基于自然梯度的递归最小二乘盲信号分离

研究在线盲信号分离问题. 先提出一种递归最小二乘(RLS)白化算法, 然后与一种基于自然梯度的RLS信号分离算法相结合, 并经合理近似, 得到一种新的RLS盲信号分离算法, 它不需要对观测数据进行白化预处理. RLS白化算法和RLS信号分离 算法的平衡点分析表明, 这两种算法具有所期望的收敛性. 理论证明了提出的RLS盲信号分离算法具有等变化性和分离矩阵的非奇异性这两个关键性能. 仿真实验验证了新算法的有效性.     

Nonlinear Principal Component Analysis Using Strong Tracking Filter

The paper analyzes the problem of blind source separation (BSS) based on the nonlinear principal component analysis (NPCA) criterion. An adaptive strong tracking filter (STF) based algorithm was devel- oped, which is immune to system model mismatches. Simulations demonstrate that the algorithm converges quickly and has satisfactory steady-state accuracy. The Kalman filtering algorithm and the recursive least- squares type algorithm are shown to be special cases of the STF algorithm. Since the forgetting factor is adaptively updated by adjustment of the Kalman gain, the STF scheme provides more powerful tracking ca- pability than the Kalman filtering algorithm and recursive least-squares algorithm.     

信源数目未知和动态变化时的盲信号分离

研究源信号数目未知与／或动态变化情况下的盲信号分离问题．首先证明若混合矩阵满列秩（观测信号的数目m不小于源信号的数目n），则互信息是盲信号分离的对比函数；在互信息的全局极小值点即分离点处，盲信号分离系统的输出除了零分量外，其他非零分量；黾希望提取的源信号．其次，利用混合矩阵的转置和m个观测信号向量构成的矩阵以概率1具有相同的零空间这一性质，只需少量观测样本就可以估计源信号的数目n，进而检测其动态变化情况．源信号数目未知且动态变化的盲信号分离计算机仿真验证了所提出理论和算法的有效性。     

基于分阶段学习的盲信号分离

首先定义了描述信号分离状态的信号相依性测度, 并利用此测度将传统算法中的学习速率参数推广至二维矩阵, 从而提出了一种基于分阶段学习的盲信号分离算法, 即整个信号分离过程被分成三个阶段进行: 初始阶段、捕捉阶段和跟踪阶段, 每个阶段的学习速率由信号的分离程度自适应选取. 理论分析表明, 该算法满足等变化性和分离矩阵的非奇异性条件. 仿真结果证实, 新算法具有比使用固定和其他自适应学习速率的算法更快的收敛速度、更好的稳态性能和更高的数值稳定性.     

卷积盲信号分离的非线性PCA方法

为解决卷积混合盲信号分离时域方法收敛速度慢的问题,提出了卷积情况下的非线性主分量分析(PCA)准则,并分析其与高阶统计量准则之间的等价关系,推导了一种解决卷积盲信号分离问题的非线性PCA方法。作为一种递推最小二乘(RLS)类型的算法,所提方法与现有的自然梯度算法和高阶统计量算法相比具有收敛速度快、跟踪性能好的优点,计算机仿真实验验证了算法的有效性。     

基于斜投影的卷积信道盲信号分离

为实现卷积混合信号的盲分离,提出了一种基于斜投影的子空间方法,首先设计"过去"、"现在"和"未来"的观测数据空间,并通过斜投影将卷积混合转化成为线性瞬时混合;然后采用静态分离算法重构源信号。该方法利用了观测数据矩阵的结构信息直接获得线性瞬时混合的数据模型,不需要进行高维子空间代价函数的优化,运算量相对小。计算机仿真验证了算法的有效性。