基于自然梯度算法及其改进算法的盲源分离

自然梯度算法是盲源分离的重要方法,本文在介绍分析自然梯度算法基础上,将共轭梯度和自然梯度相结合改进了自然梯度算法的学习规则,通过两种算法的比较表明,基于共轭梯度改进的算法在性能和分离效果上都优于自然梯度算法。     

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．     

fMRI信号盲分离的一种独立成分分析算法

建立了独立成分分析(independentcomponentanalysis,ICA)的一个优化模型,在此基础上,给出了一个新的梯度算法,称之为Orth-ExtBS算法.该算法结合了ExtBS算法和FastICA算法,兼顾两者的优点,形式简单,易于应用,能有效地盲分离具有超高斯和亚高斯分布源的混合信号,获得更准确的分离效果和较快的收敛速度.将新的算法与其他两个算法(FastICA和ExtBS)分别应用到大型fMRI数据中,通过比较发现,新算法在估计激活的时间动力学准确性上要优于其他两个算法.     

基于自然梯度算法的盲信源分离研究

盲信源分离试图从给定的一组混合观察数据中恢复未知的独立信源。文中介绍盲信源分离的一种非常重要的算法——自然梯度算法。对通信信号和自然语音信号采用不同的活动函数进行了盲信源分离的计算机模拟实验，结果显示该算法能够分别有效地分离这两类随机混合的信号。     

规范化自然梯度ICA算法

对基于李群不变性的自然梯度ICA算法进行了改进,提出了一种规范化自然梯度ICA算法.该算法通过引入规范化因子,保证参数矩阵的行列式的绝对值在学习过程中恒为1,避免了参数矩阵剧烈变化,使得学习过程更稳定更快速,这种改进还起到简化目标函数的作用,使得规范化自然梯度ICA算法更加简单便利.在BSS模拟实验中,把常规梯度的ICA算法、自然梯度ICA算法与规范化自然梯度ICA算法进行比较,结果表明新算法的信号恢复精度更高,收敛速度更快.     

基于独立因子分析法的信号盲分离的应用

现有的盲分离算法绝大部分是独立分量分析法,然而在实际应用中,独立分量分析法有诸多的限制条件.针对该问题,本文提出一种基于独立因子分析法(Independent Factor Analysis,IFA)的信号盲分离算法.独立因子分析法结合了一般的因子分析法、主元分析法以及独立分量分析法的优点,用于解决混合语音信号的盲分离问题.实验结果证明:独立因子分析法可以处理信源数目不同且数据包含强噪声的情况.数据信噪比越低,独立因子分析法的优势更为显著.     

快速定点独立分量分析在盲源分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法。本文介绍了快速定点独立分量分析的原理和算法,并介绍了该算法在盲源信号分离中的具体应用,并将此方法与主成分方法（PCA）进行了比较。文中通过实例给出了这种方法的应用效果。结果表明,ICA在盲源信号分离中是一种很有潜力的方法。     

新的ICA算法实现成组fMRI信号盲分离

独立成分分析(ICA)方法已被成功地用于处理功能磁共振成像(fMRI)信号,但主要是用于处理单个被试的fMRI信号,对于多个被试的情况却很少考虑.为此利用一种扩展的ICA方法--Group ICA来处理多个被试的fMRI信号,结果表明这种方法在保证结果准确性的前提下,可以大大减少计算量,快速获得统计结果.计算中应用的是NewFP算法,统计结果表明这种算法在估计激活的时间动力学准确性上优于FastICA算法.     

基于信息论的盲源信号分离

 从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题.独立分量分析是解决这一类问题的新技术,而基于信息论方法的分离技术是独立分量算法中最常用的分离算法.基于信息论算法中主流的FastICA算法和自然梯度优化算法,使用几组不同的信号进行分离,从理论分析和仿真结果表明了FastICA算法的优越性.     

基于独立成分分析的数字水印研究

提出了一种新的利用独立成分分析提取数字水印的方法,把原始图像和数字水印图像在空间域直接混叠,得到两个嵌入水印的图像.通过对混合矩阵的控制实现水印的不可见性.把混合后的图像作为盲源进行分离,在整个提取过程中不需要原始图像和混合矩阵信息.仿真实验表明该方案很好的实现了水印的不可见性和鲁棒性的统一.     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

基于盲源分离算法的阵列信号波达方向-频率估计

盲信号处理已成为近年信号处理和神经网络热点领域,主要用于语言信号处理,应用于雷达信号处理并不多见.确定空间辐射源的波达方向(DOA)和频率是雷达阵列信号处理的基本问题之一,近20年来许多学者提出了性能各异的算法,其中有代表性的是多信号分类法和旋转不变技术的参数估计法.近年来,越来越多文献将盲源分离算法应用到阵列信号处理中,开辟了一条DOA估计的新道路.本文首先给出了一种用来盲分离复数信号的盲源分离算法,结合该算法,提出了可同时估计波达方向、频率的波达方向-频率盲估计算法.盲源分离算法是基于负熵的快速定点算法,不需要给出复数信号的概率密度函数,具有收敛速度快,鲁棒性强等特点.本文证明了波达方向-频率盲估计算法的收敛性.仿真研究表明新的波达角估计算法的特点:1)估计算法是有效并且鲁棒的;2)估计算法能从含噪声的阵列接收信号中同时估计出辐射源波达方向和频率;3)估计算法能将雷达杂波和目标回波分离.     

基于ICA-R的复值信号抽取方法

参考独立分量分析( independent component analysis with reference, ICA-R )通过引入参考信号而实现期望实值源信号的抽取,具有消除传统ICA输出顺序不确定性和显著降低运算量等优点.为此将ICA-R的优势拓展到期望复值源信号抽取.首先,将N维复值ICA问题转化为由其实部和虚部组成的2N维实值ICA问题;然后,利用期望源信号的实部参考信号或虚部参考信号进行ICA-R;最后,根据转换混合矩阵的结构特点,消除ICA-R抽取信号实部与虚部间的幅值不确定性,进而得到无附加相移的期望复值信号.计算机仿真和性能分析结果表明了所提方法的有效性.     

基于独立分量分析的盲解码接收算法

为了解决广义频分复用(generalized frequency division multiplex,GFDM)系统接入信号中现有快速傅里叶变换(fast Fourier transform,FFT)解码算法需要先进行同步的缺点,通过独立分量方法研究了异步情况下基于独立分量分析(independent component analysis,ICA)的解码算法.该算法可以在未知传输延时和载波偏移的非同步情况下,对多用户GFDM系统信号进行盲分离和解码,降低了定时和频偏估计误差对解码性能的影响,同时不需要去除循环前缀,增加了接收信号的能量,提高了解码性能.理论分析和仿真结果表明:在平稳信道环境下,随着循环前缀的长度增加,基于ICA的解码算法相比于传统的FFT解码算法至少获得约2 dB的性能增益.     

基于KM-PCA稀疏信号的盲源分离算法

欠定盲信道估计是欠定盲源分离的关键组成部分,其估计精度直接影响到源信号的估计精度.基于充分稀疏假设,在K均值聚类的基础上,提出一种新的欠定盲信道估计算法——K均值与主成分分析方法(KM-PCA算法).该算法首先对观测数据进行K均值聚类,然后对聚类分析结果分别进行主成分分析,修正其聚类中心,从而提高混叠矩阵的估计精度.采...     

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。     

改进的带参考信号盲源分离算法

带参考信号的盲源分离算法在各个领域有着广泛的应用,但现有算法大都存在提取信号与源信号之间误差较大的问题,其中目标函数是影响误差的一个重要因素。因此针对目标函数,提出了一种改进带参考信号的盲源分离算法。该算法首先在标准对比函数中耦合含有先验信息的测量度函数,以此得到新的目标函数;然后引入松弛因子运用拉格朗日乘子法对目标函数进行优化,避免了不等式约束问题,有效地得到了最优的分离矩阵。仿真实验结果表明,相比现有算法,本文算法具有更小的误差;在滚动轴承故障诊断实验中也正确地提取了故障特征,验证了算法的有效性。