一种新的联合块对角化卷积盲分离时域算法

提出一种基于高阶累积量联合块对角化的时域算法求解卷积混合盲信号分离问题。引入白化处理,将混叠矩阵转变成酉矩阵,混合信号转变为互不相关的,进而计算出其对应的一系列高阶累积量矩阵,通过最小化代价函数来实现高阶累积量矩阵联合块对角化的目的,在时域中解决超定卷积盲分离问题。实验表明,相比于经典的自然梯度算法,所提方法的分离精度更高,且运算速度也更快。     

基于矩阵联合分块对角化的通信信号监测

在非协作通信和军事通信对抗中,接收机需要对接收到的多个通信信号进行分离,以提取出有用的信号,这可以归为通信信号卷积盲分离问题。首先构建信号模型,并将问题转化为多个矩阵的联合分块对角化。然后提出一种新的非正交矩阵联合分块对角化算法,使用最速下降法得到迭代算法,并分析了算法的可能优化策略和计算复杂度。最后仿真实验验证了新算法的有效性和可靠性,在无须计算最优步长等条件下能够获得比现有算法更快的收敛速度。     

非正交联合对角化的罚函数粒子群算法

针对多个矩阵近似联合对角化盲分离问题,提出一种新的非正交近似联合对角化算法.首先采用罚函数法将联合对角化的非线性约束优化模型转化为无约束优化模型;其次将粒子群优化算法引入无约束优化模型中实现目标函数的最优化,从而完成矩阵组的联合对角化.分析了惩罚因子的更新策略及算法的收敛性能,并设计仿真实验进行对比分析以检验算法解决实际盲分离问题的能力.     

非对称非正交快速联合对角化算法

针对非对称联合对角化算法收敛速度慢以及有可能收敛到奇异解的问题, 首先提出一种基于最小二乘的非对称代价函数, 该代价函数在最小二乘标准的基础上增加了使对角化矩阵非奇异的约束项, 以保证算法不会收敛到奇异解. 然后利用一种循环最小化技术来优化提出的代价函数, 得到一种非对称非正交快速联合对角化算法. 算法的性能分析证明, 该算法不仅全局渐近收敛, 而且具有不变性. 左右对角化矩阵的关系也证明了非对称联合对角化的一般性. 实验仿真表明, 与原非对称联合对角化算法相比, 提出的算法收敛速度更快, 而且可以显著降低干扰信号比.     

非平稳信号的递推最小二乘盲分离

针对非平稳信号盲分离问题提出了一种基于递推最小二乘(RLS)算法的非平稳信号盲分离新方法.首先引入遗忘因子对常规代价函数进行指数加权修正,得到一种新的具有递归结构的代价函数;然后利用RLS算法最小化代价函数,推导最优分离矩阵的自适应更新算法,逐步实现信号分离.该算法避免了最小二乘类算法关于学习速率选择困难的缺点,具有收...     

基于核估计的超定混合共轭盲信号分离方法

当混合信号的个数多于源信号时,盲源分离模型中的混合矩阵被描述为一个超定矩阵,因此不能直接通过估计逆矩阵的方法来得到分离矩阵。针对该线性超定混合情况提出了一种基于共轭梯度的盲源分离方法。该方法基于最小互信息准则,通过对行满秩分离矩阵的奇异值分解而引入了超定盲源分离的代价函数。利用共轭梯度优化算法推导出了迭代计算分离矩阵的更新公式。在每次迭代计算中,利用随机变量概率密度估计的核函数法在线估计分离信号的评价函数。避免了诸多传统盲分离算法中只能凭经验选取特定的非线性函数来代替评价函数的问题。仿真结果验证了所提算法的有效性。     

改进频点权重系数的频域盲源分离排序算法

为解决卷积混合频域盲源分离排序不确定问题,研究了分离矩阵行列式变化和频点距离对基于相邻频点幅度相关性排序算法的影响,提出了改进的盲源分离排序算法.改进算法用权重系数来衡量频点对排序的影响,并将分离矩阵作为下一频点分离矩阵的迭代初值,给出了权重系数设定函数.最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验.实验结果表明,与Murata算法相比,改进算法分离信号信噪比提高、分离速度加快、算法鲁棒性强.     

基于时变自回归模型的FAJD盲源分离算法

为实现多高斯源和相关源信号的盲分离,在快速近似联合对角化(FAJD)算法的基础上,将故障诊断领域的时变自回归理论成功地应用于相关源信号的盲分离和多高斯源信号的盲分离.首先采用时变自回归模型(TVAR)对源信号建模,并通过白化预处理使得建模后的源信号具有可联合对角化的结构;然后,通过基函数加权和的方法将时变参数近似为已知基函数的加权和的形式,将其变成时不变的参数,再通过递推最小二乘法求解出模型系数矩阵组;最后,将所求出的系数矩阵组作为快速近似联合对角化的目标矩阵组,通过FAJD算法实现混合信号的分离.Matlab仿真实验验证了所提出的算法对于相关源信号和多高斯源信号的分离是行之有效的.由于算法中TVAR模型的优良特性,此算法非常适用于混合通信信号的盲分离.     

两正定矩阵联合对角化盲分离算法

针对具有时间结构的盲分离问题,提出了一种基于两正定矩阵精确联合对角化的盲分离算法。利用多个不同时延统计量构造了两个正定矩阵,以提取出数据的时间结构;再利用所提算法联合对角化构造的两个正定矩阵,得到分离矩阵,进而估计出源信号。所提算法克服了已有算法因采用多个矩阵联合对角化导致的计算量大和采用单个矩阵导致的分离精度低的缺点。计算机仿真结果表明了在有或无噪声情况下,所提算法性能均优于其他对比算法。     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

具有非奇异约束的线性卷积混合信号盲分离联合对角化方法

联合对角化能够成功解决盲分离问题, 但在求解时会得到非期望的奇异解, 从而无法完全分离出源信号. 鉴于此, 提出一种用于线性卷积混合盲分离的联合对角化方法, 将卷积混合模型变换为瞬时模型, 并对变换后的模型应用联合对角化求取分离矩阵. 在求解过程中, 引入约束条件对解的范围进行限定, 避免了奇异解的出现. 仿真结果表明, 所提出的方法能够成功实现卷积混合信号盲分离.

     

Fast nonunitary joint block diagonalization with degenerate solution elimination for convolutive blind source separation

This paper addresses the problem of joint block diagonalization (JBD) of a set of given matrices. As is known that the nonunitary JBD algorithm has some advantages over the existing orthogonal one for convolutive blind source separation (CBSS). However, the nonunitary JBD algorithm is prone to converge to some unexpected degenerate solutions (singular or ill-conditioned solutions). Especially for the matrices of large dimension or the case that the number of the diagonal blocks is relatively large, the performances of the nonunitary JBD algorithm degrade more severely. To eliminate the degenerate solutions, we optimize a penalty term based weighted least-squares criterion and thus develop a fast efficient algorithm. The performance of the proposed algorithm is evaluated by computer simulations and compared with the existing state-of-the-art nonunitary JBD algorithm. The simulation results demonstrate the robustness and performance improvement of the proposed algorithm.     

基于回溯搜索优化的卷积混合语音盲分离

针对独立矢量分析（IVA）算法初始分离矩阵取值对分离性能影响较大的局限性,提出了基于回溯搜索优化的卷积混合语音盲分离算法。采用频域各频率点IVA分离信号的复数峭度和作为目标函数,利用回溯搜索优化算法（BSA）对初始分离矩阵进行优化调整,更好地实现了语音信号的盲分离。在分离过程中,采用复Givens旋转变换原理将对分离矩阵的求解转化为对旋转角度的求解,有效减少了BSA的参数编码维数,降低了优化求解难度。针对语音信号的卷积混合分离实验表明,该算法具有良好的分离效果,其分离性能较之基本IVA算法显著提升。     

基于ICA新算法的图像盲分离

提出了一种基于非参数熵的图像盲分离新算法。该方法根据K—L散度作为信号之间独立性优化准则，不利用概率密度函数知识，由观测向量直接估计m—spacing熵，通过穷举搜索法寻找目标函数的最小值从而获得最佳旋转矩阵进行盲源分离，适合图像像素分布多样性特点。大量实验证实，该算法鲁棒性好、分离指标高、性能优于传统FASTICA、自然梯度等自适应算法。     

A new second-order method for blind signal separation from dynamic mixtures

This paper presents a new approach to separate colored stationary signals mixed by convolutive channels. A cost function is proposed by employing linear constraint to the demixing vectors. The linear constraint is shown to be sufficient for avoiding trivial solution. The minimization of the cost function is performed using the Lagrangian method. Simulation results demonstrate the performance of the algorithm.     

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。     

基于平行因子分解的频域盲解卷积算法

针对卷积混合盲分离问题,文章提出了一张基于张量平行因子分解的盲分离算法。该算法通过将接收信号的频域相关矩阵叠加成三阶张量,再对此三阶张量进行平行因子分解,最后利用基于K-means聚类的全排列解模糊算法来完成无排列模糊的混合矩阵估计。通过仿真实验,计算分离信号与源信号的相似系数,结果表明提出的算法具有很好的分离效果,而且实现简单,可满足实际应用的要求。