一种改进的自适应混合神经网络盲分离算法

传统的前馈神经网络盲源分离算法由于步长固定存在许多缺点,而基于Sigmoid函数的自适应步长算法虽然能够克服固定步长算法的缺陷,但其稳态性能较差。针对这个问题,提出一种改进的自适应步长算法,该算法可灵活地控制步长因子函数的形状,在近零点处变化较Sigmoid函数更加缓慢,性能更加优越;同时针对前馈神经网络的不足,在前馈神经网络结构中引入递归结构,利用改进的自适应步长算法控制学习速率。仿真分析表明该算法具有更快的分离速度和更加优越的分离效果。     

稀疏盲源信号分离的新算法

针对以往通常采用线性规划或最短路径法计算相对复杂这一稀疏盲信号分离瓶颈,提出了一种新的算法,通过方向投影合理设置迭代初始值,结合最速下降法寻优估计源信号。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。     

超定条件下的盲信号提取算法

基于信号峭度理论,提出一种超定条件下的盲信号提取算法。该算法将混合矩阵辨识转化为一系列Givens矩阵辨识,从观察信号中一次提取出一个源信号。对于超定盲信号分离问题,待未知所有独立分量分离出后,余下分量可以看作是一个或多个独立分量的拷贝,是冗余信号。在算法运行结束后,所有源信号分离出,实现超定盲信号分离。该算法计算简单,收敛性好。计算机仿真试验验证了算法的有效性。     

单传感器中两路同频调幅信号的盲分离算法

首先描述了同频调幅信号的射频多相位混叠模型,提出了一种多相位映射的新方法。该方法可以在单载频单传感器情况下实现至多两路信号混叠矩阵的重建,然后采用独立分量分析的相关算法实现了信号的盲分离。仿真结果表明：本算法不仅能解决两路混叠调幅信号的分离问题,而且能有效地抑制带通强噪声干扰。实验中被带通噪声完全淹没的信号最终的分离信噪比均值达到50dB。     

基于自然梯度的盲分离算法混合气体分析

结合盲分离算法和热催化传感器特性,对混合气体进行分离,讨论了混合气体分析的盲可分离性.使用一个热催化传感器,引用自然梯度的盲分离算法对CH4和CO的混合气体进行分析和验证.实验结果表明,此方法可有效地分析CH4和CO的浓度,提高了分析精度.     

基于自然梯度的盲分离算法的混合气体分析

结合盲分离算法和热催化传感器特性,对混合气体进行分离,讨论了混合气体分析的盲可分离性。使用一个热催化传感器,引用自然梯度的盲分离算法对CH4和CO的混合气体进行分析和验证。实验结果表明,此方法可有效地分析CH4和CO的浓度,提高了分析精度。     

盲源信号分离EASI算法研究与改进

研究EASI算法,以串音误差为衡量盲源信号分离效果的指标,给出EASI算法的仿真结果及性能分析。验证EASI算法的有效性,总结EASI算法应用于盲信号分离的优点与不足,并提出利用模拟退火策略有效地结合两种步长的优点,在初期快速下降,在后期精确收敛。结果表明,在本实验中使用模拟退火策略来调整学习率是简单有效的。     

信源数动态变化的自适应盲分离算法

分析了信源数未知或信源数目动态变化时，超定盲信号分离(源信号个数n<观测信号个数m)问题中自然梯度算法发散的原因。在此基础上，构造了一种新的自适应盲分离算法。该算法不仅克服了已有算法不能稳定收敛的缺点，而且在信源数动态变化的情况下，无须根据输出分量间的关系去除冗余分量，大大简化了算法的计算量与复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。     

峭度自然梯度盲分离改进算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。但该算法是基于固定步长的,所以不能很好地解决收敛速度与稳态误差之间的矛盾。通过建立步长因子与峭度的平方和之间的非线性关系,提出了一种自适应的自然梯度算法。计算机仿真结果证实了该算法的有效性,并说明了该算法明显优于自然梯度算法。     

基于特征值分解的循环平稳离散时间信号的盲分离

盲分离的目的是从观测到的混叠信号中恢复出各个未知的源信号,现今的很多方法都是利用了信号时域表示的某些统计特性来解决这个问题。从信号频域分析的角度提出了一种利用信号的循环平稳特性来处理离散时间信号的频域盲分离方法。该方法构造两个二阶统计矩阵的乘积,并对该乘积矩阵进行特征值分解,从而实现源信号的分离;同时,还对特征值分解的条件进行了分析。该方法在低维信号的情况下可以取得相当满意的分离效果,仿真结果表明该方法具有良好的性能。     

基于信号稀疏特性和核函数的非线性盲信号分离算法

文章结合核函数,把基于信号稀疏特性的线性盲分离方法应用于非线性混叠情况而给出了一种非线性混叠信号盲分离算法。该算法首先将混叠信号映射到高维核特征空间,其次,在核特征空间中构造一组正交基,通过这组正交基将高维核特征空间的信号映射到这组正交基张成的参数空间中,从而把非线性混叠信号盲分离问题转化为参数空间的线性混叠信号盲分离问题。最后,在参数空间中,应用基于信号稀疏特性的线性盲分离方法对信号进行分离。该算法收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

基于最大信噪比的盲源分离算法

提出一种新的低计算复杂度的瞬时线性混叠信号的盲分离算法,该算法利用统计独立信号完全分离时信噪比量大作为分离准则。源信号用估计信号的滑动平均代替,把源信号和噪声信号协方差矩阵的函数表示成广义特征值问题,通过广义特征值问题求解分离矩阵不需要任何迭代运算。和典型的信息理论方法相比,该算法的优点是具有非常低的计算复杂度。计算机模拟实验证明,该算法能够分离线性混合的超高斯和亚高斯源信号,并且可以有效地分离语音信号。     

基于遗传算法的盲源信号分离

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.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

盲源分离在机械振动信号分析中的应用

设备状态信号的处理是状态监测及故障诊断的基础。在实际运行环境中,信号检测传感器采集的机械振动信号必然包含设备各个部件的信号以及周围环境的强烈干扰。传统的振动信号处理方法抗扰去噪效果并不理想。盲源分离技术由于自身独特的盲处理优势,可以有效去除外来干扰并分离出源信号,有助于提高诊断的准确性。针对直升机齿轮箱振动信号进行盲源分离仿真,分离出了轴承故障振动信号,并将分离信号的功率谱与原始信号的功率谱相比较,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法。     

基于特征向量盲分离的多频微弱信号检测方法

研究了低信噪比条件下混合信号的盲分离,针对实际探测的微弱信号常常是多个频率微弱信号共存的情形, 进行了利用特征向量盲分离检测多个频率周期性微弱信号的研究, 以便把利用特征向量盲分离的微弱信号检测应用于信号处理中微弱信号的提取.该方法首先建立混合信号阵元接收模型,利用多路传感器信号盲分离提取有用信号,达到微弱信号检测的目的.仿真和实测数据试验结果表明,此方法可检测出湮没在强噪声环境中的微弱信号的幅度和频率,在-30dB极低信噪比下恢复出了多个弱信号,具有很高的可靠性.     

基于广义相关系数的后非线性盲信号分离算法

基于互信息最小化的独立性测度对各分离信号间的非线性相关度度量没有归一化的问题,提出一种基于广义相关系数的肓信号分离(BSS)算法.首先选取后非线性混叠模型(PNL)分析基于广义相关系数的独立性测度;然后采用Gram-Charlier扩展形式估计输出参数并获取评价几率函数,结合最陡下降法求得分离矩阵和参数化可逆非线性映射的算法迭代公式.仿真结果表明,采用所提出的算法能够定量分析各分离信号间的非线性相关程度,有效分离后非线性混叠信号.     

基于非线性PCA准则的两个盲信号分离算法

该文首先基于Oja定义的非线性PCA准则J1(W),利用矩阵广义逆递推得到一种盲信号分离算法,然后对Karhunen给出的非线性PCA加权误差平方和准则J2(W),采用梯度下降算法和线性寻优而得到另一种自适应盲信号分离算法。对这两个分离算法进行了计算机仿真,仿真结果表明它们的有效性。     

基于贝叶斯网络理论的时变混合盲源分离算法

以状态空间模型作为信道的变化模型,研究了时变混合情况下非平稳信号的盲分离问题。首先将隐马尔可夫模型（HMM）和混合高斯（MOG）模型结合起来对具有动态结构和复杂分布的非平稳源信号进行建模,然后运用贝叶斯网络理论处理信道时变情况下独立成分分析（ICA）模型中各变量和参数之间的关系,提出了一种基于贝叶斯推断的可同时完成混合矩阵盲估计及源信号盲分离的算法,通过采用逼近方法有效地减小了算法计算量。计算机仿真试验证明本文算法的有效性。     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.