基于皮尔逊系统的语音信号盲源分离

当利用传统自然梯度算法对所有语音信号都使用同一个激活函数进行分离时,对语音信号的盲源分离效果都不尽理想.针对这一问题,采用基于皮尔逊系统的分段激活函数对传统自然梯度算法进行改进.通过引入皮尔逊系统,将皮尔逊函数与传统激活函数相结合,再利用信号的矩估计方法,分段选择合适的激活函数代入分离矩阵,有效克服了传统语音分离算法的缺点和不足.仿真结果表明,在对实际的语音信号进行分离时,改进算法的性能明显优于传统自然梯度算法,并且在保持了良好收敛速度的同时大大减少了均方误差.     

核独立分量分析在盲源信号分离中的应用研究

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核空间ICA的原理和基本算法,然后利用核独立分量分析算法和固定点快速分离算法分离了混合语音信号.试验结果表明:利用基于核独立分量分析的方法可以得到较为理想的分离效果.     

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.     

基于负熵最大化的卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号盲识别的问题,提出一种基于负熵最大化的测控信号副载波识别算法.首先介绍了独立分量分析的基本理论,根据独立分量分析求解问题的思路,由互信息准则得出能够表征输出信号之间独立性的目标函数即负熵.由于源信号是盲信号,源信号的概率密度未知,采用负熵的近似表达式来计算,最大化负熵代表着输出信号之间互相独立,即实现了信号的分离.在深入分析基于负熵最大化的快速独立分量分析算法的基础上,将其用于卫星测控信号的盲识别上.MATLAB仿真结果表明,该识别算法可以较好地分离卫星测控信号,具有良好的稳定性,收敛速度较快.     

改进的独立分量分析算法

对独立分量分析算法的基本理论和FastICA算法进行了简要介绍.传统的FastICA算法只具有二阶的收敛速度,为了提高独立分量分析算法的收敛速度,减少迭代次数和运行时间,提出了一种改进的独立分量分析算法——五阶收敛的牛顿迭代法.对牛顿迭代算法加以修正,使改进的独立分量分析算法具有五阶的收敛速度.图像信号分离仿真实验表明,改进算法与传统的FastICA算法在分离效果相当的情况下,明显减少了传统的FastICA算法的迭代次数和运行时间,提高了收敛速度和运行效率.     

基于ICA和波束形成的快速收敛的BSS算法

独立分量分析(Independent Component Analysis,ICA)的BSS算法是一种分离信号的有效方法,但是该方法在进行非线性优化时收敛速度较慢.针对这一问题,本文介绍了一种新的BSS算法,即基于ICA和波束形成的混合算法,该算法比通用的基于ICA的BSS算法具有更好的分离性能,并且由于在ICA中利用了零波束形成,因而有效地改善了算法的分离性能和收敛性能.实验结果表明,该算法适用于混响情况.     

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。     

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。     

未知信源个数的自适应盲信号分离算法

结合基于贝叶斯信息准则的模型选择理论和独立分量分析技术对信源数未知时超定盲分离模型的源信号数量进行概率估计。给出了信源数量的统计分布,在此基础上实现了未知源个数的ICA分解。根据输出分量间的冗余分量进行有效数据提取,大大简化了算法的计算量和复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。     

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.     

采用Pade逼近的有理非线性Fast-ICA

针对快速独立分量分析(fast independent component analysis,Fast-ICA)算法中非线性(nonlinearity)本身的计算负担会造成算法收敛速度下降的问题,提出一种有理多项式函数替代经典非线性的方法.通过将传统的非线性进行泰勒级数展开,利用Pade逼近技术推导出相应的有理多项式函...     

线性化逐层优化MLP训练算法

提出了线性化逐层优化ＭＬＰ训练算法（ＬＯＬＬ）．ＬＯＬＬ采用循环方式逐层对ＭＬＰ的连接权值进行训练．训练连接权值时用一阶泰勒级数表示神经元的非线性激活函数以实现神经网络的线性化,使ＭＬＰ的训练问题转化为一个线性问题．同时,为保证神经网络线性化条件不被破坏,ＬＯＬＬ通过在神经网络的误差函数中计入部分线性化误差限制参数的改变幅度,对神经网络的误差函数进行了修正．实验结果显示,ＬＯＬＬ训练算法的速度比传统的ＢＰ算法快４倍,用它构成的语音信号非线性预测器有较好的预测性能．     

在线复值独立分量分析算法

基于复向量不相关特性和复值非线性函数,提出一种在线复值独立分量分析算法.结合非正则复向量的协方差矩阵和伪协方差矩阵构造出了新的代价函数,进而提出新算法,通过复非线性不相关,从混合信号中提取出复值独立分量.由于充分利用了非正则复向量不相关的特性,获得了更多有用的信息量,因此算法的收敛速度更快、提取效果更好,并且在线方式下算法更加稳定.仿真试验表明,所提出的在线复值独立分量分析算法更具有实际应用前景.     

引入松弛因子的高阶收敛FastICA算法

高阶收敛的FastICA算法对初始值的选择较为敏感,如果初始值选择不当不仅会影响算法的收敛效果,甚至可能导致不收敛的结果.针对这一问题,将松弛因子引入高阶收敛的牛顿迭代法中,通过适当的修正,获得了既能保证一定收敛速度,又能有效克服初值敏感性的改进三阶、五阶FastICA算法.仿真工具采用Matlab软件,应用3种算法对语音信号进行分离;结果表明,对比基本FastICA算法,改进后的算法有效地分离了混合信号,并且降低了算法对初始权值的依赖性.     

广义分式规划Dinkelbach型算法的推广

就一类目标函数中有无限个分式的广义分式规划问题,在已有的相应的D inkelbach型算法的基础上作了进一步的推广,使其成为一簇算法;讨论了一个参数规划的性质和该簇算法的收敛性.结果表明:改进的D inkelbach型算法是该簇算法的一个特例,并且该簇算法在每次迭代时参数的取法有很大的灵活性,因而在求解时可允许有较大的误差而无损于相应的收敛速度.     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

一种改进的ICA算法及其在fMRI信号上的应用

摘要:给出了独立成分分析(ICA)的一个优化模型,在此基础上,提出了一种牛顿型迭代算法,为加快算法的收敛速度,对牛顿迭代进行了进一步修正,使该算法收敛速度达到三阶.本文从理论上阐明了新方法的合理性和优越性,同时将其应用于实际fMRI数据,经与其他两个ICA算法(Fast ICA算法、infomax算法)比较,该算法能够很好地分离出任务成分,同时大大减少了运算量,提高了运算速度,对处理大数据量的fMRI信号有明显的优势.     

基于BP神经网络的非特定人语音识别算法研究

当前非定特人语音识别算法大多只适于连续语音,且识别精度和速度均较低。为此,提出一种新的基于BP神经网络的非特定人语音识别算法,介绍了标准BP神经网络,针对其收敛速度慢的弊端,通过变化的自适应学习速率,令网络训练针对各种阶段自行设置学习速率值,利用变学习速率构建对应的改进BP神经网络模型,将改进的BP神经网络模型看作识别非特定语音的识别器,输入待识别语音,令累计预测残差达到最小,实现非特定人语音识别。将改进模型应用于非特定人语音识别中进行验证,结果表明所提算法识别率更高、识别速度更快,不仅适于连续语音的识别,也适于不连续语音的识别。