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。     

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。     

AR模型地震信号的FUZZY分类

本文基于一种新的FUZZY聚类方法(FUZZY PFS聚类法)对地震信号作了分类试验,获得了良好的结果。首先对地震信号进行了AR模型拟合,模型系数构成了信号的特征集,再应用KL变换对特征集进行压缩,最后对信号作分类。     

基于矩阵差分的远场和近场混合源定位方法

混合源定位在无源雷达中发挥着重要作用。针对均匀圆阵下基于相位差方法的定位精度较低的问题,该文提出基于矩阵差分的远场和近场混合源定位方法。首先,利用二维多重信号(2-D MUSIC)分类方法估计出远场源的方位角和俯仰角;随后,利用协方差矩阵差分方法提取出近场源差分矩阵,通过改进的类旋转不变估计信号参数(ESPRIT-like)方法计算出近场源的方位角和俯仰角;进一步地,利用一维多重信号分类方法估计出近场源的距离;最后通过仿真实验对该文所提算法进行验证。该文所提算法在远场源和近场源角度相同的情况下能够有效地识别混合源,并且提高混合源参数估计精度。实验结果表明该算法在信噪比(SNR)为20 dB时,近场源的二维DOA估计误差接近0.01°,而近场源的距离误差接近0.1 m。      

一种多进制频移键控信号的调制与解调

讨论了一种多进制频移键控(MFSK)信号调制分类及解调的方法,选取截获接收机输出的MFSK信号的时频曲线作为分类特征;利用无监督聚类算法求取最佳聚类数M,利用时频曲线的变换估计码元宽度;利用对应最佳聚类数的聚类中心确定取判门限,通过对时频曲线抽判判决,实现了MFSK信号的解调。理论分析证明了此算法的可行性。     

一种改进的FSK信号调制分类方法

针对MFSK通信信号的分类问题进行了改进和分析。首先选取接收机输出的MFSK信号的时频脊线作为分类特征,然后针对无监督聚类算法中FCM算法对初始值敏感,易收敛至局部最优解的缺陷,提出了一种基于核的模糊C均值聚类算法来求取最佳聚类数M,提高了聚类精度。计算机仿真结果证实了所提方法的有效性和正确性。     

基于聚类算法实现信号盲分类

本文解决了信号处理、工业控制等领域存在的非平稳信号盲分类问题。在聚类中广泛应用的K-Means算法及其它基于中心的聚类算法有两个共同的缺陷-需要预先确定类数目且随机初始化中心引起性能不稳定。本文提出的算法较好地解决了这两个问题，提高了算法稳定性，实现了非平稳信号盲分类。提取非平稳信号的小波系数作为聚类的样本空间，分析聚类结果的统计偏差以估计类的数目，采用调和均值准则进行分类。最后给出的仿真结果表明本文提出的方法较传统的K-Means算法明显降低分类错误率。     

模糊C-均值(FCM)聚类法与矢量量化法相结合用于说话人识别

该文提出了一种将模糊C-均值聚类法与矢量量化法相结合进行说话人识别的方法。该算法将从语音信号中提取的 12阶 LPC(线性预测编码)倒谱系数作为待分类样本的 12个指标,先用矢量量化法求出每个说话人表征特征参数的码书,作为模糊聚类算法的聚类中心,最后将待识别的特征矢量以得到的码书为聚类中心,进行聚类识别。该算法所使用的特征参数较少,计算比较简单,但识别率较矢量量化法高。     

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。     

基于改进K-means聚类和霍夫变换的稀疏源混合矩阵盲估计算法

 混合矩阵的估计是稀疏源盲分离的关键组成部分,其估计精度直接影响到源信号的估计精度.本文首先针对K-means聚类算法依赖初始值选取的问题,将微分进化算法思想引入到K-means聚类算法中,提出了一种改进的K-means聚类算法.利用该算法,对稀疏源混合信号数据进行聚类,保证了聚类结果的鲁棒性.然后利用霍夫变换,对每一类数据的聚类中心进行修正,从而估计出混合矩阵,提高了混合矩阵的估计精度.仿真实验表明,相比于经典的稀疏源混合矩阵盲估计算法,本文算法具有更强的鲁棒性和更高的估计精度.     

基于方向性模糊C-means与K-means的混合矩阵估计方法

在信源数目未知的欠定盲源分离问题中,精确地估计混合矩阵是具有挑战性的问题。针对现有方法在病态条件下（某些混合向量的方向接近）不能准确估计信源数目、易受离群点干扰的不足,提出了一种基于方向性模糊C-means与K-means的混合矩阵估计方法。该方法首先通过方向性模糊C-means对观测信号进行预聚类,通过预聚类可以实现:1) 根据聚类有效性指标值的收敛点确定信源数目;2）根据隶属度矩阵排除离群点;3）确定K-means的初始聚类点。最后使用K-means并利用预聚类确定的信源数目及初始聚类点实现混合矩阵估计。仿真结果表明提出的方法具有更优的混合矩阵估计性能。      

A time-frequency blind separation method for underdetermined speech mixtures

The proposed Blind Source Separation method （BSS）, based on sparse representations, fuses time-frequency analysis and the clustering approach to separate underdetermined speech mixtures in the anechoic case regardless of the number of sources. The method remedies the insufficiency of the Degenerate Unmixing Estimation Technique （DUET） which assumes the number of sources a priori. In the proposed algorithm, the Short-Time Fourier Transform （STFT） is used to obtain the sparse representations, a clustering method called Unsupervised Robust C-Prototypes （URCP） which can accurately identify multiple clusters regardless of the number of them is adopted to replace the histogram-based technique in DUET, and the binary time-frequency masks are constructed to separate the mixtures. Experimental results indicate that the proposed method results in a substantial increase in the average Signal-to-Interference Ratio （SIR）, and maintains good speech quality in the separation results.     

自适应AP聚类算法及其在入侵检测中的应用

网络数据流量的增大对入侵检测系统的实时性提出了更高的要求,压缩训练数据可加快未知样本的分类处理速度。针对数据量过大造成压缩处理和聚类效率低下的难题,提出了一种改进的自适应AP（affinity propagation）聚类方法,采取直接关联与簇中心距离较近样本的方法,减少聚类样本数量,降低聚类时空消耗,并依据关联结果,不断调整聚类参数,精确聚类结果。2个网络安全数据集的应用结果表明,该方法可从大规模样本中有效聚出代表性子集,在保证准确率的前提下,提高入侵检测的实效性。     

距离决策下的模糊聚类集成模型

模糊聚类是近年来使用的一类性能较为优越的聚类算法,但该类算法对初始聚类中心敏感且对边界样本的聚类结果不够准确。为了提高聚类准确性、稳定性,该文通过联合多个模糊聚类结果,提出一种距离决策下的模糊聚类集成模型。首先,利用模糊C均值(FCM)算法对数据样本进行多次聚类,得到相应的隶属度矩阵。然后,提出一种新的距离决策方法,充分利用得到的隶属度关系构建一个累积距离矩阵。最后,将距离矩阵引入密度峰值(DP)算法中,利用改进的DP算法进行聚类集成以获取最终聚类结果。在UCI机器学习库中选择9个数据集进行测试,实验结果表明,相比经典的聚类集成模型,该文提出的聚类集成模型效果更佳。     

分簇无线传感器网络节能的信号源数目估计

In view of the characteristic of the energy constraint of the wireless sensor networks, a method is proposed for the estimation of the number of signal sources in wireless sensor networks, which is based on clustering and decision-level data fusion. And a new cluster head selection algorithm based upon nodes’ residual energy is proposed. In the method proposed in this paper, the first is to divide the sensor networks into clusters with each cluster independently working on the estimation of the number of signal sources so as to generate the final results. Secondly, the results from each cluster at the fusion center are fused to obtain the estimates of the number of signal sources. The simulation results demonstrate that the methods of estimating the number of signal sources and cluster head selection algorithm proposed in this paper can efficiently reduce energy consumption for network transmission, and increase network life on the premise that the reliability of the estimation is ensured.      

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路:改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS):首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

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。     

基于相位旋转的高阶多路MPSK信号的盲分离

本文针对高阶多路混合MPSK信号的盲分离问题,分析了MPSK接收信号的特性,给出了源信号个数估计定理,在对观测信号进行删余预处理后,利用改进的混合聚类算法估计出源信号数目,然后提出了一种相位旋转算法,消除接收信号中的公共因子,去除相位角不趋于零的元素,将高阶多路MPSK信号盲分离转化为BPSK信号盲分离,利用BPSK盲分离算法即可实现多路MPSK信号的盲分离.仿真结果验证了该算法的有效性.