基于最小均方误差和稀疏特征的欠定盲源分离

针对欠定条件下的盲源分离问题,即观测信号个数小于信源个数的情况,提出了一种基于最小均方误差和稀疏特征的算法．首先,利用变换后信源的稀疏特征,采用一新的势函数通过聚类算法估计混叠矩阵．然后利用混叠矩阵和信源自身的相关性,通过寻找信源在聚类方向时间点上的精确值,以均方误差最小为准则寻找最佳分离矩阵实现信源的分离,克服了传统的分离算法在寻找最佳分离子矩阵方面的缺点．仿真结果显示使用该方法分离的信号具有更高的信噪比,和其他同类方法相比具有更优越的分离性能．     

基于最小均方误差和稀疏特征的欠定盲源分离

针对欠定条件下的盲源分离问题,即观测信号个数小于信源个数的情况,提出了一种基于最小均方误差和稀疏特征的算法.首先,利用变换后信源的稀疏特征,采用一新的势函数通过聚类算法估计混叠矩阵.然后利用混叠矩阵和信源自身的相关性,通过寻找信源在聚类方向时间点上的精确值,以均方误差最小为准则寻找最佳分离矩阵实现信源的分离,克服了传统的分离算法在寻找最佳分离子矩阵方面的缺点.仿真结果显示使用该方法分离的信号具有更高的信噪比,和其他同类方法相比具有更优越的分离性能.     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

盲稀疏源信号分离算法的恢复性研究

基于一种两步稀疏表示的方法,利用随机框架讨论欠定盲源分离的恢复能力.盲稀疏源信号分离算法一般假设源信号是充分稀疏的,讨论了在源信号不充分稀疏的情况下欠定盲源分离的恢复能力的概率估计,进一步刻画了源的稀疏性与恢复能力的关系,揭示了利用两步法处理盲源分离问题的有效性.     

基于相似度检测的欠定混合矩阵盲估计

针对现有欠定盲分离混合矩阵估计方法中存在的估计精度低以及时间复杂度高等缺点,提出一种基于相似度检测的欠定混合矩阵估计方法.该方法能够在没有任何先验信息的条件下自适应地估计出源信号数目以及混合矩阵,而且不需要进行迭代,时间复杂度低.仿真结果表明,与现有的一些混合矩阵估计方法,如改进K-均值聚类法和拉普拉斯势函数法相比,所提出的方法在源信号数目估计准确率、混合矩阵估计精度以及时间复杂度等方面都具有明显优势.     

基于欠定盲源分离理论与深度学习的声音样本集获取与分类方法

针对现有盲源分离算法在单一传感器条件下分类精度不足的问题,首先提出了一种K-DPC聚类新型欠定盲源分离算法,得到了混合噪声信号中的各声源信号分量,构建了独立声源信号库;借助k-UBSS算法中的混合估计矩阵,提出了一种利用独立声源信号库获得大量混合时频谱图的方法,最后分别通过VGGNet-16和Res Net-50模型进行训练,实现了混合声音信号的分类。对比测试结果表明:k-UBSS算法的偏角差均小于2,归一化均方误差达-38. 372,较现有K-means和DPC算法的精度有很高提升,VGGNet-16和Res Net-50分类准确率分别可达到93. 75%和99. 2%。仿真结果验证了K-UBSS算法的准确性,以及混合时频谱图获取方法的可行性,实现了单一传感器下源声音信号的快速分类。采用该算法能有效解决深度学习时样本不足的问题,并对噪声采集和治理具有重要意义。     

基于KR积的稀疏重构近场源定位

针对声源数多于阵元数的近场信源定位问题,该文提出一种基于Khatri-Rao（KR）积的稀疏重构近场源定位方法。该方法首先假设信号是准平稳的,然后通过KR积得到虚拟阵列结构,增加了阵列的自由度;接着在虚拟阵列结构下对虚拟信号进行稀疏表示,最后通过l₁范数约束得到声源的空间谱估计。仿真表明,此稀疏重构定位方法可以实现信源定位的欠定估计,且性能优于基于KR积的子空间方法。     

一种改进的势函数欠定盲源分离算法

针对原有的拉普拉斯混合模型势函数法复杂度高、随机选取部分观测数据点作为初始聚类中心的算法聚类结果不稳定、准确率低的问题,提出了一种改进的势函数欠定盲源分离算法．该算法在基于密度概念的基础上,以簇内距离小、簇间距离大为原则,选取部分高密度点作为势函数的初始聚类中心．理论分析与仿真实验表明,改进算法的复杂度大大降低,而估计准确度降低很少．在信噪比为10dB时,该算法仿真时间降为原始势函数法的5％;相对随机选取算法,在计算复杂度基本一致的前提下,该算法的估计准确度大大提高,源信号个数估计准确率由61％提高到85％,混合矩阵估计误差由0.47下降为0.27．     

跳频信号的欠定盲源分离

针对跳频信号的欠定盲源分离,为了解决现有的时频域方法中算法计算量大、信号存在畸变、恢复精度不高的问题,提出了一种基于滤波的跳频信号欠定盲分离算法. 该算法首先根据估计到的源信号载频设计带通滤波器,利用这些滤波器对观察信号进行滤波,得到只包含某一个源信号的观测信号分量,使原分离问题分为数个时域上稀疏的欠定盲分离问题,然后对各个分量在时域上分别应用欠定盲源分离算法估计每跳数据. 通过仿真对比发现,所提的滤波法得到的跳频信号更精确,信干比比时频域方法大4dB;同时所提算法处理的数据量小,计算复杂度低.     

多基阵声测被动定位及定位精度分析

提出了一种多阵声测被动定位方法并给出了其性能分析。该方法采用单个阵估计声源方位和阵与阵间相应传声器时延的方法进行声源定位，充分利用多阵之间信号的相干特性；研究了在不同的阵间信号相干系数下的声源定位及定位精度的克拉美-罗下界。仿真表明：利用阵间相干信息的定位方法，其定位精度明显优于不利用阵间相干信息的方法；既使相干系数很小，也可明显地改善定位精度。     

部分W-分离正交语音信号的盲分离方法

在W-分离正交性假设的语音盲分离方法中,由于没有考虑多个源信号同时存在的情况,导致分离信号中不可避免地存在音乐噪声。针对这种部分W-分离正交情况,提出了基于信道估计的语音盲分离方法。该方法先检测只有一个源信号存在的时频点并进行归一化处理,使得处理后的结果与频率无关,克服了W-分离正交性假设的不足以及频率置换问题,通过K-means聚类估计出信道,再结合信号子空间方法重构源信号。仿真结果表明,提出的方法可以有效减少分离语音中的音乐噪声,与典型的时频二元掩蔽方法相比,其平均信号失真比提高3.02dB,同时平均信干比提高4.61dB。     

一种基于AR模型的非线性盲源提取方法及其应用

针对非线性盲源分离中非线性问题转化为线性问题,提出了一种基于AR模型的新方法。该方法在已知源信号的AR模型前提下,不但能够处理源信号的分离问题,还能够提取特定源信号,而后者是原来方法不具备的。从语音信号的非线性混合中提取源信号的仿真实验证实了该算法的有效性。     

间歇自适应RLS算法

针对滤波－ＸＬＭＳ算法收敛速度慢，宽带消声效果差的缺点，本文提出间歇自适应ＲＬＳ算法，通过计算机仿真及数字信号处理硬件分析，表明：该算法兼有收敛速度快，宽带消声效果好，以及运算量相对较小的优点．     

基于时频独立分量分析的Wigner-Ville分布交叉项消除法

由于信号混合引起的交叉项严重降低了Wigner-Ville分布的时频分辨率，为此提出一种基于独立分量分析的Wigner-Ville分布交叉干扰项消除法.在无须了解信号混合系数的情况下，通过盲源分离法提取各独立分量信号，给出盲源分离结果不确定的解决方法.建立了包含自项与交叉项的时频分布矩阵，利用时频分布矩阵的联合对角化算法消除独立分量信号之间的交叉干扰项.通过独立分量自项求和重构Wigner-Ville分布，重构的Wigner-Ville分布具有良好的时频分辨率.数值仿真结果验证了算法的有效性.     

掩蔽声系统的研究与开发

针对综合办公室的敞开式布局,使相邻工作单元之间存在着相互干扰和谈话保密性差等问题,依据声掩蔽效应理论和产生伪随机信号的递椎理论,提出了利用单片机和微电子技术开发新的掩蔽声源及其系统的方法．结果表明,该掩蔽声系统可消除噪声干扰,达到语音保密的目的．     

An efficient equivariant adaptive separation via independence algorithm for acoustical source separation and identification

To balance the convergence rate and steady-state error of blind source separation (BSS) algorithms, an efficient equivariant adaptive separation via independence (Efficient EASI) algorithm is proposed based on separating indicator, which was derived from the convergence condition of EASI, and can be used to evaluate the separation degree of separated signals. Furthermore, a nonlinear monotone increasing function between suitable step sizes and separating indicator is constructed to adaptively adjust step sizes, and forgetting factor is employed to weaken effects of data at the initial stage. Numerical case studies and experimental studies on a test bed with shell structures are provided to validate the efficiency improvement of the proposed method. This study can benefit for vibration & acoustic monitoring and control, and machinery condition monitoring and fault diagnosis.     

DEBBSS信号源盲分离算法的研究

在基于人工神经网络的信号源盲分离算法中,普遍需要使用通过源信号的概率密度函数定义的评价函数（score function）作为网络的激活函数（Activation function）.由于信号源未知,因此无法获得有关评价函数的信息,传统的方法是利用某些特定的非线性函数来替代源信号的评价函数.这种利用非线性函数替代源信号评价函数的方法能够成功地实现同系混合（homogeneous mixture）信号的盲分离,但都不能分离杂系混合（hybrid mixture）信号.文献[1]利用非参数法概率密度函数估计的核函数方法,通过对源信号评价函数的直接估计,提出了一种基于概率密度函数估计的DEBBBS算法,成功地解决了非线性函数替代方法存在的不能分离杂系混合信号的问题.笔者通过数值仿真,比较了DEBBBS算法与著名的EASI算法,证明新算法分离杂系混合信号的有效性.同时,也进一步将DEBBSS算法与同样能够分离杂系混合信号的EXTICA算法进行了比较,计算机仿真过程证明,即使与同样能够分离杂系混合信号的EXTICA算法相比,DEBBSS算法在算法的有效性和稳定性方面也表现出优异的性能.     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．