基于FIR神经网络的非线性盲信号分离

针对实验环境中可能出现的非线性卷积混合盲信号分离问题,在反馈结构最大似然盲信号分离算法的基础上,利用混合高斯模式概率密度函数估计方法,提出了一种采用有限冲激响应神经网络的非线性盲分离算法,并推导了新算法的权向量迭代公式．通过与其他盲信号分离算法的计算机模拟实验结果比较,新算法能更有效地进行非线性函数逼近,得到更小的输出均方误差,达到较好的非线性盲信号分离效果．     

基于二阶和高阶统计量的语音信号盲分离算法研究

研究了两种基于高阶统计量的盲信号分离算法,在各种不同的实验条件下比较了两种算法与基于二阶统计量的盲信号分离算法的分离性能,分析比较了3种算法的计算复杂度,为工程应用和DSP（数字信号处理器）实现提供了参考,最后总结了两大类算法的优缺点,并分析了原因．     

基于统计估计的盲信号分离算法

最大熵法（ＭａｘｉｍｕｍＥｎｔｒｏｐｙ,ＭＥ）和最小互信息量法（ＭｉｎｉｍｕｍＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）是两种目前最常用的盲信号分离算法．在分析ＭＥ与ＭＭＩ算法的基础上,提出了一种利用反馈结构的输出信号概率密度函数（ｐｄｆ）估计的增强ＭＥ算法．与传统ＭＥ算法相比较,新算法无需给出传统ＭＥ算法中神经元非线性函数的具体表达形式,而是直接利用输出信号ｐｄｆ估计来推导算法的迭代核,进行算法自适应．分析了应用几种不同ｐｄｆ估计方法的新算法迭代公式．通过计算机模拟表明,新算法比传统ＭＥ算法对于解决卷积混合输入的盲信号分离问题时,具有更好的算法性能．     

基于高斯混合密度函数估计的语音分离

基于最大熵法(MaximumEntropy,ME)、最小互信息量法(MinimumMutualInformation,MMI)和最大似然法(MaximumLikelihood,ML)是解决盲信号分离问题的常用算法,分析了ME、MMI以及ML算法之间的关系.基于高斯混合模式(GaussianMixtureModel,GMM)概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法.与传统ME的计算机模拟实验结果比较得知,新算法具有更好的收敛性能和语音分离效果     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

一种新改进的DS/CDMA多用户检测器

提出了一种利用盲信号分离技术(BSS)与RAKE接收相结合的新多用户检测器.利用基于高阶累积量快速定点的独立分量分析(ICA)算法,从CDMA系统的多址干扰信号中较好地分离出需要用户的多径混合信号和多址干扰信号,进而通过RAKE接收需要的用户信号.     

利用高阶统计量的盲MIMO信道估计

在无线的MIMO(多输入多输出)通信系统中,使用高阶统计量进行盲信道估计能够进一步放松对信道的限制。介绍了FIRMIMO盲信道估计的数学模型和3种典型的基于高阶累积量的盲信道估计算法,并对这3种算法进行比较和分析,得出仿真结果,提出其中存在的缺陷和能够改进之处。     

基于小波概率密度函数估计的盲信号分离算法

利用概率密度函数的非线性小波估计方法,对混合信号的概率密度函数及其导数进行估计,由此估计信号的评价函数,从而给出了一种盲信号分离算法.该方法简单,可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.计算机仿真结果表明了算法的有效性.     

BFGS算法在盲信号分离中的应用研究

盲信号分离的独立成分分析方法已成为当今信号处理课题的热点。在分析已知算法的基础上,利用最优化方法中的Broyden- Fletcher-Goldfard-Shano(BFGS)算法,我们提出了一种基于信息理论新的盲信号分离算法。     

CES型盲均衡及其基于高阶统计量的一种实现

介绍了一种全新的设计盲均衡器的评估标准──信道评估标准ＣＥＳ（ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎＳｔａｎｄａｒｄ），并就其实现方式作了简要讨论，在分析现有算法优缺点的基础上，基于高阶统计量，对非最小相位线性信道，提出了一种ＣＥＳ型盲均衡算法ＨＣＢＥＡ，该方法避免了ＣＥＳ盲均衡中常见的大运算量的缺陷，由多电平ＰＡＭ及ＱＡＭ信号仿真实验表明，该方法具有良好的均衡特性。     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

基于自回归时序盲辩识的机械故障诊断

提出了一种自回归(AR)模型的盲辨识的算法，该算法与传统AR模型的辨识算法的区别在于它可同时确定AR模型的阶次和参数，而不需事先确定AR模型的阶次或假定AR模型的阶次已知，其特点是计算量小，具有很好的收敛性，并在此基础上将AR模型的盲辨识方法应用到机械故障诊断中．     

基于小波的迭代盲图像恢复新算法

针对迭代盲反卷积算法中解的唯一性和收敛性不确定问题,提出了基于小波的迭代盲图像恢复新算法.该算法用基于奇异值分解和压缩滤波方法对降质图像进行预处理,在初始化估计后对图像进行小波变换,用局部高斯模型刻画图像小波系数的概率分布,并作为先验约束加入到迭代算法中.仿真结果表明,新算法在保持图像边缘特性的基础上,峰值信噪比改进量比原算法增加约3 dB,对解的唯一性和收敛性也有一定改善.     

基于二阶循环统计量的直接盲MMSE均衡算法

提出了一种基于二阶循环统计量的直接盲MMSE均衡算法。该算法利用接收信号的二阶循环平稳性,依据MMSE准则,不经过辨识直接均衡信道。由于利用了信号的周期循环平稳性,该算法可以实现非最小相位系统的盲均衡。仿真实验表明,与基于子空间的盲均衡算法和基于CMA的盲均衡算法相比较,该算法运算复杂度低、收敛速度快、且不会陷入局部最优点。此外,由于该算法不经过辨识直接均衡信道,所以受信道阶数误差的影响较小。     

基于正交约束常模算法的MIMO系统盲信号分离

文中提出一个基于线性即时混合类型的两步盲信号分离方案。该方案先利用接收信号的二阶统计特性对信号进行白化,然后利用常模算法对信号向量进行自适应的盲分离。为了使每一个输出端都能分离出一个独立的信号,文中提出一种基于正交约束的常模算法,仿真结果表明该算法不仅能使每个输出端收敛到一个独立的输入端,并且能使收敛速度加快。     

基于ST-CMA盲均衡算法的直达波提取方法

针对检测系统中直达波信号被多径杂波所淹没的问题,提出了基于变步长的空时二维恒模盲均衡算法的直达波提取方法.该算法不受多径信号时延的限制,因此更具有效性和鲁棒性.在此基础之上采用变步长训练算法,在迭代过程中不断调节步长,使得算法的收敛速度得以提高.对存在不同的多径杂波情况进行了仿真分析,结果表明,新算法可以克服常规算法的...     

恒模算法的一种在线自适应初始方法

利用恒模均衡器与维纳均衡器之间的关系,在Lang Tong等人提出CSR CMA的基础上,使用了一种新的初始化方法,对传统的恒模算法(CMA)进行了改进,使其可以在线自适应调整其初始权值,从而可以改善恒模算法的收敛性能,并防止恒模算法的误收敛。计算机仿真试验验证了改进算法优良的收敛性能。     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题，由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量，这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此，本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件，并在此基础上用高斯混合模型来估计信号的概率分布，提高了信号概率密度估计的精度；同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法，提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验，证明了此分离算法是有效的．     

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.