基于高阶统计量的自适应盲源分离算法

提出了一种新的自适应盲源分离算法，在无噪音实时两源两传感器的情况下，一旦观测信号被白化，只需要辨识一个特定的旋转矩阵就可以完成盲源分离，并给出了能表征该旋转矩阵的角的自适应估计器，仿真结果表明，当满足源峭度和不为零的条件时，这种方法是一种稳定的和有效的分离算法。     

基于二阶和高阶统计量DOA估计算法的对比

阵列信号处理是信号处理的一个重要分支,而波达方向估计又是阵列信号处理的一个重要方面,一些常用的方法可以用来获得DOA估计,例如基于二阶统计量的MUSIC法,但是这些方法存在一些缺点.对比了基于二阶和高阶统计量的DOA估计算法性能,仿真结果表明,基于高阶统计量的DOA估计算法具有更好的性能,此外,还分析了基于二阶或高阶统计量的DOA估计算法的相同点和不同点.     

基于高阶统计量信号检测的研究

研究了高阶统计量（主要是三阶累积量）在信号检测中的应用，探讨了信号检测的高阶累积量算法.利用高斯噪声的高阶累积量的零均值特性，用计算机对SNR=20dB和SNR=0dB的输入信号进行模拟仿真，并将检测结果与原始信号进行比较，从结果上看执行效果较好．     

关于噪声环境中语音信号盲分离的研究

研究了在噪声环境中进行语音信号盲分离的问题。为了解决由于噪声导致解混合系统性能发生严重恶化的问题，在不增加传感器数目的前提下，利用语音源信号的短时平稳特性和噪声信号的长时间平稳特性，给出差分方法可以抵消噪声信号的影响，使得解混合系统的权仍能够收敛。输入真实语音，通过计算机仿真验证了该算法的有效性。     

基于独立分量分析的瞬时混合语音信号盲分离算法研究

近些年,信号处理在理论与方法方面发展速度很快,独立分量分析技术已成了信号处理领域内重要的组成部分。讨论了线性瞬时混合情况下,语音信号盲分离的算法,阐述了算法的原理,并进行了实验仿真,以此来证明算法的有效性。     

一种改进的自然梯度语音信号盲分离算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。基于自然梯度的盲源分离算法一般分为固定步长和变步长的自然梯度算法,固定步长的自然梯度算法存在分离速度与稳定性之间的矛盾,即步长越长时分离速度快,但是稳态误差又得不到保障;步长太小分离速度又达不到要求。为了改善分离速度与稳定性之间的矛盾,提出了一种变步长的方法来,并用其改进了固定步长的标准自然梯度算法,成功地用于混合语音信号的分离,该方法取得比标准自然梯度算法更好的分离效果,具有更快的收敛速度。     

基于高阶统计量的机械故障特征提取方法研究

对高阶统计量用于机械故障特征提取进行了研究. 首先利用Hilbert变换构造原始信号的解析信号,求取信号的包络,然后计算包络信号的高 阶统计量.研究表明,用高阶统计量提取信号特征,可以容易地将正常齿轮信号和齿轮裂纹、 断齿的信号分离.     

基于高阶统计量的机械故障特征提取方法研究

对高阶统计量用于机械故障特征提取进行了研究。首先利用Ｈｉｌｂｅｒｔ变换构造原始信号的解析信号,求取信号的包络,然后计算信号的高阶统计量。研究表明,用高阶统计量提取信号特征,可以 容易地将正常齿轮信号和齿轮裂纹、断齿的信号分离。     

基于自适应互信息极小化算法的混合语音信号分离

针对混合语音信号的盲分离问题,基于自适应的互信息极小化算法是一个非常良好的解决办法,本文深入研究了该算法,并且为了加快算法的收敛速度,对该算法进行了改进,文章最后给出的实验结果表明,改进后的算法在分离语音信号和收敛速度上,都是非常有效的.     

基于自适应极大熵算法的混合语音信号分离

关于混合语音信号的盲分离问题,基于自适应的极大熵算法是一个非常良好的解决办法,本文深入研究了该算法并且针对实践应用中的一些问题.对该算法进行了改进.文章最后给出的实验结果表明,改进后的算法在盲分离语音信号和提高算法效率上,都是非常有效的.     

多种概率分布源的盲源分离快速算法

基于目标函数迭代优化的方法在解决线性混合情况下,源信号存在多种概率密度分布的盲源分离问题时,需要对非线性函数以及迭代步长进行正确的选择,算法比较复杂;针对此问题,提出一种基于高阶统计的快速分离算法,该算法可以有效地避免上述问题.实验结果表明,该算法能够快速有效地分离出不同概率密度分布的混合信号.     

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．     

基于源信号时间结构的半盲处理方法

该文给出了一种适用于时间相关的任意概率分布源信号的自适应半盲信号处理方法。提出的自适应算法基于二阶统计量(SO S)信息,利用了源信号在空间上非严格统计独立,同时在时间上也不是独立统计分布的假设。此外,为了实现理想的盲分离,源信号必需具有不同的功率谱密度。新的半盲信号分离(BSS)方法在仅使用SO S信息和时间结构的基础上,对相关源信号采用自适应技术,实现半盲分离,而且该文算法可取消经典ICA算法对源信号至多有一个G auss源的限制。真实图像数据的模拟实验及其与JADE、FP ICA、FOB I、AMU SE等算法的性能比较,验证了该算法的有效性。     

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CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...     

盲源分离自适应算法的统一形式

通过合理的推导与转换，统一了几种不同的盲源分离自适应算法，指出了这些有源分离自适应算法之间的区别与联系，给出了该统一形式中非线性函数选取的稳定性原则。提出了在稳定提下，兼顾算法多种性能的非线性函数综合择优准则。计算机模拟实验结果验证了该准则的有效性。     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

基于盲分离技术的机械噪声分离法的研究

基于互信息最小原理，详细推导了自然梯度法的盲信号处理的计算方法，并通过一个仿真实例说明运用该方法对噪音分离的可行性，从而为机械设备的故障诊断和监测提供了一个新的方法。     

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.     

一个新的顺序统计算法

本文给出了一个新的顺序统计算法 ,证明了在最坏情况下的时间复杂性。当k≤n/ 5时 ,T(n ,k)=n/ 2 +3.0 45 (n +4k) ;当k≥ 4n/ 5时 ,T(n ,k) =n/ 2 +3.0 45 (5n - 4k) ,改进了文献 [1,2 ]中相应结果。