基于时频分布的非平稳信号盲分离算法

针对传统的盲源分离方法往往忽略信号非平稳性的问题,基于从瞬时线性混合模型的观测信号中分离出相互独立的源信号,并针对信号具有非平稳性,结合时频分析和盲源分离各自的特点,对非平稳信号盲分离进行了研究,并提出了一种新的具有不同空间时频分布的非平稳盲分离算法.仿真实验表明,通过采用维纳全时频域搜索来寻找局部最大值的平滑伪Wigner-Ville分布,该算法可以抑制交叉项而且能够保持时频聚集性,并达到了很好的分离效果.     

含噪BSS模型的BJD-Hough算法*

当噪声存在时,信号和混合阵的盲估计变得相当困难。针对信号源噪声污染情形,假设信号和噪声的时频谱不同,提出了一种时频去噪盲源分离方法。该方法以Born-Jordan分布计算混合信号的时频矩阵并将信号的时频分布看作图像,利用广义Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,再运用自项点理论选择合适的时频阵进行对角化,进而估计源信号和混合阵。该方法扩展了盲源分离的限制条件,能有效分离各种非平稳源信号、非独立源信号,且通过把噪声能量扩展到整个时频面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。     

改进的在线自然语音卷积混合信号时域盲分离方法

针对语音信号所具有的非平稳性和时域相关性，提出了一种新的卷积混合语音信号盲分离的在线时域算法。该算法通过利用分块处理方法和带遗忘因子更新的非完备约束条件及其推广，对于许多已有在线算法中存在的由于目标源数目随时间不断变化而产生的不稳定性问题，以及语音信号时域相关性而导致的恢复信号失真问题进行了改进，最后通过仿真，结果表明，本文方法可以有效地处理语音卷积信号的在线盲分离问题，同时在源数目变化时算法的鲁棒性较好。     

基于品质函数估计的非线性盲源分离算法

研究非线性盲源信号分离优化问题。由于混合信号同时包含超高斯和亚高斯信号且混合信号具有很强的非线性时,传统的非线性盲源分离算法中对于品质函数的选取一般都是通过经验,现有算法难以取得理想的分离效果。在Pearson模型的基础上提出了一种新的估计品质函数的方法,算法能够成功地估计出次高斯(sub-Gaussian)和超高斯(super-Gaussi-an)混合信号的品质函数,同时克服了Pearson模型对同类信号只能估计得到相同的品质函数的缺陷,提高了算法的估计精度。通过在MATLAB仿真验证了算法的可行性和有效性,成功估计出源信号的品质函数且实现了非线性盲源分离。     

欠定情形下语音信号盲分离的新方法

提出了一种新的两步法来实现欠定情形下语音信号的盲分离。第一步,采用一种重构观测信号采样点搜索法来估计混合矩阵;第二步,提出了一种伪提取矢量的概念,通过伪提取矢量来提取取值占优的源信号的采样值来恢复源信号。在源信号的恢复过程中,还使用了经典的基于线性规划的欠定盲源分离方法。结果表明：该方法由于在信号的各采样点处无须优化,在源信号的分离过程中,分离速度要比基于线性规划的方法快数倍,且分离精度不低于基于线性规划的方法。仿真结果表明了该算法的良好性能。     

欠定条件下的盲分离算法

盲信号分离中当源信号个数大于观测信号个数，且源信号不是足够稀疏时，如果利用聚类算法进行分离，分离效果将会变差。为此提出一种在此欠定条件下新的盲信号分离算法。利用源信号的“稀疏性”估计混合矩阵，然后简化混合矩阵构造新的混合模型。由于源信号间具有的独立性，使得可以在新的混合模型中从观察信号的自相关函数中估计出源信号的频谱，从而达到分离出源信号的目的，且分离效果优于聚类算法。最后给出仿真试验实例，试验结果验证了算法的有效性。     

基于最大信噪比的盲源分离算法

提出一种新的低计算复杂度的瞬时线性混叠信号的盲分离算法,该算法利用统计独立信号完全分离时信噪比量大作为分离准则。源信号用估计信号的滑动平均代替,把源信号和噪声信号协方差矩阵的函数表示成广义特征值问题,通过广义特征值问题求解分离矩阵不需要任何迭代运算。和典型的信息理论方法相比,该算法的优点是具有非常低的计算复杂度。计算机模拟实验证明,该算法能够分离线性混合的超高斯和亚高斯源信号,并且可以有效地分离语音信号。     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

基于ICA的相位编码信号欠定盲分离算法

针对二相编码信号时域或频城上不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵和恢复源信号的新方法.首先,利用二相编码信号成型模型的特异性,将欠定盲分离问题转化成卷积盲分离问题,然后通过抽头延时将其转化为线性瞬时混叠问题,通过独立分量分析(ICA)方法对延时后的观测信号进一步处理.为了准确地分离出源信号,利用峭度准则对...     

一种应用于水声目标检测的盲源分离算法

提出了一种新的盲源分离方法.该方法基于独立分量(ICA)理论,可以有效去除噪声,提高目标检测的性能.针对在盲源分离中噪声消除比较困难这一问题,利用水声信号半盲的特点,引入了虚拟信号的概念.通过添加虚拟信号,成功地分离了混合信号.高斯噪声和K分布噪声的仿真表明,该算法在强背景噪声下较匹配滤波算法有明显的检测优势.     

功率谱估计和扩展子空间下的欠定盲分离

研究了欠定情形下的信号盲分离。充分利用信号的时频特性,提出了AR模型功率谱估计法滑动估计信号频率,设计带通滤波器近似获取源信号和欠定混合矩阵,以及扩展子空间向量基构造完备观测信号的方法,将问题转化为完备情况下的盲分离,最后运用FastICA方法实现了信号盲分离。仿真实验数据表明方法的可行性和有效性,为欠定盲分离问题研究提供了新的思路。     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.     

多传感器雷达侦察信号分选新方法研究

由于许多盲源分离方法局限于平稳、非高斯且相互独立的源信号,而实际的雷达信号并不满足这些条件。文章针对现有新体制雷达所发射信号的非平稳性,采用平滑伪Wigner-Ville分布并结合联合对角化的方法,对所侦察到的非平稳雷达信号进行盲分离。从仿真结果可知,分离信号与源信号相关系数的绝对值均在0.99以上,并且误差均在允许的范围之内,这充分说明本文所用的方法在一定条件下完全能够对非平稳雷达侦察信号进行盲分离,为后续侦察信号的分选、识别提供了依据。     

盲分离与时频分析融合的多源信道均衡

针对多信源条件下强多途干扰严重的水声信道,提出一种盲分离与时频分析融合的多源信道均衡技术。该方法首先应用盲分离技术将多源接收信号进行有效分离,对分离后的信号进行时频分析运算,然后采用Radon变换加解线调方法估计出信号的主要参数,通过重构声源信号最终完成信号的复原。通过对计算机仿真数据和海试数据的处理,验证了该方法的可行性和有效性。     

弱稀疏性下的欠定语音盲分离方法

针对语音信号的弱稀疏性,提出一种新的基于混合矩阵估计的欠定语音盲分离方法。该方法通过主成分分析检测只有一个源信号存在时的时频点并用于估计混合矩阵,从而克服语音信号稀疏性变弱时的影响,提高混合矩阵估计精度。结合子空间法重构源信号,进一步提高分离性能,并从几何角度证明子空间方法,仿真结果表明该方法的分离性能优于Cluster-UBSS,且鲁棒性更好。     

雷达脉内调制信号时频分布特征提取方法

针对复杂体制雷达辐射源信号分类识别问题,提出了一种基于时频分析的雷达脉内调制识别算法。首先对时频矩阵在时间域进行等间隔分区,然后通过检测区间内信号时频能量峰值提取其时频特征,最后用支持向量机实现了分类识别。该方法以信号时频能量峰值分布的差异区别不同的雷达脉内调制方式,有效降低了特征维数。仿真结果表明,该方法对雷达脉内调制具有较好高识别正确率,而且具有较强的抗干扰能力。     

小波变换结合盲源分离的EEG情感识别

由于脑电信号独立源数目的不确定性以及其他噪声的干扰,使得采集的脑电信号各导信号之间产生串扰、源信号难以估计以及噪声混杂等问题,严重影响了对脑电信号的分析研究。将小波变换与盲源分离算法相结合,并对盲源分离算法中维格纳分布存在的交叉项干扰现象进行重排处理。主要思路是首先将每一导信号进行小波变换,提取出特征波β波,然后对这些β波信号进行基于重排光滑伪维格纳分布的盲源分离,分离出关联性极大的β波成分。实验结果表明,所用方法分离出了各导信号中关联性大的脑电信号成分,并在一定程度上解决了源信号难以估计等问题,使识别结果有明显的提升。     

基于稀疏性的欠定语音盲分离方法研究

针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。同时指出了影响基于稀疏性语音盲分离方法性能的因素。仿真结果验证了上述结论。     

融合极点对称模态分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离的观察信号少于源信号,且传统的盲源分离方法往往忽视信号非平稳性的问题,提出一种基于极点对称模态分解和时频分析的盲分离算法（ESMD-TFA-BSS）。首先,采用极点对称模态分解方法将观察信号分解成不同的模态,采用贝叶斯信息准则（BIC）估计源信号个数并利用相关系数法选取最优观察信号,由原观察信号与最优观察信号组成新的观察信号;其次,根据新的观察信号计算白化矩阵并将其白化,利用平滑伪Wigner-Ville分布将白化后的信号拓展到时频域,采用矩阵联合对角化方法计算酉矩阵;最后,根据白化矩阵和酉矩阵估计源信号。在盲源分离仿真实验中,ESMD-TFA-BSS的估计源信号与仿真信号的相关系数分别为0.9771、0.9784、0.9660,基于经验模态分解和时频分析的盲分离算法（EMD-TFA-BSS）的相关系数分别为0.8697、0.9706、0.8548,ESMD-TFA-BSS比EMD-TFA-BSS的相关系数分别提高了12.35%、0.80%、13.00%。实验结果表明,ESMD-TFA-BSS在实际工程中能够有效地提高源信号分离精度。