在线增强型复值混合信号盲分离算法研究

基于二阶统计量，对在线分离复值混合信号法进行了研究．假设源信号是独立的且非常态，信号的伪协方差矩阵能增加约束条件，从而可证明二阶统计量能够完全分离复值混合信号，而且对信号是否平稳不作要求．结合非常态信号的独立性，构造出代价函数，利用梯度下降法推导出在线盲分离算法．通过盲分离算法的仿真试验，发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量，算法具有鲁棒性好、运算速度快和可在线实现等优点．     

一种改进的变步长恒模算法

针对时变信道需进行自适应均衡的要求，分析了最常用的盲均衡恒模算法，并对该算法进行了改进。给出了改进算法的仿真结果，表明算法的性能得到了改善。     

基于时延估计波束形成预处理的实时语音盲信号分离研究

针对现有盲信号分离算法,在真实环境下性能会降低及计算量大而难以实时处理的局限性,提出一种将基于时延估计的波束形成与一种简单的去相关盲分离算法相结合的分离方法.在波束形成中,首先用互功率谱相位法对信号源到达传感器阵列的相对时延进行估计,然后进行延时对消,在此基础上再进行盲信号分离,并将该去相关盲分离算法推广到频域进一步降低计算复杂度.仿真实验表明,该方法简单可行并使得分离效果显著改善.     

一种基于过采样技术的非最小相位系统盲辨识方法

提出了一种在时域中盲辨识非最小相位系统传递函数的方法,该方法通过对系统输出过采样来获得系统结构参数的信息.对于单输入单输出的线性离散系统,经过输出过采样后可以等价为单个输入、多个输出的传递函数模型,这多个输出函数具有相同的分母多项式和不同的分子多项式.采用子空间分解法可以确定分子多项式的参数,通过对系统输出信号自相关函数的处理可以得到分母多项式,最终可以得到原系统的结构参数.与传统高阶矩方法相比,该方法对噪声的敏感度更低,辨识的精度和速度也有很大提高.仿真结果表明,当信噪比大于15dB时,该方法可以有效地辨识出系统参数.与高阶矩方法相比,辨识门限信噪比降低了10dB,估计精度提高了20%,辨识速度加快了3倍.     

一种基于Lagrange神经网络的盲多用户检测器

提出了一种基于Lagrange神经网络的盲多用户检测器，该检测器以最小平均输出能量为准则，把盲检测问题转化为优化问题，利用神经网络进行有效求解。理论分析和仿真结果表明，该检测器在性能上优于传统的检测器，且计算量少，收敛速度快，便于实时处理。     

恒模算法在智能天线盲波束形成中的应用

介绍了随机梯度恒模算法和最小二乘恒模算法以及它们在智能天线盲波束形成中的应用，分析了每一种方法的特点，并以八元均匀线阵为例，利用计算机模拟仿真给出了这两种算法的收敛性能．     

基于线性变换的MMSE盲多用户检测法

提出了一种基于线性变换和预测的盲多用户检测方法，可同时消除MAI和ISI．它仅利用了某特定用户的扩频序列，先进行线性变换和线性预测，再进行MMSE检测．由于不进行直接信道估计，避免了信道估计误差，使算法的准确性得到了提高．     

基于峰态的盲信号分离

就一种基于信号峰态(kurtosis)极值化的盲信号分离方法进行了探讨．首先介绍算法理论，然后提出了一种简化快速的最速下降算法，解决了收敛指向性的问题，并将对混合语音信号的分离扩展到混合图像信号的分离．实验结果表明，同其他基于峰态的盲分离算法相比，其分离效果好，而且在收敛速度、运算复杂度方面有显著的优势．     

自适应OFDM系统中调制识别算法研究

提出了一种适用于快衰落信道下自适应OFDM系统的调制识别算法。在信道估计和频域补偿的基础上,利用子载波组样本的6阶和8阶累积量识别5种调制信号。仿真结果表明,该算法具有良好的识别性能和稳健性,在SNR=16 dB,移动台速度小于40 km/h的条件下,调制方式的正确识别率可在到95%以上。     

基于相关矩阵对角化和遗传算法的盲源分离法

提出了一种新的基于相关矩阵对角化的代价函数作为衡量输出信号独立性的测度。为了扩大搜索空间,降低各信源之间的互相关性,将代价函数进行了非线性变换。还提出了利用实数编码的遗传算法对代价函数进行最优化搜索,以克服传统梯度搜索方法容易陷入局部收敛的缺点。此方法不仅适用于平稳或非平稳信号,而且还可用于瞬时或卷积混和模型的盲源分离问题。仿真实验表明,该算法具有快速收敛性能和高精确度等优点,能够大大提高分离后的输出信噪比。