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.     

扩展联合对角化算法及其在语音分离中的应用

用扩展联合对角化（JADE）算法对混合语音信号进行盲源分离,并对分离前后的语音信号的波形和频谱进行了分析比较．实验表明,JADE算法在混合语音信号的分离中是有效的．     

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.     

信号盲分离问题多阶段分解算法

提出了一种新的信号盲分离算法,它每个阶段仅抽取单个独立分量.这种方法通过一种求所定义的代价函数的最优解的有效迭代算法,可以找到单个独立分量,通过系统化的多阶段分解和多阶段重构,可以得到全部独立分量.当存在空间色噪声时,这种方法的性能优于一组特征矩阵近似联合对角化(JADE)技术.仿真实验表明在独立源较多(如25个以上)情况下,该方法所花时间明显小于JADE所花时间.     

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。     

基于协方差矩阵的自适应盲分离算法

提出了一种新的线性混叠信号的盲分离算法,该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则,采用最速下降法进行分离.该算法对源信号和混叠矩阵没有过多要求且计算量不大,理论分析与仿真结果表明:该算法具有很好的分离效果.     

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．     

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算,且这类算法不具备所希望的等变特性,对于病态混合矩阵的盲分离问题可能无法求解,通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法,该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵,也不需要对累积量矩阵进行代数变换,并且所使用的迭代算法不需要对任何变量求导,因此非常简单,易于实现;同时算法还具有对未经去除均值的混合信号直接进行分离的能力。     

基于二阶统计量的两步自适应盲分离算法

提出了一种新的两步自适应盲分离算法,利用代价函数的极值点特性分别获得混合信号和白化信号的特征向量矩阵,实现自适应盲分离过程．该算法避免了离线计算所采用的特征值分解等复杂运算,并且只利用信号的二阶统计量信息,计算工作量低．仿真结果表明,对含有附加噪声的盲混合信号具有良好的分离效果。     

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.     

基于非正交联合对角化的跳频信号盲分离算法

针对组网跳频信号网台分选需求研究跳频信号的有效盲分离问题,现有基于联合对角化的跳频信号盲分离算法要求严格正交对角化,而实际中往往难以满足,为了放宽正交性条件,提出基于非正交联合对角化的多个跳频信号盲分离算法。该算法先把整个时频域划分成多个时隙后逐一处理,采用基于降噪处理的梯度范数法对观测信号进行处理,从而能精确提取具有特征矩阵结构的自项时频点,在计算其对应空间时频分布矩阵基础上,通过非正交联合对角化估计分离矩阵,能分离多个混叠跳频信号。仿真结果表明:该算法能有效实现跳频信号盲分离,与其它跳频信号盲分离算法相比具有更好的鲁棒性。     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

一种重排时频谱的非平稳信号盲源分离方法

在Akira Morimoto等人提出的空间时频盲源分离算法基础上,通过对时频谱进行重排使得信号的空间时频矩阵更接近于对角阵,从而得出一种新的盲源分离方法.该方法能有效分离各种非平稳信号且性能较好.     

卷积混合信号频域盲分离技术研究

阵列声纳观测的舰船辐射噪声信号是由多目标源、海洋环境噪声等经多途卷积混叠形成,为提高被动声纳的检测能力、有效分离多目标信号与环境噪声,提出一种新的信号盲分离方法,利用滑窗短时傅里叶变换将时域信号卷积混合形式转换到频域瞬态混合形式,针对每个频率点利用非平稳水声信号的多拍交叉相关序列,建立频域适用盲分离算法,估计分离网络矩阵,分离恢复多源信号,研究了多源多途水声信号盲分离技术,用仿真信号和水池实验实录信号进行频域盲分离算法检验,结果表明信号分离效果较好。     

一种基于信息最大准则的盲源分离新算法

提出了一种基于信息最大准则的盲源分离新算法。新算法在当前时刻的系数更新时充分利用先前迭代过程的信息 ,并在每一步迭代时归一化权系数矩阵。仿真表明 ,新算法应用于盲图像信号分离时得到了很好的分离效果。     

基于稀疏表示的超平面聚类盲信号分离算法

对欠定混叠盲源分离问题,论文针对于源信号的稀疏程度不同,首先引入了向量k-阶稀疏的概念。然后在满足欠定混叠盲分离问题可解的情况下,讨论了源信号向量是m-1阶稀疏的情况下的混叠矩阵的辨识问题,并提出了一种新的基于超平面聚类算法来估计欠定混叠矩阵。该算法不仅对源信号的稀疏性要求放宽了条件,而且在精确估计出混叠矩阵的同时估计出了源信号的数目。经数值实验仿真表明了算法的有效性。     

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．     

一种基于信息最大准则的盲源分离新算法

提出了一种基于信息最大准则的盲源分离新算法.新算法在当前时刻的系数更新时充分利用先前迭代过程的信息,并在每一步迭代时归一化权系数矩阵.仿真表明,新算法应用于盲图像信号分离时得到了很好的分离效果.     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.