SIMO信道的卷积盲分离新算法

提出了一种"逐次替代"卷积混叠盲信号分离方法。针对观测信号数目多于源信号数目的混叠情形,基于最小均方误差准则,将问题转化为求解一个关于信道参数和源信号的优化问题。通过代价函数对未知参数求导数,分别得到关于信道参数和源信号的两个表达式,通过对两个表达式的相互逐次替代来寻求源信号。由此给出了"逐次替代"卷积混叠盲分离方法。逐次替代盲解卷算法无需设置迭代步长,容易编程实现。仿真表明,该算法对于FIR SIMO情形能得到较好的效果。     

改进的粒子群算法及其非线性盲源分离

采用粒子群算法与自然梯度法相结合进行非线性混叠信号盲分离。用高阶奇数多项式拟合非线性混合函数,建立非线性信号盲分离模型。同时根据粒子群算法的特点,作了改进,引入了“迁徙操作”和局部深度搜索方法。对多项式的参数用粒子群算法来求估计,然后用自然梯度法对线性去混合矩阵进行迭代。仿真结果表明,粒子群算法可以快速、有效地求得非线性混叠信号盲分离的优化解。     

非线性盲源分离的多目标进化算法

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,求解其全局最优解非常困难的问题。设计了多目标进化算法来求解代价函数的全局最优解,提出了非线性盲源分离的多目标进化算法。该多目标进化算法根据带权极小极大策略构造了一个同进化代数有关的变适应值函数,使种群中的容许解逐渐增多和保持个体的多样性,避免算法陷于局部最优。数值仿真表明算法是有效的。     

基于Stacked-TCN的空间混叠信号单通道盲源分离方法

针对空间互联网星地通信场景中的混叠信号分离精度不足问题, 提出了基于深度学习的堆叠时域卷积网络(stacked time-domain convolutional network, Stacked-TCN)分离方法。首先, 对混合信号提取编码特征表示。然后, 通过时域卷积网络训练得到源信号的深层特征掩模, 将每个信号源的掩模与混合信号编码特征做Hadamard乘积, 得到源信号的编码特征表示。最后, 使用1-D卷积, 对源信号特征进行解码, 得到原始波形。实验采用负的比例不变信噪比作为网络训练的损失函数, 即单通道盲源分离性能的评价指标。结果表明, Stacked-TCN方法与其他4种算法相比, 所提方法具有更好的分离精度和噪声鲁棒性。     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

扩展联合对角化法的水声信号盲分离技术

分析了舰船噪声阵列声纳观测信号的多途卷积混叠特性和盲源信号分离问题及扩展信号瞬态混合形式下的四阶累积量联合对角化方法。研究了适合多源多途水声信号盲分离技术及波形恢复、修改后的算法对抑制环境噪声的有效性。用仿真信号和水池实验实录信号对修改后的盲分离算法进行了检验,取得了满意的效果。     

波束域的信号盲分离方法

现有的源信号盲分离方法大都是针对阵元输出信号进行的,各种干扰信号和观测噪声的影响使盲分离算法性能退化,甚至失效.为了提高低信噪比情况下的信号盲分离能力,提出一种新的信号盲分离方法,即先对阵元观测信号进行盲波束形成,而后利用波束输出信号实行盲分离.盲波束形成阶段既提高了盲分离输入信号的信噪比,又可降低盲分离模型的阶次,信号盲分离阶段不仅能进一步净化信号,还能分离同一波束内两个以上的源信号.采用多种情况的人工仿真混合信号进行实验,以评价新算法的性能,仿真结果表明新的盲分离方法优于各阶段算法.     

基于累积张量分解的雷达信号欠定盲分离算法

针对时域和频域不充分稀疏条件下的雷达信号欠定盲分离问题,提出了基于信号不同时延的累积量与三阶张量分解估计混合矩阵的方法,并通过修正子空间投影算法完成对雷达源信号的恢复。首先将混合信号的四阶累积量表示成三阶张量,利用三阶张量分解获得混合矩阵估计值;通过求解雷达源信号任意时频点处对应的估计矩阵的列矢量,得到该时频点处最优超定矩阵的伪逆并恢复源信号。该算法可以解决复杂电磁环境下时频域同时混叠的雷达信号盲分离问题,仿真结果表明与现有算法相比提高了盲分离中混合矩阵估计性能和源信号恢复性能。     

基于无监督学习的源数估计及盲分离算法

针对目前欠定盲分离问题中源数未知,采取"两步法"进行分离源信号.在第一步聚类算法中,一般都假设源信号个数已知,即事先给定聚类数目,这类算法成功与否依赖于源信号个数的先验知识.为了有效解决这个问题,提出了一种新的基于模糊聚类分析的无监督学习算法,它利用观测信号之间的相似关系来确定模糊相似矩阵进行迭代算法,不但可以精确估计源信号个数,同时也能获得对混叠矩阵的精确估计.该方法进一步完善了"两步法",仿真结果表明了算法的有效性及优异性能.     

基于简化模型的卷积混叠盲分离并行算法

电信会议所用的传感器往往相距较近。根据从同一源到两个靠得很近的麦克风的房间冲激响应具有相似性这一特点,把多输入多输出盲卷积问题简化为若干个单输入单输出卷积混叠盲分离问题。提出了一种新的使用时间预测性的多输入-多输出盲解卷算法,该算法通过简化模型和并行算法,能用广义特征值的方法直接求出解卷滤波器,因而算法复杂度小。使用音频信号的计算机仿真结果显示了算法的有效性。     

基于阵列接收模型的宽带盲源分离算法

针对传统盲分离算法对宽带信号不适用的问题,提出了一种基于阵列接收模型的宽带盲源分离算法。该算法以子带分解的方法实现了瞬时复值盲分离方法在宽带情形下的扩展。针对扩展过程中可能出现的子带间次序模糊及子带内幅度模糊的问题,利用阵列接收情况下分离矩阵与混合矩阵的特点,提出了一种基于波达方向(direction of arrival, DOA)估计的次序调整及幅度去模糊方法。仿真结果表明,该算法不仅能有效地分离宽带信号,而且可准确地恢复出信号幅度。     

基于信息理论的舰船噪声盲分离算法

目前水声信号处理方法大多基于信号和环境的特定统计假设 ,使用限制较大。当模型假设不成立时 ,会严重影响信号处理效果。本文导出了基于信息理论的舰船噪声盲分离算法。该算法利用当信号相互独立时的信息理论特性 (互信息量最小或熵最大 )作为分离准则 ,逐步学习确定分离矩阵。算法无需输入信号和混合矩阵的任何先验知识 ,实验仿真证明了算法的有效性。     

一种新的基于峰度的盲源分离开关算法

盲源分离(BSS)算法通常需预先假设源信号的概率密度函数(PDF)，并由此获得关键的激活函数(AF)，进而从混合信号中分离出源信号。但若假设的概率密度函数与真实概率密度函数差异较大，源信号将不能被正确分离。基于峰度的盲源分离开关算法无需假设源信号的概率密度函数，可直接对独立分量分析(ICA)中的激活函数进行自适应学习。计算机仿真证明，该算法可有效进行盲源分离。     

基于SCA的欠定跳频网台分选方法

针对组网跳频信号在欠定条件下网台分选效果不佳的问题,提出了一种基于稀疏成分分析(sparse component analysis, SCA)的欠定跳频网台分选方法。在估计混合矩阵时,首先利用观测信号的实部与虚部方向一致性检测时频单源点,在采用S变换构造时频比矩阵的基础上,利用方差法实现了混合矩阵估计;在源信号恢复时,利用改进的子空间投影法得到源信号的时频域分离,最后可通过S逆变换得到时域分离信号,从而实现了欠定条件下的跳频网台分选。仿真结果表明，该方法有效实现了混合跳频信号在欠定条件下的网台分选且适用于跳频同步或异步组网方式,提高了分选性能和抗噪性能。     

基于相对梯度的鲁棒的盲源分离算法

针对有噪环境中通信信号的盲分离问题,说明了在有噪环境中,对观察信号进行白化处理后得到的混合矩阵为正交矩阵,并在此基础上给出了正交分离矩阵的迭代公式。另外,为了消除噪声影响,改善算法的分离性能,根据噪声的概率密度模型,提出了一种改进方法。该方法对分离信号进行迭代,从而得出鲁棒的盲源分离算法。仿真结果表明,提出的分离算法相对著名的EASI算法,其性能有很大改善。在信噪比为20 dB时,本算法获得的干信比比EASI算法低10 dB。     

一种基于二阶统计的盲源分离方法及性能分析

提出了一个基于信息论原理的目标函数 ,该目标函数可以作为衡量输出分量独立性的标测度。最小化该目标函数并利用信号的非平稳特性和两种网络结构形式的等价性 ,得到一种可以进行非平稳信号的盲分离的训练算法 ;计算机仿真结果表明了该算法的有效性。最后对目标函数的性能进行了分析。     

Walsh码软扩频信号降噪算法

针对低信噪比(signal-to-noise ratio, SNR)条件下, Walsh码软扩频信号盲解扩以及多址信号盲分离难以实现的问题,提出一种Walsh码软扩频信号降噪算法。首先,采用经验模态分解(empirical mode decomposition, EMD)算法将Walsh码软扩频信号分解为有限个本征模态函数(intrinsic mode function, IMF),分界点位置可通过Walsh码软扩频信号和噪声的IMF自相关函数收敛速度的差异进行判断。然后,采用小波软阈值滤波算法处理分界点之前的IMF。最后,利用处理后的低阶IMF和分界点后的IMF重构Walsh码软扩频信号,减少由于降噪造成的信号损失。仿真结果表明,在一定低SNR范围内,降噪算法以较低误码率(bit error rate, BER)实现解调,信号损失较少。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。