基于独立分量分析(ICA)的通信信号盲侦察技术

在通信对抗中,由于电磁环境的复杂性和通信信号调制方式的多样性,我们事前无法确知接收信号的任何信息,给通信侦察带来了极大的困难.为解决复杂多信号环境下的通信侦察难题,作者提出了一种采用独立分量分析（ICA）技术,对原始信号进行盲分离,然后分别对分离的各个信号进行后续处理的盲侦察技术.在介绍ICA技术的基础上,采用基于自然梯度的ICA算法(EASI算法)对分离效果进行了仿真.仿真结果表明,采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式）,可以很好地分离出原始发射信号,为后续信号处理（如分析识别、解调等）奠定了基础.     

一种基于MCMA的双模切换变步长的盲均衡算法

在修正常模算法（MCMA）代价函数的基础上，根据QAM信号分布的特点，得到一种误差控制函数在CMA和DD算法间切换的、变步长的盲均衡算法。它充分利用了CMA与DD算法各自的优点，改善了常算法收敛速度慢和收敛后剩余码间干扰大的不足，能够补偿由信道引起的相位误差，同时还具有重新启动的能力。计算机仿真表明：该算法收敛速度较快，收敛后剩余码间干扰很小，输出星座图紧簇，没有相位旋转，而且在信道突变的情况下能快速达到二次均衡。     

回归函数的混合型核估计的一致强收敛速度

设(X,Y)为取值于R~d×R~1的随机变量,(X_i,Y_i) i=1,2,…,n是取自(X,Y)的i·i·d·的样本,E|Y|<∞.用m(x)=E(Y|X=x)表示回归函数。m(x)的一种重要的核估计是Stone(1977)提出了一种把经典的最小二乘估计与非参数的权函数估计结合起来去估计m(x)的方法。在这篇文章里,讨论了把上述核估计与最小二乘估计结合起来所得的m(x)的混合型核估计的强一致收敛速度。     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于盲源分离的一种快速独立分量分析算法

基于盲源分离理论提出了一种快速独立分量分析 (FastICA)算法 .该算法以负熵作为独立性判决准则 ,在迭代过程中引入遗忘因子 ,加快了算法的收敛速度 .仿真结果表明 ,该方法能快速、有效地分离混迭信号     

前馈神经网络复值盲均衡算法的研究

提出了一种新的前馈神经网络(N-FNN)复值盲均衡算法。新算法改变了传统均衡技术大量发送训练序列而降低系统传输的有效信息率,有效地消除码间干扰,提高了通信质量。笔者设计出新的传递函数和代价函数,利用最陡梯度下降法推导出输出层和隐层单元权值的迭代公式。通过对QAM信号进行计算机仿真,笔者提出的新算法与同类算法相比,具有均方误差收敛速度加快、误码率降低、稳态剩余误差减小等优点     

基于信息典型相关分析的盲源分离算法

针对盲源分离问题,将互信息理论与典型相关分析理论相结合,提出了一种基于信息典型相关分析的盲源分离算法.该算法首先利用模式搜索法求解,得到混合信号向量的线性组合与混合信号向量延迟的线性组合之间互信息最大的信息典型向量,互信息计算中的概率密度函数由高斯核密度估计.然后,将信息典型向量依次与接收的混合信号数据阵相乘.完成对源信号的逐一抽取和分离.仿真实验结果表明,该算法不仅能有效分离包含超高斯信号成分的混合信号和包含亚高斯信号成分的混合信号,还能分离同时包含这2种成分的混合信号以及病态混合信号.     

采用序优化的改进蚁群算法

为了评价蚁群算法在有限时间内所得优解的质量,基于序优化方法提出了一种改进的蚁群算法:使用盲目挑选规则选择初始解,并对信息素进行相应的初始化;确定得到满足要求的优解所需要的迭代次数,将其作为算法的终止条件;为了更好地利用每次迭代中的优解,在算法开始阶段使用前l个迭代优解更新信息素,以增强探索能力;在算法结束阶段采用当前迭代最优解更新信息素,以加快收敛速度.改进算法在保证收敛的前提下,并没有增加算法的时间复杂度.对旅行商问题进行的仿真实验表明,改进算法在解的质量和收敛速度方面优于最大-最小蚂蚁系统.     

正交频分复用系统的非对称调制星座频域信道盲估计方法

针对频域信道盲估计的相位模糊问题，提出了基于非对称调制星座的频域信道盲估计方法．根据正交频分复用系统子信道的衰落相位等于该子信道调制星座旋转的角度这一特性，通过独立地估计各子信道接收信号的平均功率及调制星座旋转的角度来估计信道的频率响应．相对于预编码频域信道盲估计方法，该方法的信道估计精度高且没有误差底限，具有实现简单、易并行处理等特点．系统的对比仿真实验表明，该方法与预编码频域信道盲估计方法相比，在信噪比超过18dB时可使信道估计误差随信噪比增加线性递减．     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,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