基于信息论的盲源信号分离在呼吸信号分离中的应用研究

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.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

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.     

利用航空发动机信号特征的振动源盲分离算法

针对航空发动机机匣观测信号为多个振动源的混合信号的问题,提出了一种基于航空发动机振动信号特征的盲分离算法,能够从混合的观测信号中确定振动源的个数以及提取发动机内部各个振动源的振动信息。算法的核心是基于航空发动机等旋转机械转轴故障振动信号的频谱特点,其故障信号的振动谱一般包含基频、谐波成分和次谐波成分,如不对中、碰磨、裂纹等。算法用到的主要工具是连续小波变换和时间同步平稳法,主要步骤为:首先通过连续小波变换将航空发动机不同观测通道上的观测信号分解,根据谱峰值分析确定主要振动源及对应的基频;然后通过时间同步平稳法,分别从每个观测通道上提取各个振动源的谐波和次谐波成分,从每个观测通道上提取出了源信号;对于同一源信号,从每个观测通道上都能提取出一个基本映像,最后通过对比每个映像信号的二范数,确定每个源信号的最优估计。通过数值模拟信号和实测航空发动机加速度振动信号对算法进行了验证,结果表明,在对发动机转速有一定先验知识的情况下,所提算法能够估计出发动机内部的主要振动源的个数,并能提取源信号的主要成分。结合旋转机械振动频谱特点等先验知识,说明了所提算法的正确性和实用性。     

不确定观测ARMA信号滤波器设计

将具有不确定观测的ARMA信号滤波问题转化为具有不确定观测的状态空间模型的状态和白噪声滤波问题.利用射影理论,推导出了在线性最小方差意义下状态滤波器和白噪声滤波器.进而获得具有不确定观测的ARMA信号滤波器.对于存在不确定观测的ARMA信号,以往在完整观测数据下的AMRA 信号滤波算法已经失去最优性.当不存在观测数据丢失时,算法等同于以往最优ARMA信号滤波器.仿真例子说明了其有效性.     

一种新的重叠混沌信号盲分离算法

提出一种基于粒子滤波（particle filtering,PF）的重叠混沌信号盲分离算法,该算法依据混沌动力学系统的状态空间模型,把重叠混沌信号盲分离问题转化为混沌信号和系统参数的联合估计问题,利用PF方法估计各信号以及系统参数的联合后验分布,再由联合后验分布实现各信号以及系统参数的估计.在PF算法中利用核平滑的方法实现了非时变参数的迭代估计,并通过自适应迭代算法对加性高斯噪声进行了估计.仿真实验的结果表明,该算法能有效地解决重叠混沌信号的盲分离问题.     

基于频域去相关的语音信号分离

目前基于纯净语音信号的语音识别系统和说话人识别系统都已达到了很高的识别率,但是当信号中含有噪声,特别是含有语音噪声时,识别率就会大大降低.解决这一问题的关键是实现语音与噪声的自动分离.考虑到语音信号的非平稳特性,把时域去相关的思想推广到频域,提出了频域去相关算法,实验结果显示了算法的有效性.     

卷积混合信号频域盲分离技术研究

阵列声纳观测的舰船辐射噪声信号是由多目标源、海洋环境噪声等经多途卷积混叠形成,为提高被动声纳的检测能力、有效分离多目标信号与环境噪声,提出一种新的信号盲分离方法,利用滑窗短时傅里叶变换将时域信号卷积混合形式转换到频域瞬态混合形式,针对每个频率点利用非平稳水声信号的多拍交叉相关序列,建立频域适用盲分离算法,估计分离网络矩阵,分离恢复多源信号,研究了多源多途水声信号盲分离技术,用仿真信号和水池实验实录信号进行频域盲分离算法检验,结果表明信号分离效果较好。     

单通道混合信号中周期信号的盲分离

在定义信号周期性的基础上,针对多个周期信号、多个周期信号和其他信号单通道混合的情况,提出了基于特征值分析的周期信号盲分离方法,并对算法的可行性、分离误差及分离效果进行了理论分析.仿真结果表明:该方法能适应较低的信噪比,且具有计算量小、易于实现等优点.     

基于压缩感知的盲源信号分离检测方法

接入电网的各种分布式电源、非线性负荷使得电能质量污染问题日益严重,对各种电能质量信号进行特征提取与正确分离是改善电能质量的切入点.针对电能质量信号的结构特点,构建了压缩感知电能质量信号分离模型,并针对该模型提出一种基于压缩感知的盲源信号分离检测算法CS-SCA(compressed sensing-sparse component analysis).根据已有的电能质量信号理论知识,确定电能质量信号在频域的稀疏性,进而对信号预处理降噪.通过两步法解决预处理后电能质量观测信号的分离检测问题.第1步通过观测信号向量方向特性估计出电能质量源信号个数,并利用线性聚类估计混合矩阵;第2步采用压缩感知恢复算法分离得出电能质量源信号.通过实验验证,提出算法所分离出基波、各次谐波信号分离信干比均大于10,dB.     

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

基于改进固定点ICA算法的图像盲分离

独立向量分析根据信源统计独立特性对观测信号进行分离运算,目前采用较多的是固定点独立分量分析(FastICA).考虑到图像信号分离中,图像信号复杂多样,信息量大的特点,采用改进固定点ICA算法对图像进行分离,克服了采用固定点ICA算法计算量大、收敛速度慢的缺点.文章采用随机提取的独立图像做实验,取得了稳定性较强的效果.     

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析（ICA）的基本理论和算法;探讨了独立分量分析在混合声音信号分离中的应用。针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程,ICA混合模型系数存在时变性等问题,提出了一种结合小波变换和独立分量分析的解决方法;试验结果表明,该方法能有效地提高运算效率并获得较好的分离效果。     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在通信对抗中,由于电磁环境的复杂度及信号调制方式的多样性,使得很难得到原始信号的先验信息,这给通信对抗带来极大的困难。为了解决在通信对抗中的这个难题,我们提出了一种新的盲识别技术。该技术使用独立信号分析（ICA）去盲分离原始的信号,而且随后对每个得到的信号进行分别处理。文中首先介绍了ICA的基本原理。使用差分最大负平均信息量的方法,一个为ICA的目标函数和一个快速ICA算法在文中被提出。在深入分析此快速算法的基础上,本文阐述了一种新的算法并将其应用在卫星TT&C信号的识别中。仿真结果表明：该方法可以不需要原始信号的先验信息的情况下正确的识别出原信号（例如,载波频率,信号带宽和调制方式等）,这为后续的信号分析奠定了基础,比如信号的分析和识别,解调及证明其良好的收敛性和鲁棒性等等。     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在现代通信对抗中,由于电磁环境特别复杂及信号调制方式的多样性,要知道所发射信号的先验知识几乎不可能,这给通信对抗带来极大的困难.为了解决在复杂多信号情况下的这个难题,提出了一种新的盲识别技术,该技术使用独立分量分析(ICA)算法来盲识别原始信号且对所得的结果进行下一步的分别处理.首先介绍了ICA的基本原理:它使用差分负平均信息量的最大化逼近.基于此,ICA的一个目标函数和一种快速的ICA算法在本文中被提出.在深入分析该快速ICA算法的基础上,将其应用于卫星TT&C信号的盲识别上.仿真结果表明:在没有任何先验知识(例如:载波频率,信号带宽和调制方式)的情况下,原始的信号可以被很好地分离出来.这为下面步骤的信号处理建立了一定的基础,比如信号分析和识别,解调信号及证明其收敛和鲁棒性等.     

基于ICA的盲信号分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)[1]为核心的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离。实验是有效的且鲁棒效果良好。     

涡流检测信号的独立分量分析预处理

提出将一种求解盲源分离问题的独立分量分析(Independent Component Analysis,ICA)算法应用于自然裂纹涡流检测(Eddy Current Testing,ECT)信号的预处理中。利用一种基于负熵极大的FastICA算法,分别对实验产生的疲劳裂纹和应力腐蚀裂纹ECT信号进行了处理,实现了ECT信号中缺陷分量与探头提离信号、部分噪声信号的有效分离。为了验证算法的有效性,同时采用小波分析算法对相同ECT信号进行了去噪处理。结果表明ICA算法在ECT信号处理中具有独特优势。     

微弱裂纹信号的ICA盲源分离提取

针对机械设备关键基础部件早期故障信号提取困难这一问题,提出了一种基于独立分量分析(ICA)的盲源分离去噪方法。采用Fixed-point ICA算法和基于负熵的判据,对不同信噪比下金属裂纹信号进行提取。研究结果表明,此方法受噪声强度及信号频段的影响比较小,可有效提取出所需信号;且获得的信号波形失真很小,是一种较好的微弱信号提取方法。     

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注.作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位.     

基于改进的H-J算法的信号盲分离研究

独立分量分析是近十多年发展起来的一种非常有效的盲信号分离技术。改进的H-J算法是具有较好稳定和收敛性能的ICA算法,该文通过对改进的H-J算法的分析,将其应用于混合矩阵近似奇异,且强噪声背景下的混合信号盲分离中,并通过计算机仿真实验给予了验证。