BFGS算法在盲信号分离中的应用研究

盲信号分离的独立成分分析方法已成为当今信号处理课题的热点。在分析已知算法的基础上,利用最优化方法中的Broyden- Fletcher-Goldfard-Shano(BFGS)算法,我们提出了一种基于信息理论新的盲信号分离算法。     

基于协方差矩阵同时对角化的盲信号分离算法

提出了基于自相关协方差矩阵同时对角化的两个盲源信号分离算法. 利用广义奇异值分解(GSVD)算法,将源信号观测数据预白化后的零阶和一阶自相关协方差矩阵同时对角化,估算出两路源信号. 与二阶盲识别(SOBI)算法进行了比较,该算法具有计算简单且运算精度高的优点. 在线性混合加噪模型下,计算机仿真表明该算法的有效性.     

线性非奇异盲信号混叠的分离矩阵个数

为了探寻线性非奇异盲信号混叠的不同分离算法有不同分离矩阵的原因,在改进的盲信号分离模型下,证明了一个理论结果：如果不考虑线性比例缩放,仅考虑旋转因素,分离矩阵的确切数目是源信号个数的阶乘．文中利用代数理论和二阶统计量方法,提出了通过求解二次非线性代数方程组来得到分离矩阵的算法,同时介绍了一种利用矩阵变换的分离矩阵求解方法．仿真结果证实了理论分析的正确性．     

基于统计估计的盲信号分离算法

最大熵法（ＭａｘｉｍｕｍＥｎｔｒｏｐｙ,ＭＥ）和最小互信息量法（ＭｉｎｉｍｕｍＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）是两种目前最常用的盲信号分离算法．在分析ＭＥ与ＭＭＩ算法的基础上,提出了一种利用反馈结构的输出信号概率密度函数（ｐｄｆ）估计的增强ＭＥ算法．与传统ＭＥ算法相比较,新算法无需给出传统ＭＥ算法中神经元非线性函数的具体表达形式,而是直接利用输出信号ｐｄｆ估计来推导算法的迭代核,进行算法自适应．分析了应用几种不同ｐｄｆ估计方法的新算法迭代公式．通过计算机模拟表明,新算法比传统ＭＥ算法对于解决卷积混合输入的盲信号分离问题时,具有更好的算法性能．     

一种改进的粒子群优化算法及其在盲信号分离中的应用

首先对粒子群优化算法进行了改进,用粒子群中所有粒子最优位置的加权平均值替代速度更新式中的粒子最优位置,并根据粒子群中粒子的浓度自适应地调整加速系数．这种改进的粒子群优化算法利用了粒子群中所有粒子最优位置的信息,并在进化过程中自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度．然后,针对盲...     

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。     

一种改进的盲信号分离方法

指出了在盲信号分离过程中．基于独立分量分析的定点算法，具有结构简单、运算速度快的特点．但是在有些情况下，该算法是否收敛仍具有不确定性，限制了它的使用范围．基于信息理论原理提出了一种改进的盲信号分离算法，经计算机仿真和对实际生物信号处理的实验表明：该算法在速度和稳定性方面都有很大的改进．     

一种基于时频分析的盲信号分离算法

利用模糊函数的时频分布特征选取时频点,提出一种新的时频域盲信号分离算法．与传统的维纳时频分布相比,不仅显著缩小了时频点的选择范围,而且不需要设定阈值．算法利用一种非正交联合对角化方法求取分离矩阵,在原始信号具有互相关的情况下也能达到良好的分离性能．仿真试验表明,该算法计算量小,分离精度高,可实现高斯源或相关源信号的盲分离．     

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.     

基于ICA的盲信号分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)[1]为核心的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离。实验是有效的且鲁棒效果良好。     

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     

基于盲信号分离的波达方向估计

为了将盲信号分离应用于波达方向估计,在基于四阶累积量的定点迭代快速独立分量分析(Independent Component Analysis,ICA)算法进行盲信号分离的基础上,利用分离矩阵得出混合矩阵的估计,并对混合矩阵的列向量在真实阵列流型上进行投影,通过角度扫描估计出信号的方位角.仿真结果表明,该算法在信噪比较高的条件下,具有跟MUSIC(Multiple Signal Classification Method)算法相似的分辨性能,但是在信噪比较低的情况下表现出较高的分辨率.     

前馈神经网络盲信号分离的实验研究

介绍一个实现盲信号分离的前馈式神经网络的电路结构，并给出了电路在线性混合和动态混合情况下的测试结果。     

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。     

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．     

基于斜投影的卷积信道盲信号分离

为实现卷积混合信号的盲分离,提出了一种基于斜投影的子空间方法,首先设计"过去"、"现在"和"未来"的观测数据空间,并通过斜投影将卷积混合转化成为线性瞬时混合;然后采用静态分离算法重构源信号。该方法利用了观测数据矩阵的结构信息直接获得线性瞬时混合的数据模型,不需要进行高维子空间代价函数的优化,运算量相对小。计算机仿真验证了算法的有效性。     

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．     

基于后级滤波处理的频域语音盲信号分离

针对现有盲信号分离算法在真实环境下性能会降低的局限性,提出了一种将频域盲信号分离算法与后级滤波处理相结合的方法.在后级滤波处理阶段用自适应对消算法来去除分离信号中的残留干扰分量,根据语音信号的能量随频点分布起伏较大的特点,后级滤波算法引入了变步长的频域泄漏LMS(leaky LMS)算法.仿真实验表明,作者提出的方法使得分离效果有明显改善,而且比已提出的后级滤波处理方法效果要好.     

基于独立分量分析的盲信号分离研究

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力的分析处理工具得到广泛的关注和研究。本文首先介绍了独立分量分析的基本概念和数据模型,然后对比较流行的各种独立分量分析算法进行了剖析和总结,最后对独立分量分析的应用和发展趋势作了展望。     

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。