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.     

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.     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

基于可行性规则的混合粒子群的盲源分离

针对基于典型相关分析CCA(Canonical correlation analysis)的盲源分离问题,并且该盲源分离的过程是通过对信号的逐一抽取来完成的。为避免在盲抽取的搜索过程中产生大量的重复运算,将通过构造一个迭代算法来实现典型相关分析CCA的盲源分离。本文采用的迭代算法是基于可行性规则的混合粒子群HPSO(hybrid particle swarm optimization)算法;约束处理是基于可行性规则的约束处理技术,原理简单,处理方便,无需增加额外的参数。通过仿真实验结果表明,该算法能有效的实现典型相关分析CCA的盲源分离。同时,迭代算法相对简单,提高了典型相关分析CCA盲源分离的收敛速度。     

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.     

对基于变动量项前馈神经网络盲源分离算法的研究

介绍了盲源分离及基于神经网络盲源分离算法的原理,阐述了基于变动量项前馈神经网络盲源分离算法,并进行了计算机仿真实验。     

基于盲源分离算法的阵列信号波达方向-频率估计

盲信号处理已成为近年信号处理和神经网络热点领域,主要用于语言信号处理,应用于雷达信号处理并不多见.确定空间辐射源的波达方向(DOA)和频率是雷达阵列信号处理的基本问题之一,近20年来许多学者提出了性能各异的算法,其中有代表性的是多信号分类法和旋转不变技术的参数估计法.近年来,越来越多文献将盲源分离算法应用到阵列信号处理中,开辟了一条DOA估计的新道路.本文首先给出了一种用来盲分离复数信号的盲源分离算法,结合该算法,提出了可同时估计波达方向、频率的波达方向-频率盲估计算法.盲源分离算法是基于负熵的快速定点算法,不需要给出复数信号的概率密度函数,具有收敛速度快,鲁棒性强等特点.本文证明了波达方向-频率盲估计算法的收敛性.仿真研究表明新的波达角估计算法的特点:1)估计算法是有效并且鲁棒的;2)估计算法能从含噪声的阵列接收信号中同时估计出辐射源波达方向和频率;3)估计算法能将雷达杂波和目标回波分离.     

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。     

盲源分离算法及其在空时编码系统中的应用研究

盲源分离又称为独立分量分析,其过程是指在发射源信号和传输信道参数均未知的前提下,仅仅依靠观测信号来恢复源信号的每个独立成分。本文分析了现有几种盲分离算法结构,进行了算法仿真比较。对空时编码系统中的盲分离算法的应用进行了设计和仿真。通过仿真分析可知,在空时编码系统中使用盲分离算法可以有效减少噪声影响,对系统的稳定性有很大的提升。     

欠通道混叠语音盲分离算法

以超完备基的独立分量分析(Overcomplete ICA)为信道模型,采用自然梯度和最短路径的算法和提出的基于小波变换的Overcomplete ICA算法进行欠通道混叠语音盲分离,两者进行了比较.结果表明,该算法能够成功地分离混叠语音数据.     

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．     

广义梯度及其在盲信号分离中应用的研究

盲信号的研究是当今学术界研究的热点,它连接了神经网络、信号处理、信息论等多个领域[1-2].盲信号分离(B lind Signal Separation,简写为BSS)是盲信号的研究中一个广受关注的方向.在盲信号分离的研究中,1994年Comon[3]提出了独立分量分析(Independent Component Analysis,简写     

基于自然梯度的独立子空间盲信号处理方法

作为盲信号处理的独立成分分析方法的扩展,独立子空间分析具有更广阔的应用前景.本文首先给出了独立子空间分析的一般定义和正则化定义,同时把其与独立成分分析方法进行了对比.此外,讨论了独立子空间分析的可分离性与解的唯一性问题.基于极大似然估计和自然梯度方法,本文给出了独立子空间分析的自然梯度算法.仿真实验通过二维的独立子空间...     

级联双稳随机共振降噪下的有噪ICA研究

研究了强噪声混合条件下的独立分量分析（ICA）问题．提出了一种将级联双稳随机共振（SR）用于有噪ICA盲源分离的方法．该方法利用级联双稳SR对时域波形降噪的优良特性，先对有噪ICA信号进行SR输出，再进行ICA盲源分离．实验结果表明，利用上述方法可以有效提高有噪ICA的分离效果．     

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?     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

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.     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。