回溯式在线EASI盲源分离算法

针对现有的在线盲源分离算法在时变混合矩阵突变后初始阶段分离精度低的问题,提出一种改进的在线盲分离算法。该算法通过检测误差函数的变化来确定时变混合矩阵的突变点,并利用突变前收敛较好的分离矩阵对之前的观测数据进行回溯分离。仿真结果表明,对于具有间歇式突变的时变混合环境的场景,相较于传统在线盲分离算法,提出的回溯式在线EASI盲源分离算法能提高分离初始阶段的分离精度,有效地跟踪混合矩阵的突变。      

时变混合系统的在线FastICA算法

现有的多数盲源分离（BSS,Blind Source Separation）算法都是假设混合系统是时不变的,然而在实际的通信系统中混合系统常常是时变的。传统的快速不动点（FastICA）算法具有快速收敛的优点,但是不能直接用于处理混合系统时变的盲源分离问题。为了提高盲源分离算法的收敛速度和对时变混合系统的跟踪性能,改进了传统FastICA算法,将混合信号分段,在各段样本中估计峭度并采用批处理的方法进行分离。仿真实验表明,改进后的FastICA算法能在时变环境中跟踪混合系统的时变,并能有效地抗多音干扰。     

一种新的基于频域独立成分分析的语音信号盲分离方法

在频域利用传统的ICA进行分离时,如果分离矩阵没有经过良好的初始化,算法的收敛与分离性能都不够理想。本文提出了一种新的基于频域独立成分分析(ICA)的语音信号盲分离方法。首先通过分析混合信号的时频域特性对各个频带的分离矩阵进行初始化,使算法的收敛速度更快,并很好的解决了输出信号的次序不确定性问题;进一步根据以初始化的分离矩阵分离出的源信号间的幅度相关性,仅挑选出一部分频带进行ICA的迭代,最终达到在追求良好分离性能的同时极大提升运算效率的目的。仿真的无回声环境和几种实际的回声环境下所得到的实验结果表明,该方法在分离性能和算法效率上均优于传统的频域ICA方法。     

基于复Givens矩阵与蝙蝠优化的卷积盲分离算法

针对传统卷积混合盲分离待求参数多、分离效果易受分离矩阵初值影响的局限性,提出了基于复Givens矩阵与蝙蝠优化的频域求解算法。算法采用复Givens矩阵表示分离矩阵,减少了待求参数,降低了求解难度和计算量。利用蝙蝠算法代替梯度算法优化求解旋转角度完成各频点线性瞬时混合复信号的盲分离,全局收敛性更强。此外,由于对源信号的先验知识要求较少,可以分离服从多种分布的信号。仿真实验表明,该算法可有效地实现卷积混合盲分离。     

一种自适应算法的语音信号盲分离

盲信号处理算法主要有批处理算法和自适应算法两类,本文导出了一种批处理和自适应相结合的快速独立分量分析（Fast Independent Component Analysis, Fast ICA）算法,将该算法应用于语音信号盲分离处理,通过综合实验,从分离前后的波形、频谱图和主要评价参数说明该算法具有良好的信号分离效果。与扩展联合对角化（The Joint Approximative Diagonalization ofEigenmatrix,JADE）算法和自然梯度（Natural Gradient,NG）算法比较, fast ICA算法具有更好的分离效果。      

不同幅度通信信号的盲源分离

自然梯度算法是盲源分离的重要方法。本文利用自然梯度算法研究不同幅度的独立信源线性混合的盲源分离问题。我们比较了各种活动函数并提出一个更好的活动函数。由10个强弱不同的通信信号作为信源进行了模拟实验,结果显示用该活动函数算法收敛得更快些。     

一种同频混合信号伪随机序列盲估计方法的研究

通常采用独立分量分析法(ICA)采集同频混合信号时存在盲分离随机性问题,不能分离出同频混合信号伪随机序列,无法对信号进行准确检测。为解决该问题,提出融合独立分量分析法以及Massye算法的同频混合信号伪随机序列盲估计方法。先采集同频混合信号,再通过PCA方法对同频混合信号进行白化预处理,对同频混合信号的协方差矩阵的特征值进行分解,确保信号间相互独立,为后续ICA方法进行数据分割提供基础。采用基于峰度的固定点ICA算法对白化处理后的同频混合数据进行划分,融合ICA和Massye算法,对同频混合信号的伪随机序列进行盲估计。实验结果说明,该方法可以获取准确的同频混合信号伪随机序列,具有较强的信号分离性能。     

基于非高斯性和广义复杂度寻踪的盲源分离算法

现有的盲源分离算法往往利用信号某一方面的统计特性来分离信号,例如:利用信号的非高斯特性,或者利用信号的时序特性.在实际应用中,信号往往是具有这两种特性信号的混合,采用信号某一方面的特性往往不能够成功的分离出信号.当源信号具有非高斯性和非线性预测特性时,提出了基于非高斯性和广义复杂度寻踪的目标函数,最小化该目标函数,提出了一个梯度下降的盲源分离算法.计算机仿真表明了提出算法的有效性,和现有的盲源分离算法相比,提出算法具有更好的信号分离性能.     

独立分量分析盲信号分离方法研究

盲源分离是指从多个相互独立的源信号的混合信号中分离出源信号来。独立分量分析法是盲源分离的一种新方法,由于其在语音信号处理、阵列信号处理、生物医学信号处理、移动通信及图象处理等领域的应用前景,越来越引起人们的关注,成为研究的热点。介绍一种基于四阶累积量的非高斯性最大化的ICA算法解决盲源分离的问题,并给出了该算法分离通信信号的计算机仿真结果,验证了算法的有效性。     

基于特征向量选择的非线性盲分离算法

在基于解广义特征方程的线性混合信号盲分离方法的基础上,结合核特征空间给出了一种基于特征选择的非线性混合信号盲分离算法。该算法首先将非线性混合信号映射到高维特征空间,根据适应度函数选出一组完备的特征向量基。其次,通过这组特征向量基将高维特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为特征空间的线性混合信号盲分离问题。在特征空间中,应用基于解广义特征方程的线性混合信号盲分离方法对信号进行分离。该方法稳定性好,收敛精度高,计算量小。仿真结果表明该算法具有良好的分离性能。     

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.     

Speed up ICA algorithm without loss of quality using DR-LCO algorithm

We introduce a new algorithm to speed up the ICA algorithm for blind source separation. In this technique, oscillations of the learning curve are first detected and then removed. This leads to making use of a larger step-size parameter and thus a faster ICA. Simulations results show that in average the proposed DR-LCO algorithm is at least three times faster than the ICA, while the quality of separated signals becomes even better.     

LMS coefficient filtering for Time-varying chirped signals

This paper presents coefficient filtering techniques in the least mean squares (LMS) algorithm to improve adaptive predictor tracking performance for time-varying chirped signals. The example application used in this paper is an electronic support measure (ESM) receiver for detecting radar chirped pulses. The leakage LMS, momentum LMS, and the proposed future-state coefficient (FC-LMS) filtering algorithms have been studied. The leakage LMS algorithm has the ability to remove the memory effect of the initial converged time-varying frequency of the chirped signal, thus improving the radar pulse detection performance. The momentum LMS is able to search for the time-varying optimum weight solution more efficiently, and the FC-LMS uses a parallel technique to retain the LMS throughput while being able to show a better tracking performance for chirped signals compared with the standard LMS algorithm.     

基于小波与独立分量分析的语音信号分离算法研究

混合语音信号的分离是盲源分离的重要内容,也是信号处理领域中的一个难题.对含噪声的混合信号采用小波滤波对信号进行去噪预处理,再采用基于信息极大分离算法提取信号的独立分量.实验结果表明,与传统的滤波方法相比,该算法在消除噪声的同时,对其他信号的细节几乎没有破坏,能够很好地分离频率相同或者相近的语音信号,而且去噪性能也比传统的滤波方法好.     

基于独立分量分析的雷达信号分选研究

独立分量分析是近几年来发展起来的一种有效的盲信源分离方法,可以根据输入源信号的基本统计特性,由观测数据进行信号分离,最终恢复出源信号。在深入分析ICA基本理论的基础上,本文将基于负熵最大化的FastICA算法应用于雷达信号分选。仿真试验表明,该算法应用于雷达信号分选可以获得比较好的分离效果。     

Online Algorithm of Blind Source Separation Based on Conjugate Gradient Method

A novel online algorithm is proposed for blind source separation based on the conjugate gradient method. The probability density function is first estimated using a Gram-Charlier expansion, and then the score function is calculated to form the algorithm. The conjugate gradient method is then used in the novel algorithm, and the line search method is applied to find the best learning rate. Simulation and comparison show the algorithm's ability to perform the separation even with an ill-conditioned mixed matrix.     

A Non-Linear Blind Source Separation Method Based on Perceptron Structure and Conjugate Gradient Algorithm

The linear mixing model has been considered previously in most of the researches which are devoted to the blind source separation (BSS) problem. In practice, a more realistic BSS mixing model should be the non-linear one. In this paper, we propose a non-linear BSS method, in which a two-layer perceptron network is employed as the separating system to separate sources from observed non-linear mixture signals. The learning rules for the parameters of the separating system are derived based on the minimum mutual information criterion with conjugate gradient algorithm. Instead of choosing a proper non-linear functions empirically, the adaptive kernel density estimation is used in order to estimate the probability density functions and their derivatives of the separated signals. As a result, the score function of the perceptron’s outputs can be estimated directly. Simulations show good performance of the proposed non-linear BSS algorithm.     

基于负熵准则的FastICA盲多用户检测的研究

该文给出了一种基于负熵准则的FastICA盲多用户检测方法。修改了FastICA算法中的非2次函数,引入4次幂函数,把基于负熵的非高斯性测度转化为信号峰度的形式,这样降低了计算量。同时,算法充分考虑了各个用户信号的统计独立性,在下行链路干扰用户的扩频码未知情况下,把目标用户的扩频码作为训练序列,并用于初始化FastICA算法的分离向量,使用随机梯度法进行优化计算,能够获得优异的符号估计性能。对算法的计算复杂度的分析可以看出,计算量随着接收数据长度和用户数的增加而增加。通过与传统匹配滤波器,MMSE检测算法比较,表明在同步CDMA信道中,MAI较低时算法检测性能与MMSE检测器的性能接近,随着MAI增加,算法的性能明显优于MMSE算法。     

Flexible Independent Component Analysis

This paper addresses an independent component analysis (ICA) learning algorithm with flexible nonlinearity, so named as flexible ICA, that is able to separate instantaneous mixtures of sub- and super-Gaussian source signals. In the framework of natural Riemannian gradient, we employ the parameterized generalized Gaussian density model for hypothesized source distributions. The nonlinear function in the flexible ICA algorithm is controlled by the Gaussian exponent according to the estimated kurtosis of demixing filter output. Computer simulation results and performance comparison with existing methods are presented.     

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。