基于连续小波互谱的宽带Chirp信号DOA估计

提出一种时频域宽带源波达方向（DOA）估计算法．该算法通过计算参考阵元和其他阵元的连续小波互谱，构造出一种新的时频域数据向量模型，并利用Chirp信号的局部窄带特性，在信号的主要能量聚集区选择时频点构造时频相关矩阵代替传统的阵列相关矩阵，进行特征分解实现信号的DOA估计．该方法同时在空域和时频域进行处理，充分利用了时频分布的能量聚集性，实现了非平稳信号时频域的分离，仿真结果验证了新方法的有效性．     

基于特征值和奇异值分解方法的盲分离

在基于特征值和奇异值分解的盲分离算法中，采用固定时延相关统计量不能很好反映数据矩阵特征，故提出了一种基于不同时延正定相关矩阵的特征值和奇异值分解的盲分离算法．算法分观测信号的预白化和基于奇异值分解两个阶段，解决混和矩阵在输出信号数目大于等于输入信号数目的情况下，确定未知源信号的个数和分离的问题．仿真实验表明，改进算法能够准确分离出3个源信号，全系统矩阵比传统算法更接近分离要求，从性能指标来看，改进算法在信噪比10dB时，其分离的效果达到了良好．     

改进的语音频域盲分离算法

针对语音信号频域盲分离的排序问题,研究了幅值函数和频点间距对信号相关性的影响,提出了利用短时平均幅度函数和加入频点系数的方法对算法进行改进。改进算法考虑了幅值函数的稳定性和远距离频点的不可靠性,最终实现全部频点的排序。仿真实验对两种不同情况下混合的语音信号进行分离,结果表明改进算法的有效性。     

基于Wigner—Ville分布的非平稳信号盲分离

许多盲源分离方法限于非高斯、平稳且相互独立的源信号，在实际应用中往往全产生许多问题，因为自然界中的源信号通常不满足这些假设．本文基于时频分析，通过利用信号的Wigner-Ville分布，得出一种新的盲源分离方法，该方法能有效分离非平稳信号．     

基于空间时频分析的循环平稳盲源分离

介绍了基于空间时频分布的循环平稳盲源分离方法,对空间时频分析中交叉项引起的分离能力下降的情况进行了分析,同时将降噪处理应用到算法中,能有效地降低交叉项和噪声的干扰,如选择更有效的时频点进行空间矩阵联合对角化,最终将未知混合信号分离。仿真结果表明,该算法具有较好的收敛性,分离效果明显。     

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．     

基于源信号时间结构的半盲处理方法

该文给出了一种适用于时间相关的任意概率分布源信号的自适应半盲信号处理方法。提出的自适应算法基于二阶统计量(SO S)信息,利用了源信号在空间上非严格统计独立,同时在时间上也不是独立统计分布的假设。此外,为了实现理想的盲分离,源信号必需具有不同的功率谱密度。新的半盲信号分离(BSS)方法在仅使用SO S信息和时间结构的基础上,对相关源信号采用自适应技术,实现半盲分离,而且该文算法可取消经典ICA算法对源信号至多有一个G auss源的限制。真实图像数据的模拟实验及其与JADE、FP ICA、FOB I、AMU SE等算法的性能比较,验证了该算法的有效性。     

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.     

多种概率分布源的盲源分离快速算法

基于目标函数迭代优化的方法在解决线性混合情况下,源信号存在多种概率密度分布的盲源分离问题时,需要对非线性函数以及迭代步长进行正确的选择,算法比较复杂;针对此问题,提出一种基于高阶统计的快速分离算法,该算法可以有效地避免上述问题.实验结果表明,该算法能够快速有效地分离出不同概率密度分布的混合信号.     

基于方向密度检测与霍夫变换的混合矩阵估计

针对欠定盲源分离混合矩阵的估计问题,提出一种基于局部方向密度检测的孤立时频点处理与霍夫变换相结合的混合矩阵估计算法.首先通过变换域单源时频点处理增强信号的稀疏性,对散点图中的方向直线进行霍夫变换,通过判断局部极大值点确定源信号数量并估计混合矩阵.针对霍夫变换易出现的峰值簇拥问题,提出采用局部方向密度检测方法先判别并去除孤立时频点,之后再进行霍夫变换,提高了混合矩阵的估计精度.实验结果表明本文所提出的方法能够在未知源信号数量情况下实现混合矩阵估计,且估计精度高于K-means等常用方法.      

基于信号时频域聚集性的欠定盲分离混合矩阵估计方法

为解决欠定盲分离中混合矩阵估计问题,通过研究观测信号在时频域的线性聚集特性,提出一种基于时频域线性聚集程度差异的混合矩阵估计方法,并着重研究在信号线性聚集程度较弱情况下对混合矩阵的估计.首先,利用观测信号或其时频域中相应变换系数的比值分布衡量信号线性聚集程度;其次,采用优化初始中心的K-均值聚类算法估计混合矩阵.该算法降低了对信号稀疏性的要求,并且可以较高精度地估计出混合矩阵.仿真实验结果表明该方法具有可行性和有效性.      

基于时频分析的网络故障自动识别

通过研究网络流量的时频分析,提出了一种新的基于平滑魏格纳分布(WVD)的故障识别算法.该算法只利用管理信息库中的标准信息来识别不同种类的故障,而且与现有的简单网络管理协议体系结构兼容.采用平滑WVD可消除交叉项的干扰,并将网络流量序列转换为二维空间的波动能量分布.用获取的不同网络服务的时频特性分布作为训练样本,训练后的K最近邻分类器可实现网络故障的识别.实验中,故障识别结果与预设的场景一致,与理论值相比识别误差率为14 41%.分析结果表明,该算法适用于具有流量变化的故障场景.     

欠定条件下一种自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,该文利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局 均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。     

基于跳频信号短时平稳的二阶特征窗盲分离抗干扰方法

跳频通信难以高效抵抗人为的恶意干扰和动态干扰,研究基于盲分离理论的新型抗干扰技术具有重要意义.提出一种基于跳频信号短时平稳的二阶特征窗盲分离抗干扰方法,该方法通过空间预白化和定义特征窗函数,把跳频信号转化为白化的短时平稳信号,利用伪Wigner-Ville分布,提取出有用跳频信号而抑制掉干扰,实现抗干扰的目的.仿真结果表明,新分离算法比特征矩阵联合近似对角化(joint approximative diagonalization of eigenmatrix,JADE)算法具有更好的分离效果,分离后的信号通过提取算法能有效地被提取出来.     

基于Radon变换的目标主体信号与微动信号的分离

针对微动特征的有效分析和提取,研究了基于Radon变换的目标主体信号与微动信号分离方法。首先对回波信号进行时频变换,然后在时频平面上通过Radon变换来分离目标主体信号与微动信号,再通过逆Radon变换得到分离信号的时频分布,最后通过仿真验证了方法的有效性。     

单通道时频重叠高斯调幅通信信号盲分离方法

为了解决单通道多个时频重叠高斯调幅通信信号共信道的盲分离问题,提出了一种混合遗传与最小值搜索的盲分离算法。根据信号的特征,建立信号模型,利用接收到的一组混合信号的数据,利用混合遗传与最小值搜索的盲分离算法对所有待估计参数进行联合搜索,实现了多个信号分量的重构和分离。仿真结果表明,与传统的最小值搜索算法(初值选取误差控制在远离期望值的5%以内)和遗传算法相比,该算法有较高的数值精度和不受初值选取影响的优点。     

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.