Novel blind source separation algorithm using Gaussian mixture density function

The blind source separation (BSS) is an important task for numerous applications in signal processing, communications and array processing. But for many complex sources blind separation algorithms are not efficient because the probability distribution of the sources cannot be estimated accurately. So in this paper, to justify the ME(maximum enteropy) approach, the relation between the ME and the MMI(minimum mutual information) is elucidated first. Then a novel algorithm that uses Gaussian mixture density to approximate the probability distribution of the sources is presented based on the ME approach. The experiment of the BSS of ship-radiated noise demonstrates that the proposed algorithm is valid and efficient.     

船舶辐射噪声盲分离技术仿真研究

基于盲分离的思想，船舶辐射噪声可通过盲源分离技术重构出相应的原始辐射信号。仿真实验研究了两种情况的源分离：从单船舶辐射噪声信号谐波成分的分离；多船舶辐射混合信号中分离出每条船只对应的原始辐射信号。采用理论模型产生的模拟数据与实际录音数据进行的实验，得到了满意的结果。文中采用神经网络自适应在线学习算法，算法稳定性好、收敛速度快，在极低的信噪比下仍具有很好的分离效果。     

基于混沌自适应烟花算法的雷达信号盲源分离

针对传统独立成分分析(independent component analysis, ICA)方法存在收敛速度慢、分离性能不高的问题,将混沌映射策略与自适应爆炸半径相结合,提出一种基于混沌自适应烟花算法(chaotic adaptive fireworks algorithm, CAFWA)的盲源分离(blind source separation, BSS)方法,并应用于雷达辐射源混合信号分选问题。混沌映射策略可以将初始值在解空间内分布更加均匀,爆炸半径能够根据适应度的优劣自适应改变,保证了所提算法局部搜索的精度,满足了全局搜索的多样性。实验结果表明所提算法可以在无噪和有噪情况下均能很好地分选观测信号,而且具有比传统算法更快的收敛速度和更优异的分选性能。     

基于混沌自适应烟花算法的雷达信号盲源分离

针对传统独立成分分析(independent component analysis, ICA)方法存在收敛速度慢、分离性能不高的问题,将混沌映射策略与自适应爆炸半径相结合,提出一种基于混沌自适应烟花算法(chaotic adaptive fireworks algorithm, CAFWA)的盲源分离(blind source separation, BSS)方法,并应用于雷达辐射源混合信号分选问题。混沌映射策略可以将初始值在解空间内分布更加均匀,爆炸半径能够根据适应度的优劣自适应改变,保证了所提算法局部搜索的精度,满足了全局搜索的多样性。实验结果表明所提算法可以在无噪和有噪情况下均能很好地分选观测信号,而且具有比传统算法更快的收敛速度和更优异的分选性能。     

基于自适应评价函数的独立成分分析算法

简要介绍独立成分分析（ICA）及其模型，然后在极大似然估计的框架下，基于两类参数模型--Gaussian混合密度模型和Pearson系统模型，研究了具有对称分布（包括超高斯分布与亚高斯分布）和非对称分布源混合信号的盲分离问题，给出了一种有效的基于灵活评价函数的ICA新算法，该算法在一定意义上实现了对源信号概率分布的真正全“盲”。与原有的ICA算法相比，该算法具有更广泛应用范围。模拟实验验证了算法的有效性。     

基于BICM-ID系统的单通道混合信号盲恢复算法

针对非协作通信中单通道同频线性调制混合信号盲恢复问题，基于比特交织编码调制迭代译码（bit interleaved code modulation iterative decoder， BICM-ID）算法思想，建立单通道混合基带接收系统模型，提出一种联合解调和译码实现单通道混合信号中源信息盲恢复算法。通过分析和推导，给出一种混合信号解映射的方法。该算法不需要对混合信号分离，而可以直接从混合信号中估计出各路源信号，且复杂度低。理论分析和仿真结果表明，对于无码间干扰和有码间干扰的加性高斯白噪声(additive white Gaussin noise, AWGN)，算法都能得到较低的误比特率(bit error rate, BER)，而且算法对等功率混合信号和不等功率混合信号同样适用。     

自组织的神经网络方法和群落生长模型研究

本文在研究神经网络自组织方法的基础上,通过模拟生物群落演化的动态机制,提出了一种新的自组织模型GGM,在GGM中,我们利用聚类中心的动态增生和消亡,使自组织学习调整直接局部化到单个聚类中心,从而避免了全局一局部调整的模拟退火训练过程,大大地提高了自组织学习的速度和适应能力.     

基于Stacked-TCN的空间混叠信号单通道盲源分离方法

针对空间互联网星地通信场景中的混叠信号分离精度不足问题, 提出了基于深度学习的堆叠时域卷积网络(stacked time-domain convolutional network, Stacked-TCN)分离方法。首先, 对混合信号提取编码特征表示。然后, 通过时域卷积网络训练得到源信号的深层特征掩模, 将每个信号源的掩模与混合信号编码特征做Hadamard乘积, 得到源信号的编码特征表示。最后, 使用1-D卷积, 对源信号特征进行解码, 得到原始波形。实验采用负的比例不变信噪比作为网络训练的损失函数, 即单通道盲源分离性能的评价指标。结果表明, Stacked-TCN方法与其他4种算法相比, 所提方法具有更好的分离精度和噪声鲁棒性。     

基于高斯噪声模型的马尔可夫网络构建算法

针对小样本集构建稀疏马尔可夫网络计算量大和求解精度不高的问题，提出一种基于高斯噪声模型的迭代噪声消减（iterative noise reduction，INR）算法。该算法首先利用回归误差的高斯特性筛选相关变量，然后通过boosting方法的自回归更新策略逐步改进学习能力，最后采用赤池信息准则（Akaike information criterion，AIC）避免出现过拟合。此外，给出了自回归更新公式，实现了可控的学习错误率并分析了计算复杂度。实验结果表明，INR能有效构建高维稀疏网络，在学习效率和精度方面具有明显优势。     

基于高阶累积量特征学习的调制识别方法

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。     

可变先验贝叶斯学习稀疏SAR成像

针对合成孔径雷达(synthetic aperture radar, SAR)在稀疏成像中, 传统贝叶斯机器学习算法存在先验固化、成像结果容易过拟合等问题。提出一种可变成像先验贝叶斯(varying imaging prior Bayes, VIP-Bayes)学习稀疏SAR成像算法。首先, 引入可动态灵活表征目标散射特征的广义高斯分布先验。然后,在贝叶斯推理框架下进行分层建模, 后验分布推导。最后, 针对常规吉布斯采样算法无法采样复杂后验分布的问题, 引入哈密顿蒙特卡罗(Hamiltonian Monte Carlo, HMC)采样算法进行求解。另外, 考虑到HMC算法对非平滑后验分布无法采样,因此引入近端算子, 进行近端梯度近似, 提出近端-HMC(proximal-HMC, P-HMC)算法。P-HMC算法可有效解决非平滑后验采样问题。因而可实现VIP-Bayes稀疏成像。通过仿真数据进行算法有效性验证, 选取SAR实测数据与多种算法进行成像对比实验, 利用相变热力图对算法成像性能进行定量分析,验证了所提算法的实用性和优越性。     

基于去噪盲分离的多个直扩信号参数估计

噪声条件下多个直扩信号混合情况下的参数估计是传统算法所无法处理的,为此提出将去噪盲分离算法应用于此问题,达到噪声消除和使多个扩频信号相互分离的目的。首先回顾了在低信噪比条件下估计单个直扩信号参数的循环谱估计技术,并且说明了盲分离算法在估计多个混合直扩信号参数的可行性。然后给出了含噪盲分离的基本模型和一种有效算法移偏快速独立分量分析(fast independent component analysis, FASTICA)。接着引出了一个算法框架--去噪盲分离,证明了经典独立成分分析(independent component analysis, ICA)算法可以统一到这个框架中。仿真结果表明了算法的有效性和实用性。     

独立分量提取的在线算法及其应用

独立分量分析(ICA)根据信源统计独立特性对观测信号进行盲分离运算，由于其独特的分离性能而受到广泛关注，但目前其实现的算法普遍采用批处理的形式。文章探讨了在线ICA算法，并将其应用于脑电信号伪迹消除中，实验结果表明，丈中所提出的在线ICA算法具有良好的稳健性和盲源分离性能。     

基于独立源分析的过程监测及故障诊断方法

多元统计过程控制(MSPC)要求观测数据服从正态分布,而实际的工业过程数据大都不满足正态分布条件。独立源分析(ICA)是近几年才发展起来的一种新的统计方法,可以克服对数据分布的依赖。为此以ICA算法为核心,引入一种新型的过程监测及故障诊断方法。应用ICA提取独立源,利用I2图,Ie2图和SPE图进行故障检测,将变量重构图用于诊断故障。以三水箱系统为背景进行的实验研究,验证了该方法的有效性。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于t分布噪声的鲁棒PPLS回归模型

概率PLS(PPLS)模型中,数据源(主元)和噪声满足正态分布,容易受离群点的影响.鲁棒PPLS算法采用拖尾更长的t分布描述数据源和噪声,提高了模型的鲁棒性.但是,实际工业过程中,离群点由测量噪声导致,而不是由产生过程变量和质量变量的数据源产生.基于此,提出一种基于t分布噪声的鲁棒PPLS模型.该模型采用t分布拟合测量噪声的分布,而主元依然用标准正态分布描述,更符合实际测量状况.考虑到潜在变量的存在,采用极大似然方法结合EM算法对模型的参数进行了估计,并将该模型用于对过程变量和质量变量的回归估计.最后,通过仿真实例进行了验证.     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high resolution range profile, HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine, SVM)分类器的核函数,研究了幂次变换(power transform, PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。