经时频掩码的欠定混叠信号的盲提取

针对欠定非完全稀疏信号的盲源估计问题,提出了一个新颖的盲提取算法。算法融合非完全稀疏信号的盲提取算法和DUET方法,先利用已估计的混叠矩阵计算源信号的提取矢量和源方向的法矢量,再经线性变换更新混叠信号和混叠矩阵,后采用时频掩码方法恢复源信号。几个语音信号的实验显示算法的性能和实用性。     

动态变化混叠模型下盲源分离中的源数估计

在进行欠定盲分离时,特别是对于源信号数目及混合矩阵动态变化的情况,常规的欠定盲分离及源数估计方法不能对源信号数目的变化时刻做出判断,因此很难实现动态变化的源信号数目实时和准确的估计。针对这个问题,提出了一种动态变化混叠模型下欠定盲源分离中的源数估计方法。首先,建立动态变化混叠情形下盲源分离的数学模型及动态标识矩阵。其次,基于构建的动态标识矩阵统计和判断动态源信号数目的变化情况。最后,通过分段时间内多维观测矢量采样点聚类区间局部峰值统计,实现动态变化混叠模型下盲源分离中的源信号数目的有效估计。仿真结果表明,该方法能有效实现动态变化混叠模型下欠定盲源分离中的源数估计,并且信号估计效果良好。     

基于源信号数目估计的欠定盲分离

该文利用欠定盲分离下稀疏源信号的特点,估计源信号的数目且恢复源信号。通常在用两步法来解决欠定盲分离时,首先利用K-均值算法对观测信号聚类估计出混叠矩阵,最后利用最短路径法来恢复源信号,但是在以往的算法中,第1步估计混叠矩阵时,通常假设源信号数目是已知的,从而进行K-均值聚类,而事实上源信号数目根本无法知道,因此对源信号数目的估计对两步法有很重要的影响。因此本文提出了一种新的两步法算法,其中第1步利用稀疏源信号反映在观测信号中的特征来准确地估计出稀疏源信号的数目,且能得到混叠矩阵,从而恢复源信号。最后的仿真结果,以及与通常的K-均值聚类算法对比的仿真结果说明了此算法的可行性和优异的性能。     

基于小波变换的自适应语音盲分离新算法

提出用小波变换和两步自适应盲分离算法相结合的方法来进行语音分离.首先,利用小波变换分别对各含噪混叠语音进行消噪;然后,利用代价函数的极值点特性分别获得混合信号和白化信号的特征向量矩阵,实现自适应盲分离过程;最后,进一步对分离信号进行矢量归一和再消噪处理,得到各个语音源信号的最终估计.实验结果表明此方法取得了很好的分离效果.     

一种利用最大特征矢量的Toeplitz去相干方法

 本文针对相干源的DOA估计问题,利用最大特征值对应的特征矢量(简记为最大特征矢量),提出了一种新的Toeplitz去相干方法.该方法用最大特征矢量构造了一个Toeplitz矩阵来估计相干源的波达方向,实现简单,不损失阵列孔径.相对于常规的去相干算法具有更好的估计性能,特别是在低信噪比情况下,且能估计更多相干源.理论分析和仿真结果均验证了该方法的有效性.     

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。     

具有延迟的欠定语音盲分离

探讨具有延迟的欠定语音盲分离问题,针对语音信号的部分W-分离正交性,提出一种新的基于混叠矩阵估计的语音盲分离方法.首先对观测信号进行短时傅里叶变换,选定一个信号作为参考信号,构造幅度衰减向量和时间延迟向量,提取单源主导区间的观测信号作为观测样本;然后对观测样本进行聚类,通过估计参考信号的混叠系数来估计混叠矩阵;最后结合...     

一种充分利用变量结构的解卷积 混合盲源分离新方法

 针对卷积混合盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的联合块内对角化方法.为了求解表征联合块内对角化近似程度的基于最小二乘的三二次代价函数,给出基于梯度下降法的三迭代算法.该算法在充分利用混迭矩阵的块Toeplitz结构和源信号相关矩阵的块内对角化结构的基础上,交替估计代价函数中的三组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现信道的盲均衡和源信号的盲分离.分析了三迭代算法的收敛性能,证明即使存在估计误差时,该算法依然全局渐进收敛.仿真结果表明,与其他经典的两步算法相比,提出的一步算法能够更好地估计混迭矩阵并恢复出源信号,有效地解决了卷积混合盲源分离问题.     

稀疏分量分析在欠定语音信号盲分离中的应用

研究了基于两步法的欠定语音信号盲分离。针对混合信号散点图在原点中心混叠程度过高的缺点,提出了弭灭圆K均值聚类算法,提高了混叠矩阵的估计精度。结合时频分析算法实现了欠定瞬时线性混叠语音信号的盲分离,取得了较好的分离效果。     

基于超平面法矢量的欠定盲混合矩阵估计

源信号稀疏性差时,基于源信号稀疏特性的欠定盲混合矩阵估计算法,通常先聚类求得混合矢量张成的超平面,然后估计混合矩阵。但此方法涉及运算量较大的超平面聚类,算法效率低。针对这一缺陷,提出了一种新的混合矩阵估计算法。先由所提出的基于梯度法的法矢量更新方法求得超平面法矢量的估计,然后求出混合矩阵。该方法不需要进行超平面聚类,大大降低了运算量,提高了混合矩阵估计效率。仿真结果证明了该方法的正确性和有效性。     

一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法

提出了一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法,可有效对抗主瓣灵巧干扰（Mainlobe Smart Jamming,MSJ）并提取目标回波的距离-角度联合参数信息.新方法首先利用阵元级数据进行盲源分离（Blind Source Separation,BSS）,分离目标回波和干扰,同时可得到信源混合矩阵的估计.然后根据主瓣灵巧干扰在某一角度上表现为多个回波信号,而目标只有一个回波这一先验信息来鉴别目标和主瓣灵巧干扰,由此可以估计目标的距离参数.最后,由上述的鉴别结果得到对应目标的混合矩阵的列矢量,其包含了目标导向矢量信息,据此可估计目标的空间角度参数.仿真结果表明,新方法可以至少有效对抗2个主瓣灵巧干扰,且可同时得到较高的目标距离-角度估计精度.另外,分析了目标输入信噪比、输入干噪比、目标与干扰的夹角、干扰空域个数对所提方法性能的影响,并给出了本文方法能够有效盲距离-角度联合估计的边界条件.     

基于非负矩阵分解算法进行盲信号分离

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有两个重要的限制:信源统计独立和信源非高斯分布。然而更有意义的线性混合模型是:观测信号是非负信源的非负线性混合,信源之间可以统计相关且可以为高斯分布。本文针对盲源分离问题,提出了一种运用新近国际上提出的一种非负矩阵分解算法(NMF算法)进行统计相关信源的盲源分离方法,该方法没有信源统计独立和信源非高斯分布的限制,只要信源之间没有一阶原点统计相关,则可很好实现对信源的分离。大量仿真及与传统ICA进行盲源分离的比较,验证了运用NMF进行包括统计相关信源和高斯分布信源的盲源分离的可行性和有效性。     

一种频率域的盲源分离算法

提出了一种频率域基于第二特征函数的窄带信号盲分离算法，理论上证明了本方法能够从有噪观察数据中得到无噪混合矩阵估计。仿真结果表明本方法信号分离性能优于时域方法。在高信噪比时，本方法的分离信号绝对误差和比时域方法低9．5dB。     

Underdetermined blind separation of non-disjoint signals in time-frequency domain based on matrix diagonalization

To estimate precisely the mixing matrix and extract the source signals in underdetermined case is a challenging problem, especially when the source signals are non-disjointed in time-frequency (TF) domain. The conventional algorithms such as subspace-based achieve blind source separation exploiting the sparsity of the original signals and the mixtures must satisfy the assumption that the number of sources that contribute their energy at any TF point is strictly less than that of sensors. This paper proposes a new method considering the uncorrelated property of the sources in the practical field which relaxes the sparsity condition of sources in TF domain. The method shows that the number of the sources that exist in any TF neighborhood simultaneously equals to that of sensors. We can identify the active sources and estimate their corresponding TF values in any TF neighborhood by matrix diagonalization. Moreover, this paper proposes a method for estimating the mixing matrix by classifying the eigenvectors corresponded to the single source TF neighborhoods. The simulation results show the proposed algorithm separates the sources with higher signal-to-interference ratio compared to other conventional algorithms.     

盲源分离——理论、应用与展望

探讨了盲源分离在通信侦察中的应用前景。在首先介绍盲源分离的基本理论和经典算法的基础上，讨论了盲源分离在通信侦察中的典型应用；通过初步仿真，分析研究了盲源分离技术在跳频信号分选与拼接以及CDMA多用户分离两个重要领域的应用可行性；最后对盲源分离在通信侦察中的应用前景进行了展望，提出了需重点研究的几个问题。     

Second Order Nonstationary Source Separation

This paper addresses a method of blind source separation that jointly exploits the nonstationarity and temporal structure of sources. The method needs only multiple time-delayed correlation matrices of the observation data, each of which is evaluated at different time-windowed data frame, to estimate the demixing matrix. The method is insensitive to the temporally white noise since it is based on only time-delayed correlation matrices (with non-zero time-lags) and is applicable to the case of either nonstationary sources or temporally correlated sources. We also discuss the extension of some existing methods with the overview of second-order blind source separation methods. Extensive numerical experiments confirm the validity and high performance of the proposed method.     

基于凸优化的抗旋转图像盲源分离算法研究

盲源分离是指在没有源信号任何先验知识的情况下,只根据多个观测信号实现对源信号的恢复。本文在CAMNS算法的基础上提出了一种抗旋转的图像盲源分离新算法,该算法首先对观测图像进行预处理,提取图像旋转不变因子,然后利用图像空间局部显著性的假设将旋转后的图像盲源分离转化为可解的凸优化问题,进而求出分离矩阵,最后反解混合方程组确定源图像。实验结果表明:新算法有效地消除了旋转对盲源分离的影响,算法性能指标较ICA算法、NMF算法和CAMNS算法提高了近80%以上。      

On the Use of Spatial Time Frequency Distributions for Signal Extraction

This paper deals with the extraction of signals from their instantaneous linear mixtures using time-frequency distributions. Fundamentally, this problem is a signal synthesis from the time-frequency (t-f) plane. However with the incorporation of the spatial information provided by a multisensor array, the problem can be posed as special case of blind source separation. So far, the blind source separation has been solved using only statistical information available on the source signals. Herein, we propose to solve the aforementioned problem using time-frequency signal representations and the spatial array aperture. The proposed approach relies on the difference in the t-f signatures of the sources to be separated. It is based on the diagonalization of a combined set of spatial time-frequency distribution matrices. A numerical example is provided to illustrate the effectiveness of our method.