基于高阶累积量张量分解的联合盲源分离算法

提出一种基于高阶累积量张量分解的联合盲源分离（JBSS）算法,该算法可以从多组数据集的观测信号中恢复出源信号.首先通过计算多组数据集观测信号的高阶互累积量张量,利用累积量张量潜在的对角结构,将JBSS问题转化为高阶张量CP分解（CPD）问题.接下来,通过张量列分解（TTD）将高阶张量分解为由不高于3阶的多个互连的核张量组成的简单张量网络,由此将高阶CPD问题转化为多个3阶CPD问题.最后,根据TTD与CPD之间的关系,在多次3阶CPD之后,通过依次对因子矩阵进行重新排序与缩放得到多数据集的混合矩阵,进而实现对源信号的分离.实验结果表明,该算法具有较快的运行速度.     

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.     

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。     

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。     

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.     

比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.     

基于滤波器阶数估计的卷积盲分离算法

为解决时域卷积盲分离中存在的初值选取以及方阵局限问题,提出了一种基于滤波器阶数估计的非正交联合块对角化算法.该算法通过对观测信号自相关矩阵的相邻特征值比值设阈值,实现了滤波器阶数的估计和对角块个数以及维数的自适应选取;引入预白化对非方阵的等效混合矩阵进行降维处理,消除了非正交联合块对角化算法中等效混合矩阵必须为方阵的局限性.仿真结果表明:提出的滤波器阶数估计方法准确率高,有效解决了非正交联合块对角化算法在卷积混合盲分离中的初值选取问题,并且分离效果要优于经典非正交联合块对角化算法和多目标优化非正交联合块对角化算法.     

盲信号分离中基于四阶累积量的源信号个数估计

研究了盲信号分离中源信号个数小于观测信号个数情况下源信号个数的估计方法.分别就带噪声和不带噪声两种情形进行了研究.对不带噪声的情形,给出源信号个数的以概率1正确的估计.对带噪声情形,通过构造适当的四阶累积量矩阵,将源信号个数的估计问题转化成为四阶累积量矩阵有效秩的估计问题,利用矩阵的SVD分解方法给出了源信号个数的估计.最后,利用计算机仿真将本文提出的估计方法与已有的估计方法进行了比较,并对实验结果进行了分析.     

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.