一种改进的FCM聚类算法的混合矩阵估计

在增强信号稀疏性的基础上,对模糊C均值(fuzzy C-means, FCM)聚类算法进行改进,达到提高混合矩阵估计精度的目的,更好地解决欠定盲源分离问题。主要针对稀疏成分分析理论"两步法"中的混合矩阵估计算法改进,提出一种基于隶属度划分优化的FCM聚类算法。通过改变目标函数中的隶属度划分方式,来影响数据的归类,从而决定了混合矩阵中元素的估计精度。最后,将改进的算法用于语音信号仿真实验,完成混合矩阵估计。实验结果表明,用改进的算法所获得的矩阵估计误差小且精度高,可使归一化均方误差减小1.3 dB,角度偏差最多可减小1°。     

未知数量稀疏源的盲分离方法

提出了一种新的用于未知数量稀疏源的盲分离的统一方法.为了改善聚类分离的精度,首先选取混合空间中半径给定、中心位于原点的超球面以外的数据点,并将这些数据点映射到中心位于原点的单位超球面上.由此,原来的超平面线性聚类变为致密聚类,各聚类互相重叠的现象消失.然后,通过对这些映射到单位超球面上的数据点进行聚类分离来估计混合矩阵,再利用混合矩阵估计源,其中最佳不相似阈值和相应的聚类数量是自动生成的.仿真实验验证了该方法对实际音频信号包括语音信号的有效性.仿真结果表明该方法精确、简便,稳定性好,且计算量较小.     

一种混合的机动群目标分离检测跟踪算法

为了改善雷达对分离后群目标的跟踪性能,提出了一种混合的群目标分离检测与外形估计算法。该算法首先利用单个随机矩阵计算群外形尺寸,然后根据其数值变化分析群的态势;当检测到群分离后,利用k-均值聚类算法对各分群进行聚类,采用最小二乘法将各分群的有效量测拟合成多个椭圆,最后进行航迹关联。该算法的特点是:基于聚类思想处理分群量测,并采用多个椭圆描述群目标的形状;相比于传统随机矩阵算法,估计结果收敛较快。仿真结果表明,相比于传统单个随机矩阵,该混合算法能够估计分离后的群目标形状;相比于半正定规划求解群形状参数,该混合算法的单次蒙特卡洛仿真时间减少了2个量级,证明了算法的有效性。     

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.     

DFT在二维DOA估计的MUSIC法中的应用

波达方向DOA估计(Direction Of Arrival)广泛应用于各种空间滤波系统中,而MUSIC算法是DOA估计中的经典和实用的算法.但由于算法中需要进行各种矩阵运算,其计算量相当大.笔者提出了在阵元数为2i的均匀圆阵中,利用数据的循环特性,采用DFT(Discrete Fourier Transform)的计算方法,完成MUSIC法的空间谱函数二维谱峰搜索.同时,分析了该方法相对于传统MUSIC法谱峰搜索时计算量的改进,给出了仿真结果.改进后的MUSIC算法计算量可以减少到传统算法计算量的一半.     

采用聚类神经网络与分离输出语音重构的语音分离算法

基于听觉现象分析计算模型 ( CASA)的基本原理 ,对仅有单通道输入混合语音信号时 ,采用振荡器神经网络 ,提出了一种 CASA计算模型语音分离算法结构 .利用实例说明了算法的具体实现步骤和参数设置 .讨论了该算法结构中各语音听觉感知成分 Segments的聚类过程和对分离输出语音的重构处理部分 ,以及如何采用合适的听觉感知成分聚类规则设计相应的聚类神经网络 ,以完成对应不同输入独立语音源信号的各 Segments的聚类 ,从而实现语音分离任务     

采用聚类神经网络与分离输出语音重构的语音分离算法

基于听觉现象分析计算模型 (CASA)的基本原理 ,对仅有单通道输入混合语音信号时 ,采用振荡器神经网络 ,提出了一种 CASA计算模型语音分离算法结构 .利用实例说明了算法的具体实现步骤和参数设置 .讨论了该算法结构中各语音听觉感知成分 Segments的聚类过程和对分离输出语音的重构处理部分 ,以及如何采用合适的听觉感知成分聚类规则设计相应的聚类神经网络 ,以完成对应不同输入独立语音源信号的各 Segm ents的聚类 ,从而实现语音分离任务     

基于密度结构分析的改进FCM混合矩阵估计

欠定盲源分离问题中,针对传统FCM算法(fuzzy C-means,FCM)需要预先设定聚类数目和初始聚类中心,以及聚类结果易受噪点干扰的问题,提出一种基于密度结构分析的改进FCM聚类算法,并利用改进后的算法实现混合矩阵估计.这一改进算法首先用OPTICS(ordering points to identify the...     

基于空间协方差矩阵的欠定卷积盲源分离

利用空间协方差矩阵表示的盲源分离模型与瞬时理想模型的一致性,本文提出了基于空间协方差矩阵的欠定卷积盲源分离方法。本方法用零均值高斯随机变量的协方差矩阵来表示各个源信号经过传输信道后的短时傅里叶变换,采用层次聚类估计出高斯随机变量协方差矩阵的初值,并使用极大期望值算法(EM)求解对数似然函数,最后采用维纳滤波法语音增强技术求解时频域内的源信号。通过仿真实验,验证了算法的有效性。     

一种改进的欠定混合矩阵估计算法

针对欠定盲源分离中混合矩阵的估计问题,以及现有算法大多存在复杂度高、估计精度低的缺陷,在分析K-Plane算法的基础上,提出了一种改进的欠定混合矩阵估计算法——IK-Plane(improved K-Plane)算法.IK-Plane算法通过最优化方法,计算与所有观测信号的内积和最小的向量,并将该向量作为新的法向量,改进了法向量的更新方法,从而改善了算法的时间复杂度及估计精度.实验结果表明:相对于K-Plane算法,IKPlane算法在提高估计精度的同时,能够显著地降低算法的时间复杂度.     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

时频分析的欠定盲源分离算法

随着跳频通信系统性能的不断提升,传统信号处理方式无法适应跳频信号载频时变的特性,提出一种改进思想,采用时频分析方法对多跳频欠定盲源分离问题进行研究分析.由于线性时频分析方法满足线性叠加原理并且信号间没有交叉项干扰的影响,采用短时傅里叶变换对多跳频信号进行处理分析;利用自适应时频支撑点阈值设定的方法,剔除低能量噪点对时频单源点的影响,并结合改进的k-均值算法对混合矩阵进行估计;在不同时间段短时傅里叶变换的窗函数中,通过判断频率聚类数的不同,确定跳频信号频率跳变点的时刻及位置;通过时频单源点的时频比矩阵对时变混合矩阵进行估计.仿真实验验证了改进算法对混合矩阵具有较好的估计特性,算法改进的效果也比较明显.     

基于阵列结构的盲分离算法

为了进一步改善阵列信号处理中盲源分离算法的分离性能,提出了一种新的基于阵列结构的盲分离算法.该算法的基本思想是利用已有的盲源分离算法(EASI和FastICA算法)估计混合矩阵,根据估计出来的混合矩阵和均匀线阵的特点来重构混合矩阵,对分离矩阵进行较正,达到改善算法分离性能的目的.仿真结果表明,该文提出的EASI-1算法的平均干信比比EASI算法低7.5 dB,FastICA-1算法的平均干信比比FastICA算法低4.3 dB.     

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.      

基于测量聚类的网络拓扑推断算法

为了减少基于端到端时延的拓扑推断算法中产生的测量流量,根据网络中端到端时延的特点,提出了一种测量聚类算法和两阶段拓扑推断算法.测量聚类算法在测量时首先粗略测量网络节点的端到端时延,根据时延对节点进行聚类,然后根据节点的聚类测量节点对的端到端时延并计算节点相关性,最后通过两阶段拓扑推断算法推断网络拓扑结构.理论证明了测量聚类算法能够有效减少测量产生的测量流量并通过NS2进行了仿真,仿真结果表明测量聚类算法和两阶段拓扑推断算法在有效减少测量流量的情况下能够正确地推断网络的拓扑结构.     

基于隐马尔可夫模型与并行模型组合的特征补偿算法

提出了一种基于隐马尔可夫模型和并行模型组合的特征补偿算法.首先,利用一个包含较多状态的隐马尔可夫模型来描述全部单词特征向量的分布.然后,根据静音段估计的噪声均值和方差,采用并行模型组合方法调整隐马尔可夫模型的均值向量和协方差矩阵,使之与识别环境相匹配.最后,根据基于状态转移矩阵压缩的前向后向算法计算隐马尔可夫模型的后验概率,并通过最小均方误差准则估计纯净语音特征向量.实验结果表明,该算法能够更加准确地估计纯净语音特征向量,其性能明显优于基于高斯混合模型的特征补偿算法;状态转移矩阵压缩算法可以在不影响补偿精度的前提下,显著减少前向后向算法的计算量.     

欠定条件下一种自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,该文利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局 均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。     

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.     

欠定条件下自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。