矢量聚类及其在稀疏分量分析中的应用

针对传统聚类分析不能有效处理矢量数据聚类的问题,提出矢量聚类算法。该算法以点到矢量的距离最小化为分类依据,所得类簇中心为一矢量。根据稀疏信号的分布特性,用矢量聚类方法估计系统的混合矩阵,再利用估计的混合矩阵分离混合信号,从而得到稀疏信源的估计,简化了传统的混合信号分离过程。实验结果表明该矢量聚类方法能比传统的标量聚类方法更有效地估计矢量数据的中心,能在稀疏的处理域中很好地分离出稀疏信源。     

基于线性阵列的欠定盲源分离几何分析

采用线性阵列对欠定盲源分离问题进行建模,研究源信号的空间分布对欠定盲源分离的影响.利用二步法和稀疏分量分析解决欠定盲源分离问题,其中,混合矩阵的估计主要利用稀疏源信号的线性混合信号沿混合矩阵列向量方向线性聚类的特性.理论分析和仿真实验结果表明,当源信号在空间处于某些特定区域时,若采用线性聚类方法,混合矩阵是不可估计的,...     

基于准正交原理的多信源少观测源的盲语音信号分离

信号源个数多于观测信号个数情况下的盲源分离问题是盲信号分离中的一个难题,也是一个很实际的问题。论文在A.Hyvrinen提出的一种基于准正交原理的盲分离算法基础上,指出当混合矩阵的基矢量不满足准正交性时,可以对观测信号预白化,使混合矩阵的基矢量的准正交性得以很大提高。然后将此方法用于多信源少观测源情况下的混合语音信号分离。实验分为两个过程:(1)估计混合矩阵;(2)用最大后验概率的估计方法分离源语音信号。实验结果证明了该算法能够有效用于高维情况下多信源少观测源的盲语音信号分离。     

基于密度峰值和模糊聚类的欠定混叠矩阵估计

传统聚类算法进行混叠矩阵估计时存在的聚类中心个数不确定和初始聚类中心的随机选取导致陷入局部最优的问题,为此提出一种基于密度峰值的改进模糊聚类算法进行欠定盲源分离的混叠矩阵估计。通过短时傅里叶变换提取信号在频域中的稀疏特性,利用寻找密度峰值聚类算法(clustering by fast search and find of density peaks, CFSFDP)自动获取聚类簇的数目和初始聚类中心;将获得的聚类数目和聚类结果作为模糊聚类算法(fuzzy c-means clustering, FCM)的初始输入参数,提高FCM聚类结果的精度。实验结果表明,该算法可以准确估计源信号的数目,相比传统FCM、层次聚类、基于密度峰值改进的粒子群等聚类算法,可以有效提高欠定盲源分离的混叠矩阵估计精度。     

病态盲分离情况下的混合矩阵估计研究

在盲信号分离技术中,当混合矩阵是病态情况时,基于信号稀疏性的两步法可用来解决这一问题,而如何估计混合矩阵则是两步法的关键。提出了一种估计混合矩阵的新方法,即通过搜索重构观测信号采样点,每次只需搜索出少数某源信号取值占优的采样点,就可以通过这些采样点处的重构观测信号数据,估计出混合矩阵的某一列。依次类推,可以估计出整个混合矩阵。该方法估计混合矩阵时对源信号的稀疏度要求较低,其实现算法不需优化过程,计算简单,因此其实用性较高。仿真结果表明了该方法有效,有很好的性能。通过大量的仿真试验给出了方法的定量性能分析。     

基于约束NMF的欠定盲信号分离算法*

提出一种约束非负矩阵分解方法用于解决欠定盲信号分离问题。非负矩阵分解直接用于求解欠定盲信号分离时,分解结果不唯一,无法正确分离源信号。本文在基本非负矩阵分解算法基础上,对分解得到的混合矩阵施加行列式约束,保证分解结果的唯一性;对分解得到的源信号同时施加稀疏性约束和最小相关约束,实现混合信号的唯一分解,提高源信号分离性能。仿真实验证明了本文算法的有效性。     

欠定条件下弱稀疏源信号混合矩阵盲估计

针对源信号的稀疏性影响欠定混合矩阵的估计精度, 在源信号单源频率及非单源频率分量分析的基础上,通过对观测信号频率峰值的幅值比值所 构成的列向量聚类,提出欠定条件下弱稀疏源信号混合矩阵的盲估计方法。鉴于经典聚类算 法的局部收敛性带来聚类结果的不稳定性,采用全局收敛特性较好的遗传模拟退火聚类算法 提高聚类结果的鲁棒性。仿真实验表明,本文提出的混合矩阵估计方法及采用的聚类算法 在不同欠定条件及噪声环境下具有较强的估计性能。     

欠定盲分离中源的个数估计和分离算法

在盲分离问题中,独立元分析一直是一个主要的研究方向,但是该方法不能直接推广到欠定混叠情形.考虑到大量的客观信号具有稀疏特性,稀疏元分析方法引起了人们的广泛关注,其中典型的是"二步法",即先计算混叠矩阵,再分离所有源信号,该方法能够较好地实现欠定混叠情况下的盲分离.在计算混叠矩阵时,通常利用K-均值聚类等,这类方法的成功依赖于聚类数目也即信号源个数的先验知识,而在盲分离问题中,如何估计信号源个数一直是一个很棘手的问题.文中采用模糊聚类方法来确定信号源的个数,同时计算出欠定混叠矩阵,进而利用最短路径法来恢复源信号.该方法进一步完善了"二步法",仿真显示了文中算法的有效性与鲁棒性.     

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。     

盲源分离的SVM概率密度函数估计算法

基于神经网络理论中的支持向量机回归方法,利用径向基函数构造核函数,给出类高斯函数的混合信号概率密度稀疏表达,进而得到输出信号的概率密度的显式表达;提出一种估计激活函数的新方法,与盲信号抽取定点算法相结合,形成一种新的盲分离算法。通过仿真实验,验证了该方法能成功地分离超、亚高斯混合信号。     

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

一种欠定盲源分离新算法

提出了一种基于两步法的欠定盲源分离新算法。在混合矩阵估计阶段,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,通过定义一个连续可微函数来近似l0范数,使得l0范数可解。该算法的特点是实现简单、速度快。仿真实验表明,与现有的采用快速l1范数最小化和OMP算法的欠定盲源分离方法相比,提出的算法在保证分离性能的前提下大幅度提高了算法的运行速度。     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

A new fuzzy K-EVD orthogonal complement space clustering method

This paper studies the problem of underdetermined blind source separation with the nonstrictly sparse condition. Different from current approaches in literature, we propose a new and more effective algorithm to estimate the mixing matrices resulted from noise output data sets. After we introduce a clustering prototype of orthogonal complement space and give an extension of the normal vector clustering prototype, a new method combing the fuzzy clustering and eigenvalue decomposition technique to estimate the mixing matrix is presented in order to deal with the nonstrictly sparse situation. A convergent algorithm for estimating the mixing matrices is established, and numerical simulations are given to demonstrate the effectiveness of the proposed approach.     

具备跨源域学习能力的模糊聚类算法研究

针对传统迁移学习聚类算法因单一源域到单一目标域且两者类别数必须一致的约束而达不到良好的聚类效果的问题,本文提出了一种跨源域学习的聚类算法,该算法具有三大优点：1) 该算法不仅扩大源域数目且取消了源域类别数的限定,算法可以自适应选择源域进行学习,因此算法的迁移学习能够得到较大的提升;2)由于算法所利用的源域知识不会暴露原数据,因此算法具有良好的源域数据隐私保护性;3)通过调节平衡参数可以使算法退化为传统的聚类算法,因此该算法的聚类性能是有所保障的。通过在模拟数据集和真实数据集上的实验,验证了文中算法较之现有迁移学习聚类算法具有更好的迁移能力,且聚类性能及鲁棒性也有较大的提升。     

OFDM系统群稀疏信道估计与译码迭代算法

针对OFDM通信中的多径信道估计问题,本文提出了一种群稀疏信道估计和译码迭代算法。在信道估计中,利用了无线多径信道的群稀疏特性,采用群基追踪降噪算法（Group basis pursuit de-noising,Group-BPDN）算法,提高了信道估计的精度。在译码时,采用软输出的维特比算法,从译码输出中提取可信度大的结果,反馈到信道估计的输入部分,与已知的导频信号一起构成新的已知信号集。这样,通过反馈迭代处理,一方面增加了稀疏恢复时的已知信息,提高了恢复的精度;另一方面,新的已知信号集和已估计出的信道响应可以用来估计噪声功率,提高了噪声环境下稀疏恢复算法的精度。仿真实验证明本文算法提升了信道估计性能,降低了误码率。     

Convolutive Blind Source Separation in the Frequency Domain Based on Sparse Representation

Convolutive blind source separation (CBSS) that exploits the sparsity of source signals in the frequency domain is addressed in this paper. We assume the sources follow complex Laplacian-like distribution for complex random variable, in which the real part and imaginary part of complex-valued source signals are not necessarily independent. Based on the maximum a posteriori (MAP) criterion, we propose a novel natural gradient method for complex sparse representation. Moreover, a new CBSS method is further developed based on complex sparse representation. The developed CBSS algorithm works in the frequency domain. Here, we assume that the source signals are sufficiently sparse in the frequency domain. If the sources are sufficiently sparse in the frequency domain and the filter length of mixing channels is relatively small and can be estimated, we can even achieve underdetermined CBSS. We illustrate the validity and performance of the proposed learning algorithm by several simulation examples.     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.