直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法. 该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量. 通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离.     

非正交联合对角化盲源分离算法

提出一种表征联合对角化近似程度的代价函数,给出优化该代价函数的非正交联合对角化算法．该代价函数对经典的最小二乘代价函数进行了改进,使原算法中关于混迭矩阵的四次函数转化为3组待定参数的二次函数．因此,可通过基于梯度下降法的迭代算法交替估计3组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现盲源分离．分析了算法的收敛性能,证明存在估计误差时,该算法依然全局渐进收敛．仿真结果表明,与经典的非正交联合对角化(ACDC)算法相比,该算法收敛所需计算时间仅为ACDC的一半,而全局拒噪水平改善了6dB,可有效地解决瞬时盲源分离问题．     

基于循环优化的矩阵联合对角化算法及在盲源分离中的应用

通过对一组与盲源分离中观测信号有关的目标矩阵进行近似联合对角化,可以有效解决盲源分离问题。提出一个非正交的循环优化的联合对角化算法。待优化的2个函数分别为矩阵对角化处理后的非对角元素的平方和与对角元素的平方和,通过对两者的循环最小化和最大化处理即可获得对角化器。对比仿真实验表明本文算法可以获得更好的盲源分离效果。     

基于Givens-Hyperbolic 双旋转的多路语音信号卷积盲分离

针对语音信号的卷积混迭模型,通过对接收信号进行滑窗处理并重新排列,使得重构后的接收信号可表示为块独立的源信号与扩展的混迭矩阵的瞬时混迭模型。利用不同语音信号之间的近似独立和短时平稳特性,分析接收信号二阶相关矩阵的非正交联合块对角化结构。改进基于Givens和Hyperbolic旋转的瞬时混叠盲分离算法,提出Givens-Hyperbolic双旋转的联合块对角化算法(GH-JBD)。所提出的GH-JBD算法可以直接在时域估计传输信道的块本质相等矩阵,实现非正交联合块对角化,进而完成卷积混叠信号盲分离。该方法不需要进行预白化处理,避免了由于白化不彻底而引入的额外误差。仿真实验验证了该算法的有效性并就参数变化对分离信号的影响进行了分析。     

基于非正交对角化算法的非平稳信号盲分离

运用分段平稳的思想处理非平稳信号,对每一子分段信号进行计算,得到相关矩阵群,并运用非正交对角化算法(alternatmg columns diagonal centers,ACDC)求得分离矩阵的逆阵,从而在混合信号中分离出源信号.仿真结果表明,在信噪比为40 dB的情况下,信号的平均干扰比可以保持在-15 dB以下.因而采用分段平稳和非正交对角化算法相结合的思想来处理信噪比较高时的非平稳信号,可以取得较好的分离效果.     

一种改进的块对角化预编码算法

为进一步提高块对角化预编码算法的性能,提出一种多用户多输入多输出下行链路中基于Givens变换的正交三角（QR）分解改进块对角化算法（QR-Givens-BD）。在块对角化预编码算法中,首先需要求出预编码矩阵的前半部分来解决多用户干扰问题,然后求出预编码矩阵的后半部分来降低用户自身天线间的数据干扰。在求解预编码矩阵的前半部分时,使用的核心算法是矩阵的正交化算法,矩阵的正交性的强弱将直接影响块对角化预编码算法的误码率性能的好坏。因此,针对块对角化预编码算法中的矩阵正交化算法,使用基于Givens变换的QR分解正交化算法替换原有正交化算法,求解预编码矩阵的前半部分,从而获得信道干扰矩阵零空间的正交基。通过对矩阵采用本方法进行正交分解,可以获得正交性更好的正交矩阵,从而进一步降低系统误码率。仿真结果表明,本文所提出的算法与传统的块对角化算法相比,在降低了计算复杂度的同时大幅提高了系统的误码率性能;与基于Gram-Schmidt正交化的改进块对角化算法相比,在略微增加复杂度的前提下可以提高3～5 dB的误码率性能。     

低复杂度的多用户MIMO下行链路块对角化算法

提出了一种低复杂度的多用户多输入多输出(MIMO)下行链路块对角化预编码算法,证明了该算法能够实现与传统块对角化算法完全相同的系统总容量.算法基于迫零方法进行改造,通过对迫零向量实施格拉姆-施密特正交,可以快速实现等效下行链路的全局块对角化,从而获得最终的预编码矩阵.由于算法避免了传统块对角化算法求解零空间所进行的矩阵...     

一组特征矩阵联合对角化算法的收敛性分析

先将一组特征矩阵联合对角化问题转化为一种代价函数的优化问题，再利用梯度下降方法求解代价函数的最优点。研究了一类代价函数的一些基本性质和各种等价形式，分析了一组特征矩阵联合对角化算法的收敛性。分析结果表明一组特征矩阵联合对角化算法是一种不动点算法；在特征矩阵无误差情况下，这个算法单步迭代就收敛到理论解。     

采用二阶特征窗的语音盲分离方法

利用语音信号的短时平稳特性,提出了一种二阶特征窗语音盲分离方法。该方法采用新的联合差分相关矩阵白化算法去除有色噪声影响;用长度等于语音信号基音周期的等距特征窗连续分割预白化观测数据,在每个加窗的数据帧计算不同的时滞协方差矩阵。利用联合近似对角化时滞协方差矩阵集合得到旋转参数,最终达到语音信号的盲分离。该方法消除了有色噪声的影响,只需用到二阶信息就能很好地分离语音信号。仿真实验验证了该方法的有效性。     

避免奇异解联合对角化的两种高效算法

针对避免奇异解的联合对角化算法计算量大的问题,提出两种改进的高效算法．在第一种改进算法中,将对角化矩阵行列式按当前更新的列展开,从而避免了计算行列式过程中的矩阵求逆．另一种改进算法将列交换后的对角化矩阵进行QR分解,由分解得到的上三角矩阵计算对角化矩阵的行列式．由于两种改进算法减少了一次矩阵求逆,因此降低了原算法的计算量．仿真结果表明,当目标矩阵个数和维数较大时,两种改进算法的计算量分别为原算法的18.9％和13.5％．     

基于多任务学习的MIMO-OFDM信号联合信噪比估计与调制识别

针对当前非协作通信中MIMO-OFDM信号信噪比盲估计与子载波的调制识别研究仅集中在单个任务中的问题,提出了一种将深度神经网络与多任务学习(MTL)框架相结合从而同时完成信噪比盲估计与调制识别的算法。首先利用特征值矩阵联合近似对角化算法(JADE)恢复发送信号,并提取恢复信号的同向正交(I/Q)分量作为浅层特征;然后搭建基于一维卷积神经网络(CNN)的多任务学习模型,通过联合训练信噪比(SNR)估计和调制识别两个任务,实现优势互补。仿真结果表明,所提算法可获得比单任务学习(STL)更优的性能,当信噪比为-10dB时,信噪比估计的均方误差降低了66.21%,调制识别精度提高了4.75%。另外,多任务学习模型在信噪比大于-1dB时,信噪比估计的均方误差小于0.1;信噪比为3dB时,调制识别的精度可达到100%。     

基于白化残留ICI和噪声的最优线性ICI消除算法

针对传统算法将残留载波间干扰（ICI）当白噪声处理引起系统性能下降的问题,提出一种白化残留ICI和噪声的最优线性ICI消除算法. 首先对残留ICI和噪声进行白化,其次基于最大化系统可达速率,推出了最优线性ICI消除矩阵,并结合连续干扰消除算法,实现了时变信道带来的时间分集. 仿真表明,该算法克服了传统算法带状近似引起系统性能损失的缺点,并适用于当前信道估计精度下的OFDM系统.     

白化处理的自然梯度盲源分离统一算法

分析了基于自然梯度的信号白化处理和白化后的盲信号分离,提出了一种基于白化处理的自然梯度盲源分离算法.算法统一了信号的白化和分离,而不需要单独再对信号进行白化预处理,通过采用自然梯度学习规则提高了算法的性能,并理论证明了算法的可分离性、等变化性和分离矩阵的非奇异性.仿真表明,算法能够有效地分离和重构源信号,相比信号未白化的随机梯度算法以及传统的FastICA算法,收敛速度快、分离效果好,更适合盲源分离.     

基于子空间法的盲信道和半盲信道估计方法

为了降低算法的复杂度,提出采用降秩正交迭代方法估计噪声子空间. 利用色噪声预白化技术对过采样后的自相关矩阵进行变换,再用降秩迭代计算噪声子空间. 在进行预白化时,提出一种利用训练序列估计色噪声协方差矩阵的方法,从而改善了盲信道估计收敛速度慢的缺点. 仿真结果证明,系统的信道冲激响应可以被良好地跟踪.     

一种新的准正交空时分组码设计方案

提出了一种准正交空时分组码的改进方案,并用MATLAB进行了仿真．该方案使用改进后的Alamouti码作为基本单元构造出了一个4发射天线的准正交分组编码矩阵,运用矩阵对角化的方法来消除非正交项,降低了译码复杂度．仿真结果表明,与Jafarkhani准正交空时分组码相比,该方案不仅能够在接收端实行线性解码,而且还可以进一步提高系统的信道容量和误码率．