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.     

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．     

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。     

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。     

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。     

基于分数时延的宽带自适应波束形成

对于宽带信号,基于移相的窄带波束形成方法会导致方向图波束指向的偏移和主波束畸变,并且无法有效地抑制宽带干扰。该文提出了基于数字时延加抽头延迟线(tapped delay line,TDL)结构的宽带自适应波束形成方法。该方法采用数字时延滤波单元补偿宽带信号在波束指向上的相位和包络偏移,并用基于TDL的空时二维滤波处理抑制宽带干扰。分析和实验结果表明,该方法可以有效地合成空间宽带波束并抑制宽带干扰,提高信干噪比(signal-to-in-terference-plus-noise ratio,SINR)增益。     

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.     

关于噪声环境中语音信号盲分离的研究

研究了在噪声环境中进行语音信号盲分离的问题。为了解决由于噪声导致解混合系统性能发生严重恶化的问题，在不增加传感器数目的前提下，利用语音源信号的短时平稳特性和噪声信号的长时间平稳特性，给出差分方法可以抵消噪声信号的影响，使得解混合系统的权仍能够收敛。输入真实语音，通过计算机仿真验证了该算法的有效性。     

基于盲反卷积的脑电信号盲分离研究

采用卷积混合模型描述观测脑电信号(electroencephalogram,EEG),提出一种基于盲反卷积的EEG盲分离方法.结合EEG源成分的独立性确定代价函数,并采用共轭梯度法进行迭代寻优.针对EEG仿真实验数据进行方法验证,采用分离信号与源信号之间的相关系数作为验证指标.实验结果表明,本文方法可以较好地实现EEG盲分离,为EEG信号处理和其他生理信号处理分析提供理论和方法借鉴.     

盲信号分离的自稳定算法

在传统盲分离算法的迭代过程中，为了保证分离矩阵的行正交性，都要对其进行反复的正交化，以避免算法的不收敛。针对这个问题，笔者主要研究了在Stiefel Manifold上的盲分离算法，该算法使分离矩阵不需要每一步都进行正交化。仿真表明，本文提出的新算法具有很好的稳定性。     

过程信号的前馈-反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求,在其他学者研究的基础上,基于前馈－反馈型神经网络模型,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性。     

基于信号时频域聚集性的欠定盲分离混合矩阵估计方法

为解决欠定盲分离中混合矩阵估计问题,通过研究观测信号在时频域的线性聚集特性,提出一种基于时频域线性聚集程度差异的混合矩阵估计方法,并着重研究在信号线性聚集程度较弱情况下对混合矩阵的估计.首先,利用观测信号或其时频域中相应变换系数的比值分布衡量信号线性聚集程度;其次,采用优化初始中心的K-均值聚类算法估计混合矩阵.该算法降低了对信号稀疏性的要求,并且可以较高精度地估计出混合矩阵.仿真实验结果表明该方法具有可行性和有效性.      

四元数在时延和方向角同时估计中的应用

针对阵列信号处理中时延、方向角的同时估计问题,提出了时延、方向角的四元数模型,使得估计时延、方向角二维问题类似于估计一维问题,从而避免了在经典的二维复数模型估计中直接或间接的配对问题.在分析四元数的定义的基础上,利用训练序列估计信道特性,通过傅立叶变换和反卷积对信道模型进行变换,得到信号的四元数模型.并通过构造类似一维ESPRIT(Estimating Signal Parameter via Rotational InvarianceTechniques)方法同时估计信号的时延和方向角.仿真实验表明,提出用一个四元数将时延、方向角二维信号参量"捆绑"在一起,可以摆脱二维信号参量的分维配对这一难题.     

相关时延估计方法DSP实现研究

基于相关分析的时延估计方法是一种重要的时间延迟估计算法.文章分析了基于相关分析的时延估计方法的信号模型,研究了利用DSP实现相关时间延迟估计的关键技术,以及实现中需要注意的问题和提高程序执行效率的方法.仿真结果表明,文中提出的方法能够检测序列的时延值.     

基于短时综合叠接相加法的语音盲信号分离研究

独立分量分析(ICA)在频域中进行语音盲信号分离(BSS)时，将产生频谱分辨率降低和信号源间频谱相互干扰的矛盾，矛盾的任何一方突出时都会影响分离效果。为了解决这一矛盾，我们把短时综合的叠接相加法引进到BSS中，这一方法有效地缓解了这对矛盾，并且分离性能得到了明显的改善。仿真实验表明，这一方法简单可行并产生了很好的分离效果。