一种新的雷达信号分选方法

ICA(IndependentComponentAnalysis)是近年来信号处理领域的热点研究课题,可以根据输入源信号的基本统计特征,由观测数据进行信号分离,最终恢复出源信号。本文深入分析了ICA算法,并提出了将其用于雷达信号分选的新思路。计算机仿真表明,这种算法应用于雷达信号分选时可以获得很好的分离效果。     

一种新的雷达信号分选方法

ICA(Independent Component Analysis)是近年来信号处理领域的热点研究课题，可以根据输入源信号的基本统计特征，由观测数据进行信号分离，最终恢复出源信号。本文深入分析了ICA算法，并提出了将其用于雷达信号分选的新思路。计算机仿真表明，这种算法应用于雷达信号分选时可以获得很好的分离效果。     

基于负熵最大化盲抽取的雷达信号分选研究

研究了盲源分离算法在雷达信号分选中的应用,用基于负熵最大化的盲抽取算法对实际环境下的雷达信号进行分选,仿真结果表明,该方法能够有效地应用于多路雷达信号的分选,能抗突发脉冲干扰及完成降噪处理,并且易于实现,收敛速度快.     

基于相关性测度的雷达分选算法

雷达信号分选利用信号特征参数的相关性来实现不同雷达信号的分离。在实际雷达信号分选的处理过程中,由于信号参数的无规律性以及先验知识的缺乏,采用独立分量分析(In-dependent Component Analysis, ICA)的方法对雷达信号进行处理。针对 ICA 算法分离非平稳信号性能下降的问题,提出一种相关性测度变步长 ICA 算法,将其应用于雷达信号分选中。计算机仿真表明,这种算法不仅减少了信号的分选达到收敛的迭代次数,而且可以有效地提高信号分选的稳态性。     

基于累积量盲抽取的雷达信号分选研究

研究了现有基于累积量的盲源分离算法,考虑实际雷达环境下信号的数据量大,要求信号分选的实时性,考虑用基于累积量的盲抽取算法完成雷达信号分选,通过仿真试验,验证了其在雷达信号分选中的有效性。     

独立分量分析在雷达信号分选上的应用

传统的雷达信号分选主要是基于统计的思想，通过对脉冲序列的PRI分析，依据PRI的调制方式，将对应的雷达信号分选出来。这种方法存在运算量大，速度慢，且准确率不高的缺点。文章提出将含噪的快速独立分量分析算法应用于雷达信号的分选并分析了不同信噪比下分离的效果。仿真试验证明了该算法可以取得很好的雷达信号分离效果。     

基于独立分量分析的雷达信号分选研究

独立分量分析(Independent Component Analysis,ICA)是近年来发展起来的一种有效的盲信源分离方法。在介绍了独立分量分析基本理论的基础上,将基于负熵最大化的FastICA算法应用于对脉冲多普勒雷达信号和连续波雷达信号进行分选,是一种新方法的尝试,并通过2种性能指标来评价分选的效果。仿真结果表明,该算法能够有效地对脉冲多普勒雷达信号和连续波雷达信号进行分选。     

基于FastICA的雷达信号分选

传统的雷达信号分选主要是基于统计的思想,通过对脉冲序列的PRI分析,依据PRI的调制方式,将对应的雷达信号分选出来。它存在运算量大,速度慢,且准确率不高的缺点。本文提出将快速独立分量分析(FastICA)算法应用于雷达信号的分选。仿真试验证明了该算法可以取得很好的雷达信号分离效果。     

基于FastICA算法和小波变换的雷达信号分选

传统的独立分量分析（ICA）算法对噪声敏感,存在很难正确分选带噪混合雷达信号的问题。针对该问题提出一种结合FastICA算法和小波去噪的改进算法。该算法首先利用小波阈值法对带噪雷达信号进行去噪,适当提高信噪比后再用FastICA算法进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个雷达源信号的最终估计。仿真结果表明,与传统的ICA算法相比,该改进算法可以有效地去除噪声,提高带噪雷达信号分选的准确率。     

基于盲信源分离技术的雷达信号分选研究

基于雷达信号分选的实时性处理要求，提出了一种基于盲信源分离（BSS，Blind Source Sepamtion）技术的雷达信号分选算法。该算法在盲信源分离自然梯度算法的基础上，引入动态神经网络（DNN）构成分离系统，通过自适应增加或删减输出神经元个数，检测出变化着的雷达信号数目，并很好的对其进行分离。其中，增加输出神经元个数的方法很好的解决了脉冲雷达信号并非同时到达时的问题。仿真结果验证了该算法的有效性。     

强噪声背景下基于子空间的盲信号提取

低信噪比下的去噪一直是一个难题,最近Emir等人提出了Independent Component Analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比下,由于观测数据的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用子空间的概念,在ICA去噪方法的基础上提出了一种新的基于子空间的ICA(ICA based on signal Subspace, SICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比, SICA去噪方法在去噪的同时还能够成功地将频域重叠的信号正确分离。     

ICA及其在阵列信号处理中的应用研究

独立成分分析（Independent Component Analysis,ICA）是一种有效的盲信号分离（Blind Source Separation,BSS）方法。当目标源信号相互独立时,它能从多通道的混合观测信号中将目标源信号分解开来。本文通过对ICA的详细介绍,对比了ICA模型和阵列信号处理模型的特点,分析了二者的关系,并就二者的综合应用进行了研究,同时对盲波束形成、雷达信号分选和外辐射源雷达信号分离等典型应用进行了介绍和评价。     

基于独立分量分析的盲分离算法研究

独立分量分析是一种基于高阶统计量的信号分析方法,与盲源分离问题密切相关。首先介绍了独立分量分析的基本概念和准则,以及衡量算法性能的方法;其次对比较流行的几种独立分量分析算法进行分析和总结,最后对独立分量分析未来的发展做了展望。     

一种基于边缘信息的图像信号盲分离方法

在从多幅混合图像分离出原始图像信号的过程中,当原始图像信号之间不满足统计独立条件时,采用一般的独立分量分析方法将无法分离出正确的原始图像。针对这一缺陷,结合图像信号特点提出了一种基于图像边缘信息的独立分量分析方法。实验证明,这种方法能在一定程度上提高此类图像的分离效果,同时能有效地克服高斯白噪声的影响。     

源信号数目大于观察信号数目情况下的盲源分离

独立分量分析(ICA)作为一种有效的盲源分离技术(BSS）是信号处理领域的热点。传统的独立分量分析都要求观察信号数目大于或者等于源信号数目，然而对于脑电图(EEG)等的一些信号处理中存在的源信号数目大于观察信号数目的情况，传统的独立分量分析算法不能有效分离。该文针对源信号数目大于观察信号数目的情况，在传统的独立分量分析技术的基础上，给出了一个新的学习算法，并将新算法与传统的独立分量算法进行了比较。实验仿真结果证明该算法在给定2个混合信号的情况下能够较好地分离3个未知语音信号源，成功实现了源信号数目大于观察信号数目情况下的盲源分离。     

Complex-valued ICA utilizing signal-subspace demixing for robust DOA estimation and blind signal separation

This paper deals with direction of arrival (DOA) estimation and blind signal separation (BSS) based on independent component analysis (ICA) with robust capabilities. An efficient demixing procedure of complex-valued ICA is presented here, which combines the signal-subspace demixing procedure exploiting individual signal-subspace projection and Newton’s iteration algorithm based on maximization of the approximate negentropy of non-Gaussian signal for array signal processing. It resolves the problems of order ambiguity and identifiability of traditional ICA for time-domain BSS. The proposed method could be directly applied to radar, sonar, radio surveillance, and communications systems for separating signals and estimating relative DOAs of signals. Several computer simulation examples for perturbations to the array manifold, unknown noise environments, and Rayleigh fading channel are provided to illustrate the effectiveness of the proposed method.     

基于ICA和特征提取的MIMO信号调制识别算法

针对非协作通信中多输入多输出(MIMO)信号的盲调制识别,该文提出一种基于独立分量分析(ICA)和特征提取的调制识别算法。根据空分复用MIMO系统各发送天线上信号的独立性,利用ICA算法从接收的混合信号中分离出发射信号。为实现全盲条件下的调制识别,在进行ICA分离前,利用最小描述长度(MDL)准则估计发射天线数。在得到发射信号之后,首先利用6阶累积量、循环谱和4次方谱算法构造4个特征参数,然后利用分层结构的神经网络分类器识别信号的调制类型。仿真结果表明,所提方法可在较低信噪比下对{2PSK, 2ASK, 2FSK, 4PSK, 4ASK, MSK, 8PSK, 16QAM}8种MIMO信号进行有效识别,当发送天线数为2、接收天线数为5、信噪比为2 dB时,识别率可达到98%以上。     

强噪声源背景下的盲信号提取

低信噪比下的去噪一直是一个难题,最近Emir等人提出了independent component analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比,由于观测信号的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用信号子空间的概念,在ICA去噪方法的基础上提出了一种新的基于信号子空间的ICA(ICA based 0n signal subspace；SSICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比,SSICA去噪方法在去噪的同时还能够成功得将频域重叠的信号正确分离。