基于稀疏表征的欠定盲源分离的研究

稀疏信号处理是研究欠定盲源分离的主要手段。本文介绍了稀疏分量分析的基本模型,在此基础上深入分析并讨论了基于稀疏表示的盲源分离算法。该算法对实际欠定混叠盲信号分离有重要的意义。     

基于压缩感知和优化算法的欠定盲源信号分离

针对目前欠定盲源信号分离在源信号不充分稀疏的情况下分离精度较低的问题,提出一种基于压缩感知和优化算法的欠定盲源信号分离方法.首先分析了欠定盲源信号分离和压缩感知问题的等价性,并建立基于压缩感知的欠定盲源信号分离的数学模型;然后以分离信号的稀疏性和互相关性来建立目标函数,并通过使用压缩感知和优化算法来实现欠定盲源信号的分离;最后对语音信号进行了仿真实验.实验结果表明,在源信号不充分稀疏的情况下,利用这种方法得到的分离信号与源信号的平均相似系数为0.990 3,由此可见这种方法是一种有效的、分离精度较高的分离方法.这也为欠定盲源信号分离问题的研究提供了一种新的途径和手段.     

基于粒子群算法的欠定盲源分离方法改进研究

欠定盲源分离技术是一个热门的研究领域,其广泛应用于信息理论、神经网络、统计信号处理、生物医学工程等领域。在大多数实际情况下,当接收到由多路源信号叠加而成的观测信号时,源信号的数量大于观测时长,采用通常的盲源分离技术难以恢复源信号。着重讨论基于"两步法"的欠定盲源分离问题;该分离技术分两个阶段,第一阶段采用基于粒子群算法的K-均值聚类改进算法求解混合矩阵,将蚁群算法信息素的概念应用其中;第二阶段采用最短路径法求解L1-范数模型获得源信号的估计。相比于现存的二阶段方法,该方法可达到更高的信号重构信噪比。     

欠定和非完全稀疏性的盲源恢复

非完全稀疏性的盲源分离（BSS）的难点在于源的恢复。现有的最短路径法、l1范数解和SSDP算法仅适用于稀疏源而不适宜非完全稀疏源。本文针对两个观测信号的情形,提出了二维的统计非稀疏准则（2d-SNSDP)。该算法将信号分成若干区间,用源的相关性判断各区间是否非完全稀疏,并在非完全稀疏和稀疏的区间采取不同的源恢复策略。它克服了传统算法的不足,改善了估计的源。最后,语音信号的仿真实验显示它的性能和实用性。     

欠定盲源分离在语音信号处理中的应用研究

语音信号处理是欠定盲源分离的一个重要研究领域。本文基于混合语音的基本模型,分析并讨论了两种欠定盲源分离方法在语音信号处理中的应用思路。欠定混合语音信号分离更接近实际情况,有着重要的研究意义。     

超宽带通信信号欠定盲源分离

针对超宽带通信信号,提出了一种新的二阶段欠定盲源分离方法:阶梯图-最小角度法。在第一阶段即混叠矩阵估计阶段,提出用阶梯图对均匀抽样的数据点进行聚类计算,建立了一种估计混合矩阵的工程化模型,它可以直接估计出源信号个数,并且得到精度较高的混合矩阵估计值;在第二阶段借助最小角度分离准则估计出源信号,从而获得较好的分离性能。     

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...     

基于稀疏特性的欠定盲信号分离算法

在源信号在非充分稀疏条件下,提出了一种改进的两步法欠定盲源分离算法.与现有的大多数稀疏分量分析算法法都是假设源信号是充分稀疏不同,该算法放宽了源信号的稀疏性.与此同时,该算法能够估计出聚类空间的个数,能够克服源信号个数未知的情况.模糊划分矩阵的应用更加有利于源信号的分离.仿真结果表明了该算法的有效性.     

基于OS-SASP算法的欠定盲源分离

针对基于稀疏分量分析的欠定盲源分离问题,提出一种基于优化支撑的稀疏度自适应子空间追踪(OS-SASP)算法.通过引入自适应思想,克服传统子空间追踪(SP)算法对稀疏度的依赖;同时在迭代开始之前通过离散余弦变换的能量集中特性确定最小支撑集的大小,对最小支撑集求并集获得优化支撑集,优化支撑集联合迭代过程中的候选集来定位最佳原子,提高源信号的恢复精度.仿真结果表明,OS-SASP算法在一维稀疏信号与语音信号的欠定盲源恢复过程中表现出良好的性能.     

基于一种改进最短路径法的欠定语音盲分离

为了在欠定条件下实现语音盲源分离,该文首先利用势函数估计源信号的个数和混叠矩阵,在估计势函数曲线时对其做平滑处理,以提高源信号个数估计的准确性.在语音信号分离部分,提出了一种改进的最短路径法,该方法对混叠信号各时频单元进行分类处理,避免了最短路径法中对每个时频单元进行矩阵求逆运算,在大大减少计算量的同时也降低了分离信号的背景噪声.最后给出了仿真实验,实验结果证明了该算法的可行性和优异性.     

Blind signal separation of underdetermined mixtures based on clustering algorithms on planes

Based on clustering method on planes, blind signal separation (BSS) of underdetermined mixtures with three observed signals is discussed. The condition of sufficient sparsity of the source signals is not necessary when clustering method on planes is used. In other words, it needs not that only one source signal plays the main role among others at one time. The proposed method uses normal line clustering of planes first. Then, the mixing matrix can be identified via deciding the intersection lines of the planes. This method is an effective implement of the new theory presented by Georgiev. Simulations illustrate accuracy and restoring capability of the method to estimate the mixing matrix.     

Mixing matrix estimation of underdetermined blind source separation based on the linear aggregation characteristic of observation signals

Under the underdetermined blind sources separation ( UBSS) circumstance, it is difficult to es-timate the mixing matrix with high-precision because of unknown sparsity of signals.The mixing ma-trix estimation is proposed based on linear aggregation degree of signal scatter plot without knowing sparsity, and the linear aggregation degree evaluation of observed signals is presented which obeys generalized Gaussian distribution ( GGD) .Both the GGD shape parameter and the signals’ correla-tion features affect the observation signals sparsity and further affected the directionality of time-fre-quency scatter plot.So a new mixing matrix estimation method is proposed for different sparsity de-grees, which especially focuses on unclear directionality of scatter plot and weak linear aggregation degree.Firstly, the direction of coefficient scatter plot by time-frequency transform is improved and then the single source coefficients in the case of weak linear clustering is processed finally the im-proved K-means clustering is applied to achieve the estimation of mixing matrix.The proposed algo-rithm reduces the requirements of signals sparsity and independence, and the mixing matrix can be estimated with high accuracy.The simulation results show the feasibility and effectiveness of the al-gorithm.     

基于局部特征尺度分解的旋转机械故障欠定盲源分离方法研究

针对传统盲源分离方法局限于源信号平稳、非高斯且相互独立,要求观测信号数不少于源信号数的问题,提出了一种基于局部特征尺度分解的旋转机械故障欠定盲源分离方法。采用局部特征尺度分解方法将观测信号分解为若干个内禀尺度分量,相当于对观测信号数进行升维,重组所有内禀尺度分量作为新的观测信号进行盲源分离,该方法不仅能分离非线性、非平稳的旋转机械故障信号,而且也可以解决观测信号数少于源信号数的欠定问题。通过模拟仿真和建立不平衡-碰摩-松动耦合故障的转子试验台进行试验分析,且与传统盲源分离方法进行对比,结果表明了该方法的有效性。     

基于多传感器时频分布的机械故障信号欠定盲源分离方法

结合多传感器时频分布(multisensor time-frequency distributions,MTFD)和盲源分离(blind source separation,BSS)的特点,提出一种针对机械复合故障信号的欠定盲源分离方法。首先利用Wigner-Ville分布将观测信号转化为MTFD矩阵;然后对该矩阵进行白化处理和噪声阈值处理,并对其自动项进行选择,对其特征向量进行集群处理,从而得到源信号TFD的估计;最后对源信号进行重建,得到源信号的估计。仿真及试验结果表明,本文所提出的方法在处理非平稳复合信号的欠定盲源分离方面具有很好的效果。     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。