基于两步法稀疏分量分析的欠定盲源分离

分析了解决欠定盲源分离问题的稀疏分量分析方法。首先讨论了数据矩阵稀疏表示（分解）的方法,其次重点讨论了基于稀疏因式分解方法的盲源分离。该盲源分离技术分两步．一步是估计混合矩阵,第二步是估计源矩阵。如源信号是高度稀疏的,盲分离可直接在时域内实现。否则．对观测的混合矩阵运用小波包变换预处理后才能进行。仿真结果证明了理论分析的正确性。     

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ICA的雷达信号欠定盲分离算法

该文针对源信号时域和频域不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵的一种新方法。该方法对等间隔分段的观测信号应用独立分量分析(ICA)的盲分离算法获得多个子混合矩阵,然后对其分选剔除了不属于原混合矩阵的元素,最后利用C均值聚类的学习算法获得对混合矩阵的精确估计,解决了源信号在时域和频域不充分稀疏的情况下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用基于稀疏分解的统计量算法分离出源信号。由仿真结果,以及与传统的K均值聚类,时域检索平均算法对比的实验结果说明了该文算法的有效性和鲁棒性。     

弱稀疏语音信号的欠定盲分离

为解决弱稀疏语音信号的欠定盲分离问题,根据语音信号的部分W-分离正交性,提出一种基于单源主导区间的混合矩阵盲估计方法。该方法根据单源主导区间的性质,通过二元行矢量提取单源观测样本,对单源观测样本进行K均值聚类和主成分分析来估计混合矩阵。仿真结果表明,提出的方法可有效提高分离语音的性能,与直接利用K-PCA方法相比,分离语音的平均信噪比提高了10 dB左右。     

基于比率矩阵聚类的欠定盲分离算法

利用稀疏分量的直线聚类性,提出了欠定盲源分离中估计混合矩阵的一种方法。该方法通过构造比率矩阵对观测信号进行分选,剔除了源信号频谱重叠的部分,然后利用鲁棒竞争的聚类学习算法获得对混合矩阵的精确估计,解决了源信号在频域不充分稀疏的条件下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用最短路径法分离出源信号。由仿真结果可以看出,与传统的K均值估计混合矩阵的方法相比,方法具有更好的鲁棒性。     

源信号空间分布对欠定盲源分离可辨识性影响的分析

本文主要研究了欠定盲源分离中源信号的空间分布对系统可辨识性的影响。从系统可辨识性问题出发,对瞬时欠定盲源分离问题进行空间建模,理论分析表明,当源信号在空间处在某些特定区域时,系统是不可辨识的,从而无法正确实现欠定盲源分离。利用混合矩阵估计的克拉美罗界,进一步明确了影响系统可辨识性的源信号空间分布区域。仿真实验验证了理论分析的正确性。     

基于拉普拉斯势函数的欠定盲分离中源数的估计

本文提出了一种新的欠定盲源分离中源信号个数的估计算法,利用稀疏混合信号的特征,引入拉普拉斯势函数,并采用聚类算法来估计其局部最大值,由此得到源信号的个数估计.所提出的算法具有较好的抗噪声性能,对信号的稀疏度要求低.仿真实验结果说明了该算法的有效性.     

一种鲁棒的病态混叠信号欠定盲源分离算法

噪声环境下的病态混叠信号具有较强的空间复共线性,因此基于聚类的稀疏分量分析(SCA)方法难以在欠定条件下对其进行有效的分离。针对这一问题,该文首先建立了噪声环境下病态混叠信号欠定盲源分离问题的数学模型,分析了基于线性聚类的SCA方法在解决该问题时的局限性,提出了一种基于SCA和非正交联合对角化(NJD)的分离算法,该方法利用NJD不要求混叠矩阵为酉矩阵的特性,较好地解决了欠定盲源分离中的病态混叠问题。仿真实验表明,该方法在信号分离效果、噪声鲁棒性以及病态混叠鲁棒性上都明显优于基于启发式聚类粒子群优化的(CGPSO)的SCA方法。     

采用互补滤波器组进行频带分解的欠定盲源分离方法

为了有效估计混合矩阵并恢复出源信号,考虑到现实中的很多信号都是带限信号,提出了采用互补滤波器组进行频带分解的欠定盲源分离方法.该方法将接收的混合信号经互补滤波器组分离到不同的子频带,然后在每一个子频带分别估计混合矩阵进行常规的盲分离,利用聚类分析方法估计总的混合矩阵,最后把相关的分离子频带信号进行叠加以恢复出源信号.即...     

基于稀疏分量分析的振动信号源识别方法

振动传感器接收的信号往往包含不同部件的振动信号和环境噪声,为了从少量振动传感器的接收信号中识别信号源数和各频率分量,提出了一种基于稀疏分量分析的欠定盲源分离方法。该方法首先对混合信号进行时频变换,通过主成分分析提取各个时频点邻域的局部主成分,筛选出单源域特征数据。然后利用余弦距离改进聚类验证技术与模糊聚类算法,对振动源个数进行识别、对聚类参数进行更新,获得信号源数和混合矩阵估计。最后用一系列最小二乘法从混合信号对应的时频点中抽取出源信号。通过仿真实验和实测数据实验验证了本文方法的有效性和稳健性,相比经典时频比方法得到了更稳健、更精确的分离结果,这有助于对机械振动源进行识别和定量评估,以方便后续进行机械状态监测和减振降噪处理。      

旋转变换和欠定盲分离的DUET算法

DUET是采用时频掩码求解欠定问题的著名算法.本文讨论旋转变换对DUET算法的影响,提出了一个改进的DUET算法.该算法利用混叠矩阵的任意两列作为旋转矩阵,先旋转接收信号和混叠矩阵,后执行DUET算法.因为DUET算法在不同的旋转变换下有不同的结果,所以需要将这些结果相加,以弥补DUET算法的失真.最后,几个语音信号的实验结果显示算法的性能和实用.     

盲源分离和盲反卷积

盲信号处理是信号处理领域的热点研究问题,盲源分离和盲反卷积是盲信号处理的重要组成部分近年来取得许多重要进展.本文主要介绍盲源分离和盲反卷积的基本模型、数学原理和研究进展;分析了各种方法的特点并指出了进一步的研究方向.     

基于频域单源区间的具有延迟的欠定盲分离

本文研究如何分离具有延迟而无回波的混叠信号.提出了欠定情况(即感知器少于源信号)下具有时间延迟的信道估计算法,称为单源区间衰减和延迟恢复(AD-MRISSI)算法;它在理论上能无偏差地估计信道,在应用中能准确地估计延迟和精确地估计衰减.也提出了一个基于稀疏原则的源信号重建算法,能避免Bofill算法中的求解二阶锥规划问题.几个语音信号实验展示了其有效性和实用性.     

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。     

基于K-均值聚类和势函数法的欠定盲分离

K-均值聚类法能估计出观测信号聚类直线方向,利用主成分分析(PCA)提取主成分,可以提高直线估计的精准度和鲁棒性.在此思想的指导下,本文提出基于K-均值聚类的势函数法.势函数度量了聚类中心与所有观测点的距离,对势函数求导得到更新聚类中心的迭代公式,利用该公式对K-均值聚类法得到的聚类中心进行调整得到精估计.该算法计算量较小,能有效估计出混合矩阵.仿真实验验证了算法的有效性.     

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。     

盲源分离中的非高斯性极大准则

盲源分离是试图从给定的一组混合观察数据中恢复未知的独立信号源。介绍了盲源分离常用的独立性度量准则之一——非高斯性极大准则，并阐明了其在盲源分离中的应用原理。