Lagrange优化前馈神经网络盲多用户检测算法

提出了一种前馈神经网络盲多用户检测算法.该算法利用恒模准则构造了一个代价函数,给出了该算法的约束条件.利用增广Lagrange函数方法对带约束的代价函数进行优化求解,获得前馈神经网络网络权值和参数的迭代公式,从而实现了盲多用户检测.利用计算机对增广Lagrange函数优化的前馈神经网络盲多用户检测算法进行仿真.仿真结果表明,新算法具有较好的误码率及收敛特性等性能.     

基于自组织神经网络的非平稳信号盲分离

针对具有二阶非平稳特性的源信号盲分离问题,提出一种基于自组织神经网络的在线盲源分离新算法.利用自组织神经网络构建一种多层盲分离网络模型,以网络输出层信号的相关性为代价函数,采用自然梯度原理对网络参数进行学习,最小化该代价函数从而实现信号分离.将多层自组织神经网络和自然梯度原理相结合,提高了分离算法的灵活性和性能.最后将该算法与其他算法进行了仿真对比,仿真结果表明该算法具有较好的收敛精度及稳定性.     

Fast ICA算法在语音信号盲分离中的应用

盲信号处理算法主要有批处理算法和自适应算法两类,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(joint approximative diagonalization of eigenmatrix,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.     

基于偏度的低空目标声信号盲抽取算法

针对盲源分离信号顺序的不确定性以及基于峭度的盲抽取算法运算量大的问题,本文提出一种基于偏度的低空目标声信号盲抽取算法.该算法利用偏度的非对称性,将其作为信号非高斯性的度量,抽取出的信号可以按偏度绝对值的降序排列.与基于峭度的盲抽取算法相比,该算法大大减小了运算量,同时具有较好的分离效果,且对于噪声具有鲁棒性.声音信号及...     

一种采用径向基神经网络的盲源分离算法

针对传统盲源分离算法的计算复杂问题,提出一种基于径向基(RBF)神经网络盲源分离算法,用K均值聚类算法对中心值和宽度值进行确定,用最大熵为代价函数来确定权值,所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离.仿真中,用于对线性混合信号进行盲源分离,并与最大熵(ME)算法进行比较.结果表明,盲源分离算法能减少分离时间和提高分离效率,并且能大大降低计算量,比ME算法更好.     

基于神经网络的含噪动态源分离算法

针对含噪声且源信号数目动态变化条件下的混合信号分离问题进行了研究,提出了一种新型在线盲源分离算法,该算法包括两部分:一是基于最小描述长度(MDL)的动态源数目估计算法,该算法能实时精确地估计出瞬时源数目;另一个是基于偏差去除的变步长神经网络算法,该算法采用前馈神经网络结构,在学习准则中加入了相应于噪声的偏差去除项,并在此基础上给出了变步长策略。仿真实验表明,新型算法在含噪静态源和动态源中都具有优异的分离性能,并且优于现存的针对动态源的盲源分离算法。     

具有参考噪声源的多路传感器信号盲分离方法

在多路传感器信号处理系统中常常存在着信号间的相互串扰,这影响了高质量的传感器信号输出.针对这个问题,基于具有自适应噪声去除(ANC)的盲分离方法(BSS)应用到多传感器信号的分离中去.这种方法的使用可以提高分离系统固有的稳定性和快速收敛性.在多路传感器信号的盲分离算法中,采用基于自然梯度下降算法(NG)来调整前馈网络的权参数,同时分别使用经典的最小均方法(LMS)和梯度下降法来进行自适应的卷积噪声的消除.计算机模拟实验收敛后的结果表明经过4000次迭代,3路输入信号的多传感器系统在大约-20dB成功分离,与传统的LMS方法相比,采用梯度下降法进行自适应消除有更快的收敛速度和更好的分离效果.     

语音增强的计算机仿真

研究关于盲源分离的特征向量分离算法在语音增强的应用,传统的方法对混合的语音信号很难进行有效的分离,而在实际中很多场合都需要对语音信号进行增强.为消除噪音,提高清晰度,使用的盲源分离算法却正能实现传统方法难以实现的技术.运用一种盲源分离的特征向量分离算法来进行语音增强,并且对实际的两个语音信号运用该算法进行了混合语音信号的分离增强实验,利用MATLLAB软件对混合语音信号进行了盲源分离的特征向量分离算法的仿真,可从混合语音信号分离出了两个原始语音信号.证明了盲源分离算法应用于语音分离的可行性,为盲源分离应用于语音增强提供了参考依据.     

基于决策图贝叶斯的盲源信号分离算法

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题。提出了一种基于决策图贝叶斯的盲源信号分离算法,该算法利用决策图贝叶斯优化算法代替JADE算法中的联合对角化操作,通过构造和学习网络来替代传统遗传算法中的交叉重组和变异等遗传算子,避免了对大量控制参数和遗传算子的人工选择和重要构造块的破坏。仿真结果表明,提出的算法比JADE算法和基于遗传算法的盲源信号分离方法均具有更高的分离精度。     

一种应用于水声目标检测的盲源分离算法

提出了一种新的盲源分离方法.该方法基于独立分量(ICA)理论,可以有效去除噪声,提高目标检测的性能.针对在盲源分离中噪声消除比较困难这一问题,利用水声信号半盲的特点,引入了虚拟信号的概念.通过添加虚拟信号,成功地分离了混合信号.高斯噪声和K分布噪声的仿真表明,该算法在强背景噪声下较匹配滤波算法有明显的检测优势.