一种含噪混合信号的盲分离方法

基于信息极大化和自然梯度原理,提出了一种超高斯与亚高斯混合信号的盲分离方法。该方法联合利用高斯函数与双曲正割函数平方的乘积和两个高斯函数的组合对源信号概率密度函数进行估计,放宽了约束条件,并采用峰度信息作为参数来选择概率密度模型及相应的非线性函数,对超高斯和亚高斯混合信号有较好的分离效果。并且,用小波变换与此方法相结合对含有加性噪声的混合信号进行分离。实验仿真证明了算法的有效性。     

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。     

杂系混合信号的盲分离

利用基于随机变量概率密度函数的非参数密度估计的核密度估计法对评价函数进行直接估计，改进了盲分离算法的性能，理论推导和试验都证实了这种基于核密度估计的非参数密度估计盲分离算法能实现包含超高斯和亚高斯信号的杂系混合信号的盲分离，为盲分离问题在实际问题中的应用奠定了一定的基础。     

基于信息典型相关分析的盲源分离算法

针对盲源分离问题,将互信息理论与典型相关分析理论相结合,提出了一种基于信息典型相关分析的盲源分离算法.该算法首先利用模式搜索法求解,得到混合信号向量的线性组合与混合信号向量延迟的线性组合之间互信息最大的信息典型向量,互信息计算中的概率密度函数由高斯核密度估计.然后,将信息典型向量依次与接收的混合信号数据阵相乘.完成对源信号的逐一抽取和分离.仿真实验结果表明,该算法不仅能有效分离包含超高斯信号成分的混合信号和包含亚高斯信号成分的混合信号,还能分离同时包含这2种成分的混合信号以及病态混合信号.     

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.     

一种用于超高斯和亚高斯混合信号盲分离的新算法

揭示了ＩｎｆｏＭａｘ盲源分离算法也是以Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ散度为代价函数的,它之所以能有效地用于语音盲分离,是因为所选取的非线性函数的导数能够近似为源信号的概率密度函度（ＰＤＦ）。由此又提出一种广义非线性ＩｎｆｏＭａｘ算法,该算法在估计分主矩阵的同时也对非线性函数进行迭代估计。实验结果表明这一算法能有效地分离任何超高斯和亚高斯信号的混合信号,包括语音、图像信号或其它信号的混合。     

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．     

基于概率密度估计盲分离的通信信号盲侦察技术

为解决复杂多信号环境下的通信侦察难题，提出一种新的盲侦察技术，采用基于密度估计的盲分离算法（DEBSS）分离出原始信号，然后对分离的各个信号进行后续信号处理．DEBSS算法采用核函数估计法估计出信号的概率密度函数及其导数，以此确定信号的评价函数，然后采用自然梯度迭代算法进行迭代．仿真结果表明，采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式），可以很好地分离出原始的发射信号，为后续信号处理（如分析识别、解调等）奠定基础．该算法可以对任意源信号进行分离，而不管它是超高斯还是亚高斯信号．     

比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.     

fMRI信号盲分离的一种独立成分分析算法

建立了独立成分分析(independentcomponentanalysis,ICA)的一个优化模型,在此基础上,给出了一个新的梯度算法,称之为Orth-ExtBS算法.该算法结合了ExtBS算法和FastICA算法,兼顾两者的优点,形式简单,易于应用,能有效地盲分离具有超高斯和亚高斯分布源的混合信号,获得更准确的分离效果和较快的收敛速度.将新的算法与其他两个算法(FastICA和ExtBS)分别应用到大型fMRI数据中,通过比较发现,新算法在估计激活的时间动力学准确性上要优于其他两个算法.     

关于高斯最小值猜测的一个注记

高斯分布又叫正态分布,在数学、统计学、物理及工程等领域具有非常重要的作用,人们熟知的中心极限定理也彰显了它的特殊性。跟高斯分布相关的不等式与许多领域密切相关,吸引了众多学者的关注。一个著名的例子是“高斯最小值猜测”,该猜测说的是：如果$n\geq 2$, $(X_i,1\leq i\leq n)$为中心化高斯随机向量,则不等式 $E\left(\min_{1\leq i\leq n}|X_i|\right)\geq E\left(\min_{1\leq i\leq n}|Y_i|\right)$成立,其中$Y_1,\ldots,Y_n$为相互独立的中心化高斯随机向量并且满足$E(X_i^2)=E(Y_i^2)$, $i=1,\ldots,n$. 在这篇注记里,我们证明该猜测成立当且仅当 $n=2$.     

硬边光阑的复高斯函数展开及在高斯光束中的应用

将硬边光阑门函数展开成复高斯函数后，利用高斯光阑和薄透镜的ABCD矩阵形式，推导出了高斯光束通过内含硬边光阑的近轴ABCD光学系统传输的解析表达式，说明了展开式的物理含义．通过二组复高斯函数展开系数与直接对Collins公式数值积分结果进行比较，说明所得的解析结果和新数据的优点．     

高斯消元法的改进及其在工程上的应用

传统的高斯消元法只能解决满秩的多元一次方程组,本文将利用人工智能当中的非单调与超协调两种逻辑思想,来改进高斯消元法,从而使得高斯消元法能解决所有的多元一次方程组,进而扩展其在工程领域的应用范围.     

多维非平稳高斯序列的超过数形成的点过程的渐近分布

{Xk,k=1,…,n}={(XK1,…,Xkp),k=1,…,n}是多维标准化的高斯序列,uki,k∞=1,…,n,i=1,…,p为正实数.定义点过程:Ni(.)=∑k=1I{Xki>uki}I{kn}(.).在一定条件下,本文得到了p个分量点过程N1(.),…,Np(.)的渐近独立性.     

高斯—拉盖尔求积公式

本文着重讨论了一点及两点的高斯—拉盖尔求积公式,并给出了数值算例。     

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

低漂移有色高斯噪声的产生

给出了使有色高斯噪声具有给定的相关系数的一种算法和程序.同时给出了减小所产生的有色高斯噪声的零均值慢漂移的方法.     

多维非平稳高斯序列的超过数形成的点过程的渐近分布

{Xk,k=1,…,n}={(Xk1,…,Xkp),k=1,…,n}是多维标准化的高斯序列,uki,k=1,…,n,i=1,…,p为正实数.定义点过程Ni(·)=∞∑k=1 I|Xki＞uki|I|k/n|(·).在一定条件下,本文得到了p个分量点过程N1(·),…,Np(·)的渐近独立性.     

基于Gaussian Copula与t-Copula的沪深股指相关性分析

针对沪深股指,讨论了Gaussian Copula与t-Copula的密度函数,并进行相关性建模，采用二步估计法对所建模型进行参数估计并给出了相关性指标。 最后,通过Monte Carlo模拟的方法比较了Copula关联结构之间的差异。