基于自然梯度的语音盲分离算法

对于自适应自然梯度算法,选择步长参数以达到好的分离性能是非常必要的。提出了一种步长自适应自然梯度算法。由于该算法中的步长基于分离状态,其学习速率由信号的分离程度自适应选取,因而能很好地解决收敛速度与稳态误差之间的矛盾。计算机模拟试验结果显示,该算法优于传统的自然梯度算法。     

一种新的步长等变化自适应算法

定义了描述信号分离状态的一种测度,并在认真分析相关固定步长和变步长EASI算法的基础上。提出了一种新的步长自适应等变化自适应（EASI）算法。该算法步长是基于分离状态的。其学习速率由信号的分离程度自适应地选取。因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于传统的EASI算法．     

基于萤火虫算法的变步长语音信号盲源分离

针对传统的自然梯度算法对语音信号进行盲源分离时,算法存在收敛速度和稳态误差的矛盾。文中提出一种新的变步长自然梯度算法,利用荧火虫算法对自然梯度算法的步长调整,使算法的步长随信号的分离度变化,并通过计算机仿真验证了该算法的有效性,算法的分离效果更好,收敛速度更快,且稳态误差更小。     

改进的自然梯度盲源分离算法在非平稳环境中的应用

对于传统的自然梯度算法,在处理非平稳信号时,在步长更新迭代过程中,非平稳信号变化幅度过快而导致分离矩阵幅度变化的不稳定,从而影响分离效果。针对此问题,结合变步长的思想,本文提出了基于正交约束的自然梯度盲分离算法,该算法主要对恢复信号进行约束,通过使用瞬时误差有目的地控制变步长,从而加快算法收敛速度且提高了分离精度,同时保证了非平稳环境下分离过程的稳定性。结果表明,正交约束下的盲源分离算法可以高效地分离出非平稳环境下的源信号。     

基于变步长自然梯度算法的盲源分离

相比标准梯度而言，自然梯度算法以其更快的收敛速度和更好的分离性能在盲源分离中占据着重要地位。由于常用的自然梯度算法是基于固定步长的，因此无法真正解决收敛速度和稳态误差之间的矛盾。通过建立步长因子与分离矩阵相互差异之间的非线性关系，提出了一种新的自然梯度算法。由于该算法采用的步长是时变的，加快了收敛速度，减小了稳态误差，从而很好地解决了固定步长的内在矛盾。计算机仿真结果证实了理论分析，并说明了该算法明显优于通常的自然梯度算法。     

分离矩阵的步长自适应在线盲源分离算法

分析了超定盲源分离中的自然梯度算法最终不能稳定收敛的原因,针对解决这一问题的方法中存在的不足进行了分析和研究。采用了一种基于分离矩阵的步长自适应在线盲源分离算法,较好地实现了收敛速度与稳态误差的最优结合。同时,在信号随机减少或增加时改进算法也能够达到较好的分离效果,仿真结果验证了改进算法的收敛稳定性与分离有效性。     

自适应变步长正交约束盲源分离算法

将盲源分离算法通常应用到的白化预处理方法转化为权值正交约束条件下的分离算法,使得分离算法由无约束算法转变为有约束算法,消除了在估计白化矩阵时引入的误差和分离输出存在的尺度不确定性。因为算法的收敛速度和稳态误差是一对矛盾,所以结合变步长思想,提出了一种新的自适应变步长的权值正交约束盲源分离算法。该算法步长是基于分离状态的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。仿真实验表明,该算法比非约束算法,固定步长的权值正交约束的盲源分离算法具有更好的分离性能。     

一种基于峭度累积量比例微分控制的盲源分离学习率

自然梯度算法由于良好的分离性能在盲源分离中占有重要的地位,但该算法基于固定步长时,无法很好兼顾收敛速度和稳态误差。本文借鉴自动化控制的PID （Proportion Integration Differentiation ）算法,提出一种与分离状态紧密结合的变步长学习率算法。由于完成分离的信号峭度累积量是一个固有值,分离过程的信号峭度累积量与固有值将有一个不断减小的误差值。该算法以指数函数值来体现该误差值。再利用该误差构成比例微分的变步长算法,其中的步长初始值就相当于控制误差的比例值,而误差的微分项则得到加速的调整值。该算法仿真实验结果与固定步长自然梯度盲源分离算法的仿真实验结果对比：对应于初始步长的一个最大值和一个最小值,该算法的两次迭代次数均低于采用固定步长算法的迭代次数,并且对于不同类型信号在两次迭代次数间的差值约10～40次,而两种算法的稳态误差是相同的。     

基于定步长自然梯度算法盲混合信号分离技术研究

本文利用自然梯度算法对盲混合方波、正弦波、调幅波和噪声等信号进行盲分离实验,通过仿真,验证了自然梯度盲分离算法在复杂信号分离中的准确性。比较了不同步长下,自然梯度算法的分离性能,得出步长的选择对算法收敛性及稳态误差的重要性,文章分析了算法在步长变化情况下的收敛速度,稳态性能等。     

自适应变步长的动量项盲源分离方法

针对传统盲源分离算法采用单一步长而无法同时兼顾收敛速度与稳态性以及动量因子选取的问题,介绍了一种盲源分离优化方法。该方法依据自然梯度算法(Natural Gradient Algorithm,NGA)的收敛条件,通过输出信号建立一种新的表示信号分离程度的度量指标,通过此度量指标构造非线性单调函数,使步长与动量因子参数自适应调节,从而可以合理、准确地选择参数。仿真表明了在平稳和非平稳环境下所提分离指标的正确性,且该指标可有效监测信号分离程度;针对步长及动量因子参数选取所设计的优化策略能够有效地缓解固定值对算法性能的约束,在有无噪声的情况下,均获得了优良的分离效果。     

Adaptive Step-Size Natural Gradient ICA Algorithm with Weighted Orthogonalization

To improve the stability of the traditional natural gradient independent component analysis (ICA) algorithm and the accuracy of its separated results, a adaptive step-size natural gradient ICA algorithm with weighted orthogonalization is proposed. First, to take advantage of the pre-whitening pre-processing and keep the equivariance property of the ICA algorithm, based on the weighted orthogonal constraint on the separating matrix without pre-whitening of observed signals, weighted orthogonalization is introduced after the traditional gradient update. Then, according to the error estimation from the smoothed distance between separated outputs and optimal outputs, we obtain two adaptive step sizes based, respectively, on an unconstrained natural gradient ICA process and a weighted orthogonalization process. Simulation experiment results show that the speed of convergence of the adaptive step-size natural gradient ICA algorithms with weighted orthogonalization are faster than the traditional one; also, the stability of the algorithms and the accuracy of the separated results are improved observably.     

结合辅助分离系统的变步长盲源分离算法

 针对盲源分离算法中步长因子的自适应选取问题,本文基于分离性能指标与步长因子的对应关系,提出了一种新的变步长盲源分离算法.该算法通过结合一个受限的辅助分离系统,重新构造系统分离性能指标,并根据该指标参数呈指数趋势下降的变化规律来获取步长因子的自适应更新.平稳和非平稳环境下的仿真实验表明:相对于固定步长和新近的自适应变步长算法,本文提出的算法拥有更快的收敛速度和更小的稳态误差.     

基于分块自适应的在线Infomax及其扩展算法

自适应在线Infomax及其扩展算法适用于非平稳环境下的信号分离,具有广泛应用。本文结合批处理分离算法和自适应在线分离算法的优点,提出了分块自适应在线分离算法。并详细推导了基于在线Infomax及其扩展算法的分块自适应更新公式。在此基础上,还推导了一种基于峭度方差调整步长的分块在线变步长公式。仿真结果表明,新算法具有在线算法适用于非平稳环境的优点,在与传统自适应在线算法分离效果相当的条件下,运算量大大降低,数据处理时间大大减少。      

一种新的自适应步长ICA算法

学习速率的优选问题是自适应ICA算法中的一个重要问题。文中定义了描述信号分离状态的去相关性测度。以此为基础提出一种新的自适应步长选取算法,算法将信号分离过程分为3个阶段,在不同的阶段采用不同的步长选取方法。有效地解决了算法的稳态误差和收敛速度之间的矛盾,其仿真结果证实,该算法不仅在平稳环境中具有较快的收敛速度,而且具有良好的稳态性能和数值稳定性。     

自适应步长加权正交约束自然梯度ICA算法

针对传统自然梯度ICA算法的不稳定和分离结果不准确,提出一种自适应步长加权正交约束自然梯度ICA算法。首先,基于分离矩阵所满足的正交性约束,引入一种单步正交性修正方法。然后,根据相邻迭代结果之差可用于平滑构造每步迭代结果与最优值的距离,设计出一种单步误差估计函数。最后,据此误差估计函数引入一种自适应调整的步长。仿真实验表明,自适应步长加权正交约束自然梯度ICA算法,相比于传统的自然梯度ICA算法具有更快的收敛速度,且算法的稳定性和分离结果的准确性都得到了较大提高。     

一种改进的变步长LMS自适应算法

为了提高LMS自适应算法的性能,在对一些变步长LMS算法分析的基础上,提出了步长因子μ(n)与误差信号e(n)之间一种新的非线性函数关系,该算法比固定步长LMS算法收敛速度快,稳定性好,另外与文[5]中算法相比,不需要进行指数运算.将该算法应用于自适应噪声抵消系统的仿真中,计算机仿真结果与实际分析相一致.     

LMS算法收敛步长的精确求解

本文提出了用步长阀值上下限的算术平均值去计算收敛步长的新方法,通过LMS算法失调量的精确分析,寻出了计算步长的公式.计算机模拟结果证实了本文方法及其步长计算公式的准确性.     

一种新的变步长自适应噪声消除算法

本文针对电力线噪声的特点,提出了一种新的变步长自适应噪声消除算法.在自适应算法的步长与梯度之间建立了新的关系,弥补了基于误差的变步长算法在自适应噪声消除方面的不足,克服了标准LMS算法的收敛性对输入信号的敏感性,并能根据梯度调整步长大小从而实现算法的快速收敛.通过理论分析设计了新的变步长自适应噪声消除算法,并进行了仿真和实测数据验证,证明了算法相对于其他算法的优势.