一种改进的自然梯度语音信号盲分离算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。基于自然梯度的盲源分离算法一般分为固定步长和变步长的自然梯度算法,固定步长的自然梯度算法存在分离速度与稳定性之间的矛盾,即步长越长时分离速度快,但是稳态误差又得不到保障;步长太小分离速度又达不到要求。为了改善分离速度与稳定性之间的矛盾,提出了一种变步长的方法来,并用其改进了固定步长的标准自然梯度算法,成功地用于混合语音信号的分离,该方法取得比标准自然梯度算法更好的分离效果,具有更快的收敛速度。     

基于粒子群优化的有序盲信号分离算法

为了按照规范四阶累积量的绝对值有序分离出源信号,提出了一种新的基于粒子群优化的有序盲信号分离算法.本算法采用信号的规范四阶累积量作为代价函数,使用粒子群优化算法代替传统的梯度算法对代价函数进行优化,通过消源去相关方法从混合信号中消去已分离出的源信号成分,逐次按序提取出源信号,解决了梯度算法容易陷入局部极值而不能正确提取...     

采用信号相邻采样点联合估计的欠定盲源分离算法

两步策略是当前欠定盲信号分离的基本方法,混叠矩阵的估计是恢复源信号的先决条件。考虑在混合矩阵已经估计的前提下,通过矩阵子空间的方法估计源信号,并且利用信号相邻采样点的相关特性,联合判断任意时刻信号的归属,提高欠定盲源分离算法的抗噪能力。通过仿真实验显示了该算法的性能及实用性。     

基于小波概率密度函数估计的盲信号分离算法

利用概率密度函数的非线性小波估计方法,对混合信号的概率密度函数及其导数进行估计,由此估计信号的评价函数,从而给出了一种盲信号分离算法.该方法简单,可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.计算机仿真结果表明了算法的有效性.     

适用于通信侦察的信号盲分离算法

以Kullback-Leibler散度为代价函数,基于相对梯度算法推导了在通信侦察中适用于通信信号盲分离的独立信源盲分离算法,并从理论上证明了算法的稳定性.仿真结果表明:只要源信号之间相互独立,则对任意载频、任何调制方式的通信信号,该算法都能够根据观察到的混合信号有效地分离出源信号.在源信号并不完全独立的情况下,其分离性能略有降低.     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

动态神经网络的超定盲信号分离

在观察信号数目不小于源信号数目的条件下,提出了一种信号源数目未知或者信号源动态变化的盲信号分离算法。利用动态神经网络来控制输出信号的个数。经试验仿真,得到该算法分离的有效性。     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

基于FIR神经网络的非线性盲信号分离

针对实验环境中可能出现的非线性卷积混合盲信号分离问题,在反馈结构最大似然盲信号分离算法的基础上,利用混合高斯模式概率密度函数估计方法,提出了一种采用有限冲激响应神经网络的非线性盲分离算法,并推导了新算法的权向量迭代公式．通过与其他盲信号分离算法的计算机模拟实验结果比较,新算法能更有效地进行非线性函数逼近,得到更小的输出均方误差,达到较好的非线性盲信号分离效果．     

基于改进粒子群的ICA算法

ICA算法是目前盲信号分离的主流算法之一,但是传统ICA算法收敛速度慢,收敛精度低。为此本文提出一种基于改进粒子群的ICA算法,以峭度作为目标函数,以改进粒子群算法作为优化算法。采用这种方法进行瞬时混合信号的盲分离,仿真实验表明该算法能够有效分离信号,与传统ICA算法相比,分离效果更好。     

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．     

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。     

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.     

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.     

基于盲信号分离的数字水印检测与提取

基于盲信号分离技术，提出了一种新的数字水印图像提取方法。该方法在一种较典型的基于小波变换的数字水印嵌入算法基础上，应用盲分离技术有效地检测和提取出了含在水印图像中的水印。经大量试验证明，所提出的方法对常用的图像处理方法有较强的抗攻击性能。     

涡流检测信号的独立分量分析预处理

提出将一种求解盲源分离问题的独立分量分析(Independent Component Analysis,ICA)算法应用于自然裂纹涡流检测(Eddy Current Testing,ECT)信号的预处理中。利用一种基于负熵极大的FastICA算法,分别对实验产生的疲劳裂纹和应力腐蚀裂纹ECT信号进行了处理,实现了ECT信号中缺陷分量与探头提离信号、部分噪声信号的有效分离。为了验证算法的有效性,同时采用小波分析算法对相同ECT信号进行了去噪处理。结果表明ICA算法在ECT信号处理中具有独特优势。     

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。     

基于稀疏特性的欠定盲信号分离算法

在源信号在非充分稀疏条件下,提出了一种改进的两步法欠定盲源分离算法.与现有的大多数稀疏分量分析算法法都是假设源信号是充分稀疏不同,该算法放宽了源信号的稀疏性.与此同时,该算法能够估计出聚类空间的个数,能够克服源信号个数未知的情况.模糊划分矩阵的应用更加有利于源信号的分离.仿真结果表明了该算法的有效性.     

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.