基于量子遗传算法的盲源分离时延优选

为解决时间信号盲源分离算法中的时延选择问题,提出一种基于量子遗传算法的时延自适应优化选择方法。采用量子编码表征染色体,量子坍塌的随机观察结果与时延相结合形成种群,对若干时延二阶相关矩阵同时近似对角化,利用分离信号的负熵构造适应度函数,通过量子旋转门算子来实现染色体的演化更新。语音信号的盲源分离实验结果表明,与其他方法相比,该方法具有更好的种群多样性和更快的收敛速度及全局寻优的能力。     

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.     

一种盲源分离的优先进化自适应遗传算法

盲分离技术与独立分量分析(ICA)由于不需要知道信号的先验信息而得到广泛应用.ICA是信号处理的一种新技术.其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立.将改进的遗传算法(GA)与ICA相结合,提出基于优先进化自适应GA的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能.对3段声音信号进行了仿真,仿真结果证明了算法的有效性.     

基于高阶统计理论和量子遗传算法的非线性盲源分离算法研究

本文系统分析了非线性盲源分离的模型和现有算法,讨论了非线性盲源分离中解的存在性和唯一性,提出了基于高阶统计理论中联合累积量的非线性盲源分离算法,并采用量子遗传算法进行优化求解.仿真结果表明了算法的有效性.     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

基于改进遗传算法的盲源分离算法研究

在传统盲源分离算法的基础上,提出了一种基于改进遗传算法的盲源分离算法。改进遗传算法可有效地抑制寻优陷入局部最小,防止了震荡,加快了权值的收敛速度,适用于非线性混叠情况。实验结果表明,将遗传算法和盲源分离相结合对于多路混叠语音信号具有较好的分离效果。     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算,然而峭度值的变化对随机大样本的干扰非常敏感,因此往往导致分离结果的不正确.针对于此文中提出了一种结合中值滤波技术的独立分量分析算法,实验表明,该算法能有效地克服随机大样本信号的干扰,并获得较好的盲源分离结果.     

盲源分离技术及其发展

盲源信号分离是一种功能强大的信号处理方法,在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用.简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法,综述了盲源分离的发展及研究现状,提出了其未来的发展方向.     

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...     

基于盲分离的图像去噪算法研究

图像去噪是图像处理中一个重要而又富有挑战性的课题。已有的图像去噪算法对噪声模型作出假设,在达到假设条件时取得较好的去噪效果。这类算法不能完全去除噪声,而且会削弱图像信号的细节。把图像和噪声看作是互相独立的两个信号源,把去噪过程作为信号分离过程来处理。在初步从污染图像中估计出一个虚拟观测图像后,用基于独立分量分析的盲分离来达到去噪目的。实验结果表明,该算法相比传统的基于滤波的去噪方法,在噪声强度很大的情况下,依然能得到较好的去噪效果。     

量子遗传算法及其在图像盲分离中的应用研究

在改进Han的遗传量子算法的基础上，提出一种新的量子遗传算法．算法中采用多量子比特来编码多状态基因，构造了各个体之间的联合量子交叉，提出了通用的量子旋转门演化策略和动态调整旋转角机制．将量子遗传算法与独立分量分析算法相结合，提出一种图像信号的盲分离方法．仿真结果表明了该算法的有效性．     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算，然而峭度值的变化对随机大样本的干扰非常敏感，因此往往导致分离结果的不正确。针对于此文中提出了一种结合中值滤波技术的独立分量分析算法，实验表明，该算法能有效地克服随机大样本信号的干扰，并获得较好的盲源分离结果。     

基于独立成分分析的跳频信号盲分离

近年来,ICA（Independent Component Analysis,独立成分分析）已成为处理BSS（Blind Source Separation,盲源分离）问题的主要手段,同时也受到人们越来越多的关注。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度算法所得的仿真结果进行对比分析。通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法 得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。     

基于仿射投影-独立分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。本文以盲源分离(BSS)的独立分量分析(ICA)为基础,结合APA思想,设计出BSS的APA-ME、APA-MMI、APA-EASI新算法。在这些新算法中,输出向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了BSS的收敛速度。仿真结果表明,APA-ICA类BSS算法是有效的。     

JADE盲信号分离算法失效问题研究

分离（或解混合）矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法.本文在分析该算法原理的基础上,从理论上找出了算法失效的原因,即源信号相关性越强,JADE盲信号分离算法失效问题越严重,并通过仿真实验证明了理论分析结果的正确性.     

基于PCA-ICA的盲源分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)为核心,以主元分析(principle component analysis)进行白化处理的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离.实验是有效的且鲁棒效果良好