盲信号分离中信号源数目估计方法研究

研究盲信号分离中信号源数目未知情况下信号源数目的估计问题.证明了无观测噪声时,利用观察信号数据矩阵的零空间估计法确定信号源数目的方法,等价于通过计算观察信号数据矩阵的秩来确定信号源数目;阐述了在信号源盲分离中有观测噪声时,国内外信号源数目估计的主要方法:特征值分解、Akaike信息准则(AIC)、最小描述长度(MDL)及Minka Bayesian准则,通过理论分析与实验结果对这些方法进行比较,得出各方法的适用范围以及影响估计的主要参数,为信号源数目的正确获取提供参考.     

一种信号数目估计的小波包分解优化算法

分析了入射信号数目估计的信息理论准则·针对在低信噪比以及数据快照数目较小的情况下,Akaike信息准则(AIC)和最小描述长度MDL都不能正确估计入射信号数目的问题,提出了采用小波包分解方法对MDL准则进行优化的算法,称之为wpMDL算法·考虑子带分解具有预测偏差小和模式隔离等特点,采用基于一维小波包分解的"伪二维"子带分解算法,不仅有效地改善了MDL准则的估计性能,而且计算量比二维分解降低了·仿真结果验证了提案算法的有效性,无论是对信噪比的变化还是数据快照数目的变化,wpMDL算法都能正确地估计入射信号的数目·     

基于盖氏圆方法的宽带信源数目估计

针对低信噪比和小快拍数情况下宽带信号源数目较难精确估计的问题,提出了一种基于盖氏圆方法的宽带信号源数目估计算法(GDECSM)。盖氏圆方法通过利用盖氏半径对矩阵特征值范围的限定关系,能有效区分信号子空间与噪声子空间,在宽带信号源数目估计中能够产生良好的检测效果。仿真实验表明,与基于AIC准则的宽带信源数目估计算法(AICCSM)相比,GDECSM算法在低信噪比和小快拍数时都具有更高的检测概率,运算复杂度也有所降低。     

基于有效检测准则的fMRI源信号数目的估计方法

独立成分分析方法已经成功地运用于分析功能磁共振成像数据.尽管独立成分分析方法是一个很有前景的数据驱动分析方法,但是在执行独立成分分析之前,需要确定好独立成分的数目.准确地估计出功能磁共振成像数据中独立成分数目对减少过估计或者低估计能起重要作用,目前有许多信息理论准则方法已经广泛运用于独立成分数目估计中,但通常容易出现过估计现象.该文提出一种基于有效检测准则的fMRI源信号数目的估计方法.模拟数据实验结果表明,该方法对不同平滑数据具有很好的鲁棒性.将该方法用于真实的功能磁共振成像数据中,可以减少色噪声下真实数据的过估计,对功能磁共振成像源信号数目的估计表现出了较好的综合性能.     

调速阀故障诊断的AR双谱定阶方法比较

为解决故障诊断中确定最优的自回归(AR)模型阶数的问题,运用最终预测误差(FPE)、阿凯克信息准则(AIC)、贝叶斯信息准则(BIC),以及奇异值分解(SVD)的切片法和Frobenius法共5种定阶方法对调速阀的故障进行自回归模型定阶实验.结果表明,FPE,AIC,BIC及SVD切片法确定的阶数较低,而用SVD Frobenius法确定的阶数较高.通过不同阶数、不同故障的调速阀故障诊断实验可知,用SVD Frobenius法建立的AR模型效果优于其他方法.     

一种确定自回归滑动平均模型最小阶次的新方法

针对经典Akaike信息准则(AIC)在模型定阶时缺少阶次范围下界而引起的模态遗漏问题,根据稳态图和AIC准则,提出了一种自回归滑动平均模型在模态参数辨识中的定阶方法.该方法先利用稳态图能够鉴别真假模态的特点,进行各阶模态频率的估计和均值的求取,进而根据模态稳定性判定准则计算出阶次范围下界,最后利用AIC准则确定最优的模型阶次.仿真结果表明,与经典AIC准则相比,所提出的方法定阶后进行模态参数的辨识,不仅识别出了经典AIC准则遗漏的第3阶模态参数(误差为0.18%),而且使第1、2阶模态参数的精度分别提高了2.31%和6.31%.对悬臂梁的模态实验结果表明:该方法不仅辨识出了经典AIC准则遗漏的第1阶模态参数,使其误差仅为0.62%,而且也大大提高了其他各阶模态参数的精度.     

一种改进的BIC说话人改变检测算法

针对贝叶斯信息准则(BIC)算法在说话人改变检测中计算量大、检测精度低的问题,文中提出了一种改进的BIC说话人改变检测算法.该算法通过限制分析窗内第一个数据窗的最大长度来降低计算量,并通过增加分析窗内第二个数据窗的有效长度(提高可测度)来提高检测精度;同时,该算法只在新增区间内寻找潜在说话人改变点,从而解决了长时间无说话人改变时计算量不断增大的问题.实验结果表明,该算法和传统的BIC算法相比,偏移误差范围由0.10～0.80降低到0.03～0.20;当分析窗长为40s时,计算时间节省了约75%.     

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题,通过理论分析,提高并证明了在信号源盲分离问题中,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数,存在观测噪声时,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目,给出了实际的计算方法,并通过计算实例证明了该方法的正确性和有效性,从而解决了盲分离中信号源个数的估计问题,为盲分离技术的应用进一步奠定了基础。     

基于延时处理的对角加载信源数估计方法

为了解决在有色噪声背景下信息论准则算法估计信源数失效以及盖氏圆方法在低信噪比下性能下降的问题,提出了一种利用接收信号延时信息的协方差矩阵对角加载技术估计信源数的方法.首先构造接收信号的延时协方差矩阵,抑制色噪声的影响,然后对延时协方差矩阵做出变换处理,得到抑制噪声后的协方差矩阵特征值,最后对得到的特征值进行对角加载技术处理,利用信息论准则进行信号源数目的估计.仿真结果表明了该算法的正确性和有效性.