基于概率密度估计盲分离的通信信号盲侦察技术

为解决复杂多信号环境下的通信侦察难题,提出一种新的盲侦察技术,采用基于密度估计的盲分离算法（DEBSS）分离出原始信号,然后对分离的各个信号进行后续信号处理．DEBSS算法采用核函数估计法估计出信号的概率密度函数及其导数,以此确定信号的评价函数,然后采用自然梯度迭代算法进行迭代．仿真结果表明,采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式）,可以很好地分离出原始的发射信号,为后续信号处理（如分析识别、解调等）奠定基础．该算法可以对任意源信号进行分离,而不管它是超高斯还是亚高斯信号．     

适用于通信侦察的信号盲分离算法

以Kullback-Leibler散度为代价函数,基于相对梯度算法推导了在通信侦察中适用于通信信号盲分离的独立信源盲分离算法,并从理论上证明了算法的稳定性.仿真结果表明:只要源信号之间相互独立,则对任意载频、任何调制方式的通信信号,该算法都能够根据观察到的混合信号有效地分离出源信号.在源信号并不完全独立的情况下,其分离性能略有降低.     

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

基于独立分量分析(ICA)的通信信号盲侦察技术

在通信对抗中,由于电磁环境的复杂性和通信信号调制方式的多样性,我们事前无法确知接收信号的任何信息,给通信侦察带来了极大的困难.为解决复杂多信号环境下的通信侦察难题,作者提出了一种采用独立分量分析（ICA）技术,对原始信号进行盲分离,然后分别对分离的各个信号进行后续处理的盲侦察技术.在介绍ICA技术的基础上,采用基于自然梯度的ICA算法(EASI算法)对分离效果进行了仿真.仿真结果表明,采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式）,可以很好地分离出原始发射信号,为后续信号处理（如分析识别、解调等）奠定了基础.     

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。     

雷达信号的盲分离

盲信号处理已成为近年信号处理和神经网络热点领域.但主要用于语言信号处理,而应用于雷达信号处理并不多见.将盲源分离算法应用于雷达阵列接收信号处理,提出了一种新的盲源分离算法的性能评价标准—相关系数法.首先研究了雷达阵列接收模型,然后分析了雷达阵列接收信号的特性.由分析可知:当雷达目标和杂波源在空间上与雷达接收机的距离基本一致时,雷达阵列接收信号在雷达接收机上的混叠是瞬时混叠;同时雷达阵列接收信号均为超高斯信号.因此可采用盲源分离算法中的定点ICA算法来分离雷达阵列接收信号.仿真结果表明,分离出来的信号与源信号的相关系数均大于0.95,说明了定点ICA算法能雷达阵列接收信号,证明了理论分析的正确性和算法的有效性.     

杂系混合信号的盲分离

利用基于随机变量概率密度函数的非参数密度估计的核密度估计法对评价函数进行直接估计，改进了盲分离算法的性能，理论推导和试验都证实了这种基于核密度估计的非参数密度估计盲分离算法能实现包含超高斯和亚高斯信号的杂系混合信号的盲分离，为盲分离问题在实际问题中的应用奠定了一定的基础。     

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.     

卷积混叠盲信号分离的一种线性化方法

卷积混叠的盲信号分离是盲源分离问题中的难点．针对独立同分布的非高斯信号的卷积混叠,提出了一种新的盲解卷积方法——“两步提取法”：第一步消除所有源信号的延迟分量,提取仅含有源信号的线性混叠分量,使其转化为线性混叠盲源分离问题,称之为“卷积线性化”;第二步对“卷积线性化”后的估计信号进行分离,最终分离出源信号．同时,利用统计和矩阵理论,证明了设计“卷积线性化”滤波器的方法．仿真试验结果显示了该方法的可行性．     

混合语音信号的盲分离技术

在语音信号盲分离问题中,通过短时傅立叶变换把语言信号从时域卷积混合转化为各频点的瞬时混合将导致分离结果出现次序和幅度上的不确定性.本文通过实验探讨了信号盲分离的方法及其幅值补偿与重新排序的方法,并在MATLAB环境中进行了仿真,实现了语音信号的盲分离.     

过程信号的盲分离

添加采集通道,应用文中提出的基于盲分离原理的简约ＨＪ神经网络（ＲＨＪＮＮ）,可有效地去除混杂在过程信号中噪声,是控制工程中一种新型的去噪手段。对多类控制系统与不同信号的组合仿真表明,该方法是有效的,网络性能是稳定的。     

基于高阶谱的信号盲分离

讨论了宽带盲辨识与信号盲分离问题，证明了一个基于四阶谱的判据并发展了相应的算法，模拟实验证实了判据的正确性和算法的有效性。     

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.     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

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.     

改进的语音频域盲分离算法

针对语音信号频域盲分离的排序问题,研究了幅值函数和频点间距对信号相关性的影响,提出了利用短时平均幅度函数和加入频点系数的方法对算法进行改进。改进算法考虑了幅值函数的稳定性和远距离频点的不可靠性,最终实现全部频点的排序。仿真实验对两种不同情况下混合的语音信号进行分离,结果表明改进算法的有效性。     

单频点频域卷积混合盲分离技术

在双频点频域卷积混合盲分离算法的基础上,提出一种单频点频域卷积混合盲分离算法.通过恰当地选取频域盲分离中短时傅里叶变换（STFT）的参数,可仅依靠一个频率片上的分离信号来完成双频点算法.相对于传统频域卷积混合盲分离方法,该方法不受各频率片顺序不确定性不统一及比例不确定性不统一的影响.仿真实验证明了该算法的有效性.     

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。     

单通道时频重叠高斯调幅通信信号盲分离方法

为了解决单通道多个时频重叠高斯调幅通信信号共信道的盲分离问题,提出了一种混合遗传与最小值搜索的盲分离算法。根据信号的特征,建立信号模型,利用接收到的一组混合信号的数据,利用混合遗传与最小值搜索的盲分离算法对所有待估计参数进行联合搜索,实现了多个信号分量的重构和分离。仿真结果表明,与传统的最小值搜索算法(初值选取误差控制在远离期望值的5%以内)和遗传算法相比,该算法有较高的数值精度和不受初值选取影响的优点。