基于小波域的非平稳卷积混合 语音信号的自适应盲分离

一些卷积混合信号的盲分离算法是迭代性的，不适于实时应用．为此提出一种基于小波域的算法，用于卷积混合信号的自适应盲分离．对基于小波域的算法进行仿真，并与频域盲信号分离算法进行对比，结果表明所提出的算法能提高盲信号分离的性能。     

一种基于后非线性盲分离的图像解混技术研究

文中将一种后非线性盲分离算法应用于图像解混,该算法不需要额外的附加源信号信息,实现了非线性混合图像的全盲分离.首先,对后非线性混合模型进行微分变换,形成如同线性瞬时混合模型的形式,经论证源信号的微分形式仍保留了源信号的统计特性,达到简化的目的;其次,依据信号的相关特性来建立相应的目标函数及其递推方式,实现盲信号分离目的;最后,通过仿真试验来验证文中算法的有效性、可行性.实验证明,所采用的算法计算量小、收敛速度快、分离指标高,实现了混合图像的全盲分离,扩大了盲分离算法在图像解混技术中的应用范围及影响.     

基于最小二乘方的语音信号实时盲分离

研究语音信号盲分离的实时算法.盲信号分离技术在视频会议系统、语音信号预处理以及生物医学信号处理中都得到广泛应用.在本文中,利用最小二乘方原理并结合语音信号非平稳的特点,对混合语音信号进行实时分离.实验结果表明,基于最小二乘方的算法是非常有效的实时盲信号分离算法.     

盲信号分离技术研究与算法综述

盲信号分离技术是从接收信号中恢复未知源信号的有效方法,已经成为神经网络和信号处理等领域新的研究热点。首先介绍盲信号分离的发展状况,然后在介绍了盲信号分离的线性瞬时模型、线性卷积模型和非线性模型的基础上,对相应模型求解算法的基本原理、特点进行了阐述,接着还对与盲信号分离紧密相关的盲信号抽取技术进行了综述,最后指出盲信号分离技术的研究方向和广阔的应用前景。     

基于小波变换的图像盲分离

以图像盲分离为背景,给出如何在小波变换下对盲源图像进行快速独立分量分析.通过探讨小波域中算法的的收敛特性,证实了小波域中算法能完美实现分离的原因,并通过实验验证了算法的有效性.     

一种改进牛顿法的盲源分离算法

针对盲信号分离中超高斯信号亚高斯信号混叠难以分离的问题,提出一种基于改进牛顿法的盲源分离算法.该方法引入开关准则,利用随机变量的峭度来区分信号的类型,不同的信号选择不同的非线性函数,通过牛顿迭代方法求出分离矩阵,实现同时含有超高斯信号和亚高斯信号的杂系混合信号的盲源分离.仿真实验表明了该方法计算量小,易于实现,对于杂系...     

基于盲信号分离的混合气体分析

结合盲信号分离算法和热催化传感器特性,对混合气体进行分析,讨论了混合气体分析的盲可分离性,并使用基于峭度的盲信号分离算法对CH4和CO的混合气体进行分析和验证。实验结果表明,此方法无须预先假设源信号的概率密度函数(PDF),可在学习过程中直接判断信号的PDF并进行分离,提高了混合气体分析的可行性,实验结果为CH4的测量误差为4.27%,CO的测量误差为3.51%。     

基于递阶遗传算法的未知源信号个数盲信号分离

为了解决在没有源信号个数信息条件下的盲信号分离问题,设计了一种基于递阶遗传算法的盲信号分离算法。用控制层、参数层分别表示分离阵有效行数和有效行数的具体数值,将非高斯性作为随机信号相互独立的度量,通过寻求观测信号的一个线性组合,使其峭度最大化或最小化来分离独立分量。计算机仿真验证了所提算法的有效性,对未知源个数盲信号处理有一定的指导意义。     

基于稀疏性盲源信号估计算法研究

随着欠定盲信号分离技术的日益发展,在独立分量分析的基础上发展出来许多新的算法,本文介绍了基于稀疏性的欠定盲源分离技术,其解决了欠定情况下的源信号估计问题。     

基于curvelet变换和独立分量分析的含噪盲源分离

独立分量分析（ICA）是基于信号高阶统计量的盲源分离方法,在高阶统计量方法中,由于高斯信号的高阶累计量为零,所以系统存在加性高斯噪声时就难以处理。提出了一种基于curvelet阈值去噪和FastICA算法的含噪信号盲分离的方法,并对高斯噪声环境下的混合图像进行了盲分离的仿真。结果表明,该方法能很好地解决由于存在加性高斯噪声而导致经典ICA算法性能发生严重恶化的问题;同时将curvelet变换去噪应用于含噪图像的盲源分离中,可以提高混合图像的信噪比,相对于小波去噪后的ICA算法,其分离性能有很大改善。     

基于盲源分离的超声信号去噪的仿真研究

提出一种新的基于盲源分离的超声信号去噪方法.为了验证去噪方法的有效性,应用此方法处理了仿真的超声信号,并与小波去噪的效果进行了比较.实验结果表明:该去噪方法能极大提高超声信号的信噪比,且其效果能与小波去噪方法相媲美,其特点是通过超声信号和噪声信号的盲源分离实现噪声消除.     

去除漏磁信号中系统噪声的小波系数去噪方法

漏磁无损检测普遍用于铁磁材料的无损检测中,是近年来输油管道检测中常用的一种有效方法。研究了输油管道检测中漏磁信号的去噪问题,由于漏磁信号被多种噪声源所污染,极大地降低了漏磁信号中缺陷信号的可检测性。通过利用小波系数去噪, 提出一种去除漏磁信号中系统噪声的新方法。实验结果说明:该方法的去噪效果优于传统的小波去噪方法。     

基于改进阈值函数的分数阶小波电能信号去噪

为了消除电力系统中噪声对电能质量扰动信号的影响,且能保留突变点信息,提出了一种基于改进阈值函数的分数阶小波电能质量扰动信号去噪方法.该方法采用离散分数阶小波变换对含噪信号进行多尺度分解,并根据信号和噪声在不同尺度上的分数阶小波域系数的分布特点,通过改进阈值函数对各层系数进行处理,将处理后的系数进行重构得到去噪后的信号.仿真结果表明,该方法弥补了软、硬阈值函数的缺点,能较好地去除噪声并保留突变点信息,且提高了输出信噪比.     

基于自适应阈值的脑电信号去噪方法

脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。     

基于奇异值差分谱分析和蚁群算法的小波阈值降噪

针对传统小波阈值去噪阈值选取的问题,将奇异值差分谱的方法与蚁群算法相结合运用到小波阈值降噪中,提出一种小波系数双阈值寻优方法.首先将待处理含噪信号进行多尺度小波分解;之后根据每级信号小波系数的奇异值差分谱分析得到寻优的目标函数;然后根据目标函数利用蚁群算法在每级的小波系数上进行阈值寻优;最后重构经过最优阈值量化规则处理的小波系数得到降噪信号.通过对仿真信号的降噪处理表明本方法对不同特点信号的降噪效果要好于传统阈值降噪方法;对滚动轴承以及深沟球轴承的振动故障信号的降噪处理验证了方法的可行性和适用性.     

基于阈值的小波域语音降噪新算法

提出了一种新的基于阈值的小波域语音降噪算法。采用小波包对含噪语音进行分解，克服了传统的正交小波变换的缺陷。采用自适应阈值的方法，对每一尺度上的噪声最大量进行去噪，保留有用信号，可以进一步提高信噪比，仿真实验表明，该方法有更好的去噪效果。     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

小波变换结合盲源分离的EEG情感识别

由于脑电信号独立源数目的不确定性以及其他噪声的干扰,使得采集的脑电信号各导信号之间产生串扰、源信号难以估计以及噪声混杂等问题,严重影响了对脑电信号的分析研究。将小波变换与盲源分离算法相结合,并对盲源分离算法中维格纳分布存在的交叉项干扰现象进行重排处理。主要思路是首先将每一导信号进行小波变换,提取出特征波β波,然后对这些β波信号进行基于重排光滑伪维格纳分布的盲源分离,分离出关联性极大的β波成分。实验结果表明,所用方法分离出了各导信号中关联性大的脑电信号成分,并在一定程度上解决了源信号难以估计等问题,使识别结果有明显的提升。     

一种基于清浊音分离的动态阈值小波去噪方法

低信噪比下,传统的小波去噪算法会造成语音信号中有用信息的损失,从而导致去噪性能的下降。针对这一问题,提出了一种基于清浊音分离的动态阈值小波去噪方法。采用谱减法去除部分噪声,再运用短时能量法判别清浊音,有效地降低了误判率;融入了小波包分解法以保护清音部分不被损失;根据各层的分解系数来动态地确定阈值,以避免过平滑真实信号;采用了一种新的阈值函数,有效弥补了软、硬阈值函数在去噪性能上的不足。仿真结果表明,该方法能较好地提高语音信号的重构质量。     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。