源的情况．最后在仿真实验过程中验证了该算法具有较高的稳定度和精确度。     

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.     

线性非奇异盲信号混叠的分离矩阵个数

为了探寻线性非奇异盲信号混叠的不同分离算法有不同分离矩阵的原因，在改进的盲信号分离模型下，证明了一个理论结果：如果不考虑线性比例缩放，仅考虑旋转因素，分离矩阵的确切数目是源信号个数的阶乘．文中利用代数理论和二阶统计量方法，提出了通过求解二次非线性代数方程组来得到分离矩阵的算法，同时介绍了一种利用矩阵变换的分离矩阵求解方法．仿真结果证实了理论分析的正确性．     

卷积混叠盲信号分离的一种线性化方法

卷积混叠的盲信号分离是盲源分离问题中的难点．针对独立同分布的非高斯信号的卷积混叠,提出了一种新的盲解卷积方法——“两步提取法”：第一步消除所有源信号的延迟分量,提取仅含有源信号的线性混叠分量,使其转化为线性混叠盲源分离问题,称之为“卷积线性化”;第二步对“卷积线性化”后的估计信号进行分离,最终分离出源信号．同时,利用统计和矩阵理论,证明了设计“卷积线性化”滤波器的方法．仿真试验结果显示了该方法的可行性．     

一种单通道的源数盲估计方法

针对单通道的源数盲估计技术,提出了一种基于经验模态分解和交叉验证技术相结合的源数估计方法,该方法首先通过经验模态分解技术将单通道的观测信号转换为虚拟的多通道观测信号,然后采用基于交叉验证技术来确定混合在单通道中的源信号个数．仿真实验结果表明：该方法能准确地估计出混合在单通道中服从超高斯分布、亚高斯和高斯分布的源信号个数．     

基于方向幅值比的欠定盲源分离算法

为了提高欠定盲源分离问题中混合矩阵的估计精度,提出了基于时频域混合信号数据点的方向幅值比的欠定盲源分离算法.为了充分利用复混合信号数据点的相位信息,引入复信号的方向幅值比,通过复混合信号的方向幅值比的方差、均值、分布密度实现单源点的精确提取.将分布在直线方向上的单源点进行单位投影化处理,通过聚类分析获得混合矩阵的列元素之比,从而实现混合矩阵的估计.利用匹配追踪算法将源信号进行重构.经仿真验证,提出的算法相较于对比算法,可以获得更高精度的混合矩阵与分离信号.     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?