一种强鲁棒性的盲分离混合矩阵估计方法

针对传统盲分离混合矩阵估计鲁棒性差、易受初始值影响、精度不高等问题,该文将人工蜂群算法(ABC)用到盲分离中,结合稀疏信号混合矩阵估计的特点,提出一种基于不同搜索策略和编码方式的两阶段蜂群算法的混合矩阵估计方法,通过新的蜜蜂搜索行为和子蜂群之间的协同作业,明显加快了算法的收敛速度,提高了混合矩阵的估计精度。仿真实验表明,该方法在源个数较多、弱稀疏、低信噪比的情况下仍然可以很好地估计混合矩阵。相比已有方法,该方法不仅具有很强的鲁棒性和很高的估计精度,而且不需要太大的计算量。     

基于滑窗递归广义特征分解的盲源分离方法

针对混迭矩阵发生突变的盲源分离（BSS）问题,提出一种基于二阶统计量的滑窗递归BSS方法。首先滑窗递归更新两个不同时延的自相关矩阵,然后结合幂迭代法和压缩处理在线计算矩阵束的广义特征向量以求得分离矩阵。与已有递归型盲源分离算法相比,该方法收敛速度快,追踪性能好,仿真结果验证了所提算法的有效性。     

基于改进K-means聚类和霍夫变换的稀疏源混合矩阵盲估计算法

 混合矩阵的估计是稀疏源盲分离的关键组成部分,其估计精度直接影响到源信号的估计精度.本文首先针对K-means聚类算法依赖初始值选取的问题,将微分进化算法思想引入到K-means聚类算法中,提出了一种改进的K-means聚类算法.利用该算法,对稀疏源混合信号数据进行聚类,保证了聚类结果的鲁棒性.然后利用霍夫变换,对每一类数据的聚类中心进行修正,从而估计出混合矩阵,提高了混合矩阵的估计精度.仿真实验表明,相比于经典的稀疏源混合矩阵盲估计算法,本文算法具有更强的鲁棒性和更高的估计精度.     

基于遗传算法的超亚高斯混合信号盲分离

针对基于扩展信息最大化算法的盲源分离算法在分离超亚高斯混合信号时依赖于信号的峭度估计且对初始分离矩阵和步长较为敏感的问题,提出了一种基于遗传算法的盲源分离算法。该算法以分离信号之间的互信息作为代价函数,采用非多项式函数的逼近方法解决了互信息求解过程中涉及到的负熵的计算问题,用遗传算法代替梯度寻优算法最小化代价函数。仿真结果表明:在分离超亚高斯混合信号时,该算法计算简单,鲁棒性好,迭代100次时性能指数值达到0.025 5,分离性能优于基于扩展信息最大化算法的盲源分离算法。     

基于改进谱聚类的雷达信号欠定盲源分离算法

现有的模糊聚类算法在初始值选择、低收敛速度和局部极值方面存在问题,导致混合矩阵估计的低精度。针对现有雷达侦察算法抗干扰性能不高的问题,提出了一种基于谱聚类的新型两阶段欠定盲源分离(UBSS)算法。基于谱聚类的混合矩阵估计算法,在谱聚类的基础上对得到的特征矩阵进行张量分解估计出混合矩阵。在未知先验信息条件下,采用两阶段方法实现雷达信号的分离。仿真结果表明,该方法混合矩阵的估计性能优于传统方法,在未知先验信息的实际情况下恢复效果更佳。     

基于阵列结构的盲源分离算法

利用源信号的统计独立性提出了一种由混合信号和分离信号估计混合矩阵的算法,避免了一次矩阵求逆运算。同时,利用天线阵列的结构信息提出了一种直接重构混合矩阵的算法,该算法不需要估计源信号的载频和入射角。仿真结果表明,所提算法与基于来波方向估计的盲分离算法性能相当,在信号入射角间隔较大时,所提算法性能优于普通的盲分离算法,并且大大减少了运算量。     

基于约束NMF的盲源分离算法

非负矩阵分解(NMF)是解决非独立源信号混合的盲分离的另一条新途径.该文提出一种基于约束NMF的盲源分离算法,在对NMF估计得到的源信号施加最小相关约束的基础上,对混合矩阵估计施加行列式约束,实现NMF的唯一分解.与已有算法相比,本算法放宽了对混合矩阵的稀疏性要求,大幅提高了信号分离质量.该算法仍适用于独立源信号分离问题.     

基于复Givens矩阵与蝙蝠优化的卷积盲分离算法

针对传统卷积混合盲分离待求参数多、分离效果易受分离矩阵初值影响的局限性,提出了基于复Givens矩阵与蝙蝠优化的频域求解算法。算法采用复Givens矩阵表示分离矩阵,减少了待求参数,降低了求解难度和计算量。利用蝙蝠算法代替梯度算法优化求解旋转角度完成各频点线性瞬时混合复信号的盲分离,全局收敛性更强。此外,由于对源信号的先验知识要求较少,可以分离服从多种分布的信号。仿真实验表明,该算法可有效地实现卷积混合盲分离。     

应用萤火虫算法的混沌信号盲源分离

针对现有的独立成分分析法分离混合混沌信号精度不理想的问题,提出了一种新的混沌信号盲分离方法。该方法以求解最优解混矩阵为目标,利用峭度构造目标函数,将混沌信号的盲源分离转化为一个优化问题,并用萤火虫算法求解。同时,通过预白化和正交矩阵的参数化表示降低优化问题的维数,能有效提高分离精度。仿真结果表明,无论是处理混合的混沌映射信号还是混合的混沌流信号,该方法都能快速收敛,并且其分离精度在各项实验中都优于独立成分分析法等现有的盲源分离方法。     

时变混合系统的在线FastICA算法

现有的多数盲源分离（BSS,Blind Source Separation）算法都是假设混合系统是时不变的,然而在实际的通信系统中混合系统常常是时变的。传统的快速不动点（FastICA）算法具有快速收敛的优点,但是不能直接用于处理混合系统时变的盲源分离问题。为了提高盲源分离算法的收敛速度和对时变混合系统的跟踪性能,改进了传统FastICA算法,将混合信号分段,在各段样本中估计峭度并采用批处理的方法进行分离。仿真实验表明,改进后的FastICA算法能在时变环境中跟踪混合系统的时变,并能有效地抗多音干扰。     

Variable step-size EASI algorithm for sequential blind source separation

A new variable step-size equivariant adaptive source separation via independence (VS-EASI) algorithm for on-line blind separation of independent sources is proposed. The algorithm utilises a variable step-size and thereby matches its performance to the dynamics of the input signals together with changes in the underlying mixing matrix. The algorithm is therefore particularly well suited to blind source separation in a non-stationary environment. Monte Carlo simulation studies support the expected improvement in convergence speed of the approach.     

Application of underdetermined blind source separation in ultra-wideband communication signals

Aiming to the estimation of source numbers, mixing matrix and separation of mixing signals under underdetermined case, the article puts forward a method of underdetermined blind source separation （UBSS） with an application in ultra-wideband （UWB） communication signals. The method is based on the sparse characteristic of UWB communication signals in the time domain. Firstly, finding the single source area by calculating the ratio of observed sampling points. Then an algorithm called hough-windowed method was introduced to estimate the number of sources and mixing matrix. Finally the separation of mixing signals using a method based on amended subspace projection. The simulation results indicate that the proposed method can separate UWB communication signals successfully, estimate the mixing matrix with higher accuracy and separate the mixing signals with higher gain compared with other conventional algorithms. At the same time, the method reflects the higher stability and the better noise immunity.     

基于零空间表示和最大似然的欠定盲源分离方法

针对欠定情况下源数的估计、解混叠矩阵和源信号恢复关键技术,提出一种源数未知的欠定盲源分离算法,首先利用S变换和聚类技术相结合来估算源数和混叠矩阵,然后将源信号以零空间形式表示,再通过最大似然估计关于其后验概率以达到恢复源信号的目的。仿真实验结果表明了该方法不仅能同时分离服从超高斯分布和亚高斯分布的源信号,且比其他传统的方法具有更优越的估计性能。     

基于时频域单源区域的延迟欠定混合非平稳信号盲分离

针对衰减-延迟欠定混合信号的盲分离问题,提出了基于子空间分解的时频域上单源区域检测方法,估计出信号在时频域上的单源区域以及相应的特征向量,然后利用系统聚类法对单源区域对应的特征向量进行聚类分析,估计出源信号数目以及混合矩阵,最后通过改进的基于子空间投影算法完成源信号的恢复.仿真结果表明本文算法提高了混合矩阵和源信号的估...     

A complex mixing matrix estimation algorithm in under-determined blind source separation problems

This paper considers the complex mixing matrix estimation in under-determined blind source separation problems. The proposed estimation algorithm is based on single source points contributed by only one source. First, the problem of complex matrix estimation is transformed to that of real matrix estimation to lay the foundation for detecting single source points. Secondly, a detection algorithm is adopted to detect single source points. Then, a potential function clustering method is proposed to process single source points in order to get better performance. Finally, we can get the complex mixing matrix after derivation and calculation. The algorithm can estimate the complex mixing matrix when the number of sources is more than that of sensors, which proves it can solve the problem of under-determined blind source separation. The experimental results validate the efficiency of the proposed algorithm.     

一种不受信道阶数估计影响的SIMO直接盲均衡算法

针对单输入多输出（Single-Input-Multiple-Output, SIMO）模型提出一种完全不需要信道阶数估计的直接盲均衡算法。文章利用接收数据的截短协方差矩阵和信号子空间的关系设计一种零延迟均衡器,并通过信道矩阵和均衡器系数的合响应特性克服了算法相位偏转的问题,最后得到一种对信道阶数估计鲁棒并且没有相位偏转的盲均衡算法。该算法不同于一般子空间类算法,不需要直接对接收信号的协方差矩阵进行信号子空间和噪声子空间的分解,因此对信道阶数估计具有很强的鲁棒性。文章给出了算法的Batch实现过程,同时为更好适应一般时变信道环境和实现实时处理的要求,通过递归迭代得到算法的自适应实现过程。仿真实验表明该算法几乎不受信道阶数过估计或欠估计的影响,同时该算法具有良好的均方误差（Mean Square Error, MSE）和误符号率SER（Symbol Error Rate, SER）性能,并且具有很快的收敛速度。      

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类（combining density-based spatial clustering of application with noise, DBSCAN）和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。