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。     

一种具有自动聚类检测功能的欠定型盲信号混叠矩阵估计算法

针对源信号个数未知情况下的欠定稀疏分量分析模型,提出一种具有自动聚类检测功能的混叠矩阵估计算法。提出实现源信号个数的判定的观测信号自动检测聚类方法,同时利用主成分分析对超直线进行估计,从而实现混叠矩阵的精确估计。仿真实验结果表明,该算法适用范围广,是一种快速精确且稳健的混叠矩阵估计算法。     

基于信号时频域聚集性的欠定盲分离混合矩阵估计方法

为解决欠定盲分离中混合矩阵估计问题,通过研究观测信号在时频域的线性聚集特性,提出一种基于时频域线性聚集程度差异的混合矩阵估计方法,并着重研究在信号线性聚集程度较弱情况下对混合矩阵的估计.首先,利用观测信号或其时频域中相应变换系数的比值分布衡量信号线性聚集程度;其次,采用优化初始中心的K-均值聚类算法估计混合矩阵.该算法降低了对信号稀疏性的要求,并且可以较高精度地估计出混合矩阵.仿真实验结果表明该方法具有可行性和有效性.      

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

双声道心音信号的欠定盲分离方法的研究

基于两路人体心声信号的专用检测平台,提出了一种针对双声道心音信号的欠定盲分离方法。首先对数据点进行频域聚类计算,利用观测信号中稀疏信号所表现出的特征对源信号个数进行分析,以实现对混叠矩阵的估计;然后根据观测信号的散列图分离出其中一路或多路源信号,从而使观测信号变为适定或者超定;最后用现有的适定或者超定盲分离方法分离剩余源信号。分别对一组人工混合信号和实际检测的双声道心声信号进行欠定盲分离实验,验证了本方法的有效性和可行性。     

基于方向幅值比的欠定盲源分离算法

为了提高欠定盲源分离问题中混合矩阵的估计精度,提出了基于时频域混合信号数据点的方向幅值比的欠定盲源分离算法.为了充分利用复混合信号数据点的相位信息,引入复信号的方向幅值比,通过复混合信号的方向幅值比的方差、均值、分布密度实现单源点的精确提取.将分布在直线方向上的单源点进行单位投影化处理,通过聚类分析获得混合矩阵的列元素之比,从而实现混合矩阵的估计.利用匹配追踪算法将源信号进行重构.经仿真验证,提出的算法相较于对比算法,可以获得更高精度的混合矩阵与分离信号.     

基于KM-PCA稀疏信号的盲源分离算法

欠定盲信道估计是欠定盲源分离的关键组成部分,其估计精度直接影响到源信号的估计精度.基于充分稀疏假设,在K均值聚类的基础上,提出一种新的欠定盲信道估计算法——K均值与主成分分析方法(KM-PCA算法).该算法首先对观测数据进行K均值聚类,然后对聚类分析结果分别进行主成分分析,修正其聚类中心,从而提高混叠矩阵的估计精度.采...     

基于平面聚类算法的欠定混叠盲信号分离

基于平面聚类的方法,对具有3个观测信号的欠定盲分离问题进行了探讨,该方法不再要求源信号是充分稀疏的,即源信号在同一时刻不只有一个起主导作用.先通过转化将平面聚类化为法线聚类,然后通过寻找由法线聚类所确定的平面族之交线识别出混叠矩阵,为Georgiev(2005)提出的最新理论提供了相应分离算法的有效途径.仿真结果表明所给方法在估计混叠矩阵时的准确性以及源信号的良好恢复能力.     

基于蚁群算法和互信息进行非线性盲源信号分离

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,而求解其全局最优解非常困难的问题,这里提出一种基于蚁群算法进行非线性盲源信号分离的方法.该方法用高阶奇数多项式拟合非线性混合函数,以分离信号的互信息作为代价函数.并对非线性混合信号进行了仿真研究.由此方法得到的分离信号和源信号的相似系数都在98%以上,仿真实验结果表明该方法能够对非线性盲源信号进行很好地分离.     

一种改进的FCM聚类算法的混合矩阵估计

在增强信号稀疏性的基础上,对模糊C均值(fuzzy C-means, FCM)聚类算法进行改进,达到提高混合矩阵估计精度的目的,更好地解决欠定盲源分离问题。主要针对稀疏成分分析理论"两步法"中的混合矩阵估计算法改进,提出一种基于隶属度划分优化的FCM聚类算法。通过改变目标函数中的隶属度划分方式,来影响数据的归类,从而决定了混合矩阵中元素的估计精度。最后,将改进的算法用于语音信号仿真实验,完成混合矩阵估计。实验结果表明,用改进的算法所获得的矩阵估计误差小且精度高,可使归一化均方误差减小1.3 dB,角度偏差最多可减小1°。     

Mixing matrix estimation of underdetermined blind source separation based on the linear aggregation characteristic of observation signals

Under the underdetermined blind sources separation ( UBSS) circumstance, it is difficult to es-timate the mixing matrix with high-precision because of unknown sparsity of signals.The mixing ma-trix estimation is proposed based on linear aggregation degree of signal scatter plot without knowing sparsity, and the linear aggregation degree evaluation of observed signals is presented which obeys generalized Gaussian distribution ( GGD) .Both the GGD shape parameter and the signals’ correla-tion features affect the observation signals sparsity and further affected the directionality of time-fre-quency scatter plot.So a new mixing matrix estimation method is proposed for different sparsity de-grees, which especially focuses on unclear directionality of scatter plot and weak linear aggregation degree.Firstly, the direction of coefficient scatter plot by time-frequency transform is improved and then the single source coefficients in the case of weak linear clustering is processed finally the im-proved K-means clustering is applied to achieve the estimation of mixing matrix.The proposed algo-rithm reduces the requirements of signals sparsity and independence, and the mixing matrix can be estimated with high accuracy.The simulation results show the feasibility and effectiveness of the al-gorithm.     

基于一种改进最短路径法的欠定语音盲分离

为了在欠定条件下实现语音盲源分离,该文首先利用势函数估计源信号的个数和混叠矩阵,在估计势函数曲线时对其做平滑处理,以提高源信号个数估计的准确性.在语音信号分离部分,提出了一种改进的最短路径法,该方法对混叠信号各时频单元进行分类处理,避免了最短路径法中对每个时频单元进行矩阵求逆运算,在大大减少计算量的同时也降低了分离信号的背景噪声.最后给出了仿真实验,实验结果证明了该算法的可行性和优异性.     

Blind signal separation of underdetermined mixtures based on clustering algorithms on planes

Based on clustering method on planes, blind signal separation (BSS) of underdetermined mixtures with three observed signals is discussed. The condition of sufficient sparsity of the source signals is not necessary when clustering method on planes is used. In other words, it needs not that only one source signal plays the main role among others at one time. The proposed method uses normal line clustering of planes first. Then, the mixing matrix can be identified via deciding the intersection lines of the planes. This method is an effective implement of the new theory presented by Georgiev. Simulations illustrate accuracy and restoring capability of the method to estimate the mixing matrix.     

基于时频单源点检测的雷达信号的盲分选

针对欠定条件下的雷达信号分选问题,提出一种基于时频单源点检测的雷达信号盲分选算法,该分选算法的创新点在于将雷达信号由时域转移到时频域进行分析.在时频域内,雷达信号具有一定的稀疏性,有助于实现信号盲分选,给出了基于时频单源点检测的雷达信号盲分选算法的具体步骤.该方法能够有效解决欠定条件下雷达信号盲分选问题,将其应用于雷达信号分选领域,具有一定的军事应用价值.仿真测试结果表明了该方法的可行性与优越性.     

基于快速聚类索引的图像检索系统

为了提高基于内容的图像检索系统的检索速度,提出了一个基于快速聚类索引的图像检索算法,并将其应用于视频新闻检索系统中.该算法采用Fastmap算法实现图像高维特征向量降维,并用改进后的模糊C均值聚类算法对降维后的图像进行聚类,生成图像索引.该算法用于图像检索,检索时间不会随着图像数据库中图像数量、特征向量维数的增加而增加,极大地提高了系统的检索效率,有效地解决了聚类中心初试值的选取问题.同时利用该算法构成的系统还具有动态删除、分裂、合并、插入等功能.实验结果表明,与顺序扫描算法相比,该系统不仅大大提高了检索速度,而且在图像数目和特征向量空间维数增大的条件下,仍能够获得良好的检索性能.     

Estimation of underdetermined mixing matrix based on support vector machine

In underdetermined blind source separation (BSS), a novel algorithm based on extended support vector machine (SVM) is proposed to estimate the mixing matrix in this paper, including the number of the active sources. Instead of traditional clustering algorithms, it mainly takes the modulus of observations and the number in each direction of arrival, without any prior knowledge about the sources except for sparsity, and it is not sensitive to the initial values. Simulations are given to illustrate availability and robustness of our algorithm.     

Estimation of underdetermined mixing matrix based on support vector machine

In underdetermined blind source separation (BSS), a novel algorithm based on extended support vector machine (SVM) is proposed to estimate the mixing matrix in this paper, including the number of the active sources. Instead of traditional clustering algorithms, it mainly takes the modulus of observations and the number in each direction of arrival, without any prior knowledge about the sources except for sparsity, and it is not sensitive to the initial values. Simulations are given to illustrate availability and robustness of our algorithm.