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。     

基于卷积盲分离神经网络的过程信号去噪算法

研究了一种基于卷积混叠盲信号分离的简约神经网络算法,简称RCMNN.可使线性静态或动态传输通道中混叠的多源信号实现分离,从而可有效应用于传输通道中过程信号上的去噪,是控制工程中去噪的新方法.对多类不同信号组合仿真表明,该算法是有效的,网络性能是稳定的.     

多个源信号混叠的盲分离几何算法

该文提出了一种多个均匀分布的源信号混叠的盲分离几何算法,该算法以矩阵的QR分解原理为分离的理论指导,并结合信号在各个阶段其scatter图所具有的特殊几何性质,首先将混叠信号进行白化,使其scatter图恢复为独立时的scatter图形状,然后将白化后的scatter图通过C：次旋转变换,使其与各坐标轴平行,从而得到n个信号的分离．该方法第一次从代数上给出了几何算法的理论指导,从而真正得到了几何算法向多个信号混叠的推广．该算法不仅计算简单,同时有很好的仿真分离效果．在三个信号混叠的情况下,相对于Hyvarinen（2000）在分离时间上缩短了近30％．     

基于协方差矩阵的盲分离算法

提出了一种新的实时线性混叠信号的盲分离算法，该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则，采用最速下降法进行分离。该算法对源信号和混叠矩阵没有过多要求且计算量不大，理论分析与仿真结果表明，该算法具有很好的分离效果。     

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.     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

基于QR分解的盲源分离几何算法

提出了一类新的实时线性混叠信号盲分离算法,该算法基于混叠矩阵的QR分解思想,结合均匀分布的源信号相互独立时其Scatter图具有的特殊形状以及与坐标轴平行的几何性质,导出了一类盲源分离的几何算法.本文的方法相对Taro和Hyvarinen而言,大大简化了其分离过程,从而缩短了分离时间.仿真结果表明,对同样两幅混叠图像的分离,在效果相当的情况下,本文算法的分离时间比Hyvarinen的分离时间缩短了约2.5倍.     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。     

基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.     

后非线性混叠信号盲源分离算法综述

结合非线性盲源分离研究不断发展的现状,选取最常见的后非线性混叠信号盲源分离问题为对象,综述其算法,介绍了解混叠模型,说明了基于广义Gram-Schmit正交化构造解的存在性及非唯一性.在此基础上,阐释了分离方法和思路,概述了基于互信息最小化的独立性测度,并分析评述了不断涌现的后非线性盲源分离典型算法.最后指出,目前关于后非线性盲源分离算法的研究存在的共性问题,并对进一步的研究方向进行了展望.     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

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。     

主奇异子空间跟踪算法与性能分析

主奇异子空间分析是一种自适应的神经网络信号处理技术,广泛应用于现代信号处理中.本文提出一种新的主奇异子空间跟踪信息准则,并以此为基础推导出一种在线的梯度流神经网络算法.理论分析表明,信息准则具有唯一的全局最小值,且最小值对应的状态矩阵能够恰好张成输入信号的主奇异子空间.该算法具有良好的收敛能力,强大的自稳定性能,且当输入信号呈现出奇异互相关特性时,仍呈现出良好的跟踪效果.分别采用李雅普诺夫函数方法和常微分方程方法分析算法的收敛性能和自稳定性. MATLAB仿真算例验证了算法的性能.     

具有非奇异约束的线性卷积混合信号盲分离联合对角化方法

联合对角化能够成功解决盲分离问题, 但在求解时会得到非期望的奇异解, 从而无法完全分离出源信号. 鉴于此, 提出一种用于线性卷积混合盲分离的联合对角化方法, 将卷积混合模型变换为瞬时模型, 并对变换后的模型应用联合对角化求取分离矩阵. 在求解过程中, 引入约束条件对解的范围进行限定, 避免了奇异解的出现. 仿真结果表明, 所提出的方法能够成功实现卷积混合信号盲分离.

     

蚁群聚类的欠定盲源分离方法

利用欠定盲源分离情况下稀疏源信号具有直线聚类的特点,提出了一种估计混叠矩阵的新方法。通过对混叠信号进行标准化处理,使混叠信号形成球形簇,将线性聚类转变成致密聚类;利用蚁群聚类算法对其进行搜索得到聚类中心,从而获得对混叠矩阵的精确估计。该方法能实现源信号数目未知情况下的欠定盲源分离,且能推广到三路或更多路观测信号的情况。对语音信号的仿真结果证明,该方法能精确地分离和恢复原始信号。     

应用信号变化度的线性混合信号盲分离算法

论文首先给出了信号变化度的概念,并证明了信号变化度的一个性质:互相独立的一组源信号的线性混合信号的变化度介于源信号中的最小变化度和最大变化度之间。然后,利用矩阵广义特征值理论,给出了一种基于线性混合信号盲分离算法。该算法计算简单,具有闭解形式;并能分离源信号中既有亚高斯信号又有超高斯信号的情况。仿真结果表明该算法是有效的,并具有很好的分离性能。     

MISEP method for postnonlinear blind source separation

In this letter, a standard postnonlinear blind source separation algorithm is proposed, based on the MISEP method, which is widely used in linear and nonlinear independent component analysis. To best suit a wide class of postnonlinear mixtures, we adapt the MISEP method to incorporate a priori information of the mixtures. In particular, a group of three-layered perceptrons and a linear network are used as the unmixing system to separate sources in the postnonlinear mixtures, and another group of three-layered perceptron is used as the auxiliary network. The learning algorithm for the unmixing system is then obtained by maximizing the output entropy of the auxiliary network. The proposed method is applied to postnonlinear blind source separation of both simulation signals and real speech signals, and the experimental results demonstrate its effectiveness and efficiency in comparison with existing methods.     

病态混叠下语音信号的盲源分离

针对稀疏信号盲源分离势函数法需要过多参数,以及聚类算法需要知道源信号个数的缺陷,采用基于拉普拉斯模型的势函数法估计源信号数目和混合矩阵。将混合信号重新聚类,对每一类信号的协方差矩阵进行奇异值分解,混合矩阵得到更精确的估计,进而源信号也得到更精确的估计。通过计算机仿真,表明了该算法的优越性。     

一种神经网络自适应PID控制器

应用人工神经网络的原理,设计了一种神经网络的职能PID控制器。仿真结果表明,此PID控制器对非线性时不变系统有比传统的PID好的控制效果。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力,控制效果明显提高。