基于特征值和奇异值分解方法的盲分离

在基于特征值和奇异值分解的盲分离算法中，采用固定时延相关统计量不能很好反映数据矩阵特征，故提出了一种基于不同时延正定相关矩阵的特征值和奇异值分解的盲分离算法．算法分观测信号的预白化和基于奇异值分解两个阶段，解决混和矩阵在输出信号数目大于等于输入信号数目的情况下，确定未知源信号的个数和分离的问题．仿真实验表明，改进算法能够准确分离出3个源信号，全系统矩阵比传统算法更接近分离要求，从性能指标来看，改进算法在信噪比10dB时，其分离的效果达到了良好．     

基于阵列结构的盲分离算法

为了进一步改善阵列信号处理中盲源分离算法的分离性能,提出了一种新的基于阵列结构的盲分离算法.该算法的基本思想是利用已有的盲源分离算法(EASI和FastICA算法)估计混合矩阵,根据估计出来的混合矩阵和均匀线阵的特点来重构混合矩阵,对分离矩阵进行较正,达到改善算法分离性能的目的.仿真结果表明,该文提出的EASI-1算法的平均干信比比EASI算法低7.5 dB,FastICA-1算法的平均干信比比FastICA算法低4.3 dB.     

变步长等变自适应盲源分离算法

针对传统盲源分离(BSS)算法采用固定步长难以同时兼顾收敛速度和稳态误差的难题,采用等变自适应盲源分离(EASI)算法,提出了一种基于分离指标的变步长等变自适应盲源分离算法(VS-SI)。该算法利用EASI收敛条件,构造表征信号分离程度的分离指标,并设计带遗忘因子的更新算法,以减小历史数据误差的影响,实现分离指标的自适应计算,并采用一个非线性单调递增函数实现步长的自适应调节。通过与固定步长的自然梯度算法(FS-NG)、固定步长的EASI算法(FS-EASI)、步长指数衰减算法(EDS)和基于权重正交约束变步长算法(AS-WO)的性能进行对比,结果表明,在无噪声和有噪声两种情况下,提出算法均有较快的收敛速度,最终性能指标分别减小了15%和20%以上,同时兼顾稳态误差和收敛速度,具有较好的数值鲁棒性。     

一种基于信息最大准则的盲源分离新算法

提出了一种基于信息最大准则的盲源分离新算法。新算法在当前时刻的系数更新时充分利用先前迭代过程的信息，并在每一步迭代时归一化权系数矩阵，仿真表明，新算法应用于盲图像信号分离时得到了很好的分离效果。     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

基于二阶统计量的两步自适应盲分离算法

提出了一种新的两步自适应盲分离算法,利用代价函数的极值点特性分别获得混合信号和白化信号的特征向量矩阵,实现自适应盲分离过程．该算法避免了离线计算所采用的特征值分解等复杂运算,并且只利用信号的二阶统计量信息,计算工作量低．仿真结果表明,对含有附加噪声的盲混合信号具有良好的分离效果。     

基于小波消噪和盲源分离的脑电信号处理方法

针对脑电信号中噪声及夹杂的眼电、心电等伪迹,采用小波分解重构消噪和基于熵估计的RADICAL算法进行消除.对3路脑电观测信号进行小波消噪和白化处理后,通过雅可比旋转矩阵分别对其中的两两组合信号用RADICAL算法进行分离,得出最优分离矩阵完成盲源分离,并引入互相关系数、矩阵相关系数验证算法的有效性.实验结果表明:源信号...     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

基于Gabor小波模型图象配准的计算视觉新方法

文章提出由两幅部分重叠图象估计物体平移、旋转和缩放新的计算视觉方法。该方法有以下特点：利用照明方向估计算子以获得摄象机旋转的起始估计;为检测局部表面曲率间断,利用Ｇａｂｏｒ小波模型定位特征点;平移及旋转的估计可公式化为线性问题;利用由粗到细的层级匹配能获得很好的结果。最后给出该算法的某些应用     

基于随机数据取样技术的FASTICA算法

提出一种随机数据取样的方法,通过在大量的原始数据中随机选取一部分进行分析,在不影响分离效果的前提下,使得FASTICA所需要的时间大为减少.利用峭度估计器分析在一定的置信区间和置信水平的条件下得到取样比例的下限.计算机仿真结果证明这种取样技术的有效性,并且分析不同取样比例下的FASTICA算法性能.     

一种改进的MIMO-OFDM系统频偏估计方法

针对传统的2个训练符号的载波频偏估计算法提出一种改进算法,并设计出一种新的频偏估计器对多入多出正交频分复用(MIMO-OFDM)系统的不同信道的整数频偏和小数频偏进行估计.该算法仅利用单个训练符号来进行频偏估计,其训练符号采用正交性良好的Walsh序列来设计,用以区分不同的信道;利用同一训练符号内相邻的偶数子载波上数据的差分关系完成整数频偏估计.仿真结果表明,新的频偏估计器可以获得较好的载波频偏估计性能.     

基于CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...     

基于源信号时间结构的半盲处理方法

该文给出了一种适用于时间相关的任意概率分布源信号的自适应半盲信号处理方法。提出的自适应算法基于二阶统计量(SO S)信息,利用了源信号在空间上非严格统计独立,同时在时间上也不是独立统计分布的假设。此外,为了实现理想的盲分离,源信号必需具有不同的功率谱密度。新的半盲信号分离(BSS)方法在仅使用SO S信息和时间结构的基础上,对相关源信号采用自适应技术,实现半盲分离,而且该文算法可取消经典ICA算法对源信号至多有一个G auss源的限制。真实图像数据的模拟实验及其与JADE、FP ICA、FOB I、AMU SE等算法的性能比较,验证了该算法的有效性。     

基于小波分析的盲源分离

提出一种新盲源（BSS）分离算法是在独立分量分析（ICA）算法中引入离散小波变换技术分解出有用信号．ICA是一种线性非高斯统计方法,不仅能够使研究对象相互独立或尽可能独立,而且能突出源信号的本质结构．笔者采用的新盲源算法能够将时-频ICA相结合,实现了较好的盲源分离．     

基于自然梯度算法的盲信源分离研究

盲信源分离试图从给定的一组混合观察数据中恢复未知的独立信源。文中介绍盲信源分离的一种非常重要的算法——自然梯度算法。对通信信号和自然语音信号采用不同的活动函数进行了盲信源分离的计算机模拟实验，结果显示该算法能够分别有效地分离这两类随机混合的信号。     

基于粒子群算法的欠定盲源分离方法改进研究

欠定盲源分离技术是一个热门的研究领域,其广泛应用于信息理论、神经网络、统计信号处理、生物医学工程等领域。在大多数实际情况下,当接收到由多路源信号叠加而成的观测信号时,源信号的数量大于观测时长,采用通常的盲源分离技术难以恢复源信号。着重讨论基于"两步法"的欠定盲源分离问题;该分离技术分两个阶段,第一阶段采用基于粒子群算法的K-均值聚类改进算法求解混合矩阵,将蚁群算法信息素的概念应用其中;第二阶段采用最短路径法求解L1-范数模型获得源信号的估计。相比于现存的二阶段方法,该方法可达到更高的信号重构信噪比。     

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.