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。     

基于复杂度追踪的递归最小二乘盲源分离算法

对于具有时序结构有色信号的盲提取,线性预测盲源分离算法仅仅利用了信号的时序特性,而未用到信号的非高斯性.A.Hyv(a)rinen的复杂度追踪算法采用联合信号的非高斯性和时序结构的特点,能够很好地实现信号的分离,但其收敛速度较慢.为了更快的实现信号的分离,提出了基于复杂度追踪的递归最小二乘盲源分离算法.计算机仿真表明提出的算法与线性预测算法和A.Hyv(a)rinen的复杂度追踪算法相比具有更快的收敛速度,语音分离试验也验证了该算法的有效性.     

一种新的基于峰度的盲源分离开关算法

盲源分离(BSS)算法通常需预先假设源信号的概率密度函数(PDF)，并由此获得关键的激活函数(AF)，进而从混合信号中分离出源信号。但若假设的概率密度函数与真实概率密度函数差异较大，源信号将不能被正确分离。基于峰度的盲源分离开关算法无需假设源信号的概率密度函数，可直接对独立分量分析(ICA)中的激活函数进行自适应学习。计算机仿真证明，该算法可有效进行盲源分离。     

一种含参数的概率密度核估计的独立分量分析算法

分析了盲源分离算法中互信息准则与概率密度核函数的关系,利用广义高斯模型,提出了一种基于含参数的核概率密度估计的独立分量分析算法。该算法利用观测样本求峰度,通过分段函数给出相应高斯指数值,并刺用样本数据进一步修正源信号的概率密度函数。实现对分离信号评价函数的精确估计。在此评价函数基础上,采用互信息最小化准则,推导出分离矩阵的迭代更新规则。所提算法在一定程度上解决了ICA算法中信号评价函数估计的难题,且能对任意源混合信号进行有效盲分离,仿真实验验证了算法的性能。     

一种盲源分离初始化方法的研究与仿真

针对盲源分离的初始化问题,提出一种盲源分离初始化方法.该方法首先对接收到的混合信号进行小波稀疏分解,然后选取稀疏性最好的分解系数组,并在其星图中通过聚类方法寻求聚轴来估计混合矩阵.最后,采用这一混合矩阵估计值对FastICA算法进行初始化.仿真实验表明,该初始化方法能避免盲源分离算法收敛时陷入局部最小,加快算法收敛,同时使盲源分离算法的分离精度提高10～26dB.     

基于模糊逻辑的亚高斯与超高斯源混合盲分离

对于同时存在亚高斯和超高斯源信号的盲信号分离问题,提出了适用于两类信号同时存在的合成概率模型,并以此概率模型计算非线性函数得到了分离两类信号的统一算法。同时,引入模糊推理系统在线确定自适应算法的迭代步长,因此学习算法的收敛速度更快,而且稳态误差更小。仿真实验分别通过对语音信号以及人工合成信号的分离,验证算法的有效性,并通过计算分离信号的干扰信号比(interference to signal ratio, ISR),证明提出的算法能够更好、更快地分离亚高斯与超高斯混合信号。     

基于伪信噪比最大化的盲源分离算法

针对电子战中各种信号混叠严重、难以分离的现象,提出一种新的瞬时线性混叠信号的盲源分离算法。该算法从独立信号完全分离时信噪比最大出发,用单位对称滑动权向量加权分离信号作为源信号,建立基于源信号和噪声信号协方差矩阵的伪信噪比目标函数,并将目标函数的寻优过程转换为求解广义特征值的问题。和经典的信息理论方法相比,该算法是一种全局最优的盲源分离算法,它不需要任何迭代运算,具有非常低的计算复杂度。仿真结果证明,该算法能够更加有效地分离线性混叠的雷达信号和通信信号。     

波束域的信号盲分离方法

现有的源信号盲分离方法大都是针对阵元输出信号进行的,各种干扰信号和观测噪声的影响使盲分离算法性能退化,甚至失效.为了提高低信噪比情况下的信号盲分离能力,提出一种新的信号盲分离方法,即先对阵元观测信号进行盲波束形成,而后利用波束输出信号实行盲分离.盲波束形成阶段既提高了盲分离输入信号的信噪比,又可降低盲分离模型的阶次,信号盲分离阶段不仅能进一步净化信号,还能分离同一波束内两个以上的源信号.采用多种情况的人工仿真混合信号进行实验,以评价新算法的性能,仿真结果表明新的盲分离方法优于各阶段算法.     

一种频域自适应最大似然时延估计算法

提出了一种基于平方相干函数的频域自适应最大似然时延估计算法。该算法构造了一种广义相位数据最大似然加权函数,并通过自适应估计输入信号的平方相干函数加以实现。算法的性能分析和仿真实验表明,该算法有更好的时延估计精度、收敛速度和跟踪性能,能够有效提高低信噪比环境下的低空目标被动声探测的时延估计性能。     

基于广义特征值和核函数的非线性盲分离算法

在给出了一种基于广义特征值分解的线性混合信号盲分离方法的基础上,结合核特征空间而给出了一种非线性混合信号盲分离算法。该算法首先将混合信号映射到高维核特征空间,同时构造该核特征空间的一组正交基。其次,通过这组正交基将高维核特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为参数空间的线性混合信号盲分离问题。在参数空间中,应用基于广义特征值分解的线性混合信号盲分离方法对信号进行分离。该算法具有闭解形式,计算简单,收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

基于改进遗传算法的独立分量分析算法

针对现有独立分量分析算法的分离效果依赖于非线性对比函数的选择,并且无法有效地分离超高斯和亚高斯混合信号这一现象,提出了一种基于遗传算法的独立分量分析算法,该算法采用直方图法根据信号的样本序列来估计信号的概率分布,解决了信号问互信息的计算问题,然后通过遗传算法最小化信号间的互信息,实现了对线性混叠信号的分离;同时,针对标准遗传算法存在的一些缺点如局部搜索能力差、容易出现早熟收敛等,提出了一种改进遗传算法,提高了遗传算法的寻优能力.对模拟信号的分离结果表明,基于改进遗传算法的独立分量分析算法的性能优于FastICA算法,对亚高斯和超高斯信号的混合信号具有优异的分离能力.模拟仿真实验结果同时也证实了改进遗传算法的寻优能力.     

一种基于二阶统计的盲源分离方法及性能分析

提出了一个基于信息论原理的目标函数 ,该目标函数可以作为衡量输出分量独立性的标测度。最小化该目标函数并利用信号的非平稳特性和两种网络结构形式的等价性 ,得到一种可以进行非平稳信号的盲分离的训练算法 ;计算机仿真结果表明了该算法的有效性。最后对目标函数的性能进行了分析。     

盲卷积信号的一种高效分离算法

针对盲卷积信号提出一种高效分离算法，采用分段的思想，对每短时段信号通过检验分离效果而灵活选择是否需要重新训练分离矩阵参数，既考虑了混合模型的时变性，又大大提高了盲分离的效率。研究还提出并应用了限值检验控制准则，来有效进行迭代算法的控制和分离效果检验的判决，保证了算法的执行效率。仿真实验分析通过比较不分段盲分离算法和分段逐段盲分离算法，表明了该算法的高效性。     

基于阵列接收模型的宽带盲源分离算法

针对传统盲分离算法对宽带信号不适用的问题,提出了一种基于阵列接收模型的宽带盲源分离算法。该算法以子带分解的方法实现了瞬时复值盲分离方法在宽带情形下的扩展。针对扩展过程中可能出现的子带间次序模糊及子带内幅度模糊的问题,利用阵列接收情况下分离矩阵与混合矩阵的特点,提出了一种基于波达方向(direction of arrival, DOA)估计的次序调整及幅度去模糊方法。仿真结果表明,该算法不仅能有效地分离宽带信号,而且可准确地恢复出信号幅度。     

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。     

基于卡尔曼滤波的极限学习机在线盲均衡算法

针对正交振幅调制(quadrature amplitude modulation,QAM)信号,在预测方法的盲均衡框架下,基于卡尔曼滤波(Kalman filter,KF)提出了一种新的神经网络在线盲均衡算法.采用复数型极限学习机(complex extreme learning machine,C-ELM)作为非线性...