地空信道下基于OFDM/OQAM系统的时频同步算法

针对正交频分复用/交错正交幅度调制（OFDM/OQAM）系统无循环前缀而对时偏误差敏感,以及在具有大多普勒频移的快时变地空信道下对频偏估计要求较高的问题,提出了一种适用于地空信道OFDM/OQAM系统的自相关估计（ACE）时频同步算法。该算法中符号定时采用较少的辅助序列实现快速捕获和定时,频偏估计通过优选同步自相关序列进行两次自相关运算,将两次运算估计的频偏值进行加权平均,获得最终频偏估计值。在计算机上进行仿真,其中与改进最小二乘（MLS）算法和训练序列（TR2）算法相比,ACE算法符号定时相关峰值对比度提高至原来的3倍;在飞行状态下系统误码率（BER）为10^-2时有10dB信噪比增益,在地空信道到达状态下BER为10^-3时有3dB信噪比增益。仿真结果表明,ACE算法进一步提升了时频同步精度和误码性能。     

FastICA和RobustICA算法在盲源分离中的性能分析

首先简单介绍了FastICA和RobustICA这两种目前最为常用的盲源分离两种算法, 并对这算法的目标函数以及优化算法进行了分析研究, 进一步对这两种算法的稳健性及算法复杂度等方面的性能进行分析比较。总的来看, RobustICA算法的综合性能要优于FastICA算法。     

基于势函数与压缩感知的欠定盲源分离

传统的基于K均值聚类算法及最小路径法的欠定盲源分离(BSS)两步法存在K值难以确定、对初始值敏感、噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足。针对以上问题,提出了基于势函数及压缩感知理论的新型两步算法。首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵;然后利用估计矩阵来构建传感矩阵,并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中;最后实现源信号的重构。仿真实验结果表明,混合矩阵最高估计精度达到99.13%,重构信号干扰比均高于10 dB,很好地满足了重构精度的要求,验证了所提算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。     

基于势函数与压缩感知的欠定盲源分离

传统的基于K均值聚类算法及最小路径法的欠定盲源分离两步法存在K值难以确定,对初始值敏感,噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足,针对以上问题,提出了基于势函数及压缩感知理论的新型两步算法。该算法首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵,然后利用估计矩阵来构建传感矩阵,并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中,最终实现源信号的重构。仿真实验结果表明,混合矩阵最高估计精度达到99.13%,重构信号干扰比均高于10dB,很好的满足了重构精度的要求,验证了本文算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。     

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。     

基于高斯矩的噪声独立分量分析

独立分量分析(ICA)作为有效的盲源分离技术(BSS)是信号处理领域的热点。但是许多ICA算法都是建立在无噪模型基础上实现盲源分离的,忽略了噪声对分离信号的影响。而实际信号或多或少的都含有噪声,如果信噪比低于某值将得不到良好的分离效果。该文定义不同参量的高斯函数的期望为随机向量的高斯矩,证明随机向量的高斯矩可作为无偏估计的单值对照函数应用于带高斯噪声的noisyICA模型。由此利用最大化基于高斯矩的对照函数,得到FastICA改进算法—noisyICA,并通过模拟实验证明了算法的可行性和健壮性。     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.     

基于二阶统计和时间结构的盲信号分离方法

盲源分离(BSS)的目标就是在混合过程未知的情况下,仅仅依据观测得到的混合信号,恢复出不能直接观测的源信号。针对具有时间结构的源信号,即各个源信号分量满足空间上不相关但时间上相关,提出了一种基于二阶统计量的盲源分离方法。该方法首先对混合信号进行鲁棒预白化处理,其中依据最小描述长度准则对源信号的维数进行估计;然后通过对白化信号的时延协方差矩阵进行奇异值分解(SVD),从而实现源信号的盲分离。仿真中通过对一组语音信号的分离验证了算法的效果,并利用信号干扰比(SIR)和性能指标函数(PI)两个指标定量地对算法的性能进行了度量。     

基于峭度的一种RobustICA算法

介绍了由V.Zarzoso and P.Comon提出的一种新的基于峭度的独立成分分析算法RobustICA (Robust Independent Component Analysis),并比较了和FastICA在收敛性和信号质量方面的不同.该算法的主要优点在于可以选取最佳步长,可以选取任何不为零的独立成分,并且解决盲分离信号排序问题,同时提升当信号存在坏点和伪局部极值点时的鲁棒性.仿真实验结果表明了该算法相对于FastICA算法减少了迭代次数和加快了收敛速度,同时在小样本空间下均方误差SMSE也明显优于FastICA算法.     

基于UWT和独立分量分析的含噪盲源分离

提出了基于UWT（非抽样小波变换）去噪与FastICA（快速独立分量分析）算法相结合的含噪盲源分离方法,采用先去噪后分离的方式实现了在加性高斯噪声环境下混合图像的盲分离。仿真结果表明,该方法能很好地从加性高斯噪声中分离出源图像,与曲波阈值去噪后的FastICA方法相比较,该方法能获得更好的峰值信噪比。     

基于独立成分分析的盲目图像反降晰

详细说明了如何将图像反降晰问题转化成独立成分分析（ICA）问题，通过理论分析和实验比较了FastICA和在线随机梯度ICA两种ICA图像反降晰算法，得出了FastICA算法并不能很好地用于图像反降晰的结论，还通过实验证实了ICA反降晰算法不能抑制噪声。最后总结了目前ICA反降晰方法的优缺点，并提出了进一步研究的方向。     

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.     

FastICA算法的收敛性与一致性分析

快速独立成分分析（Fast Independent Component Analysis,FastICA）是解决盲源分离问题使用最广泛的方法。在实际中,只能得到有限数据样本,所以采用的均是基于样本的FastICA算法。而常见的FastICA算法的收敛性分析均属于全集FastICA算法的收敛性分析,所以研究基于样本FastICA算法的收敛性和算法的一致性有至关重要的意义。以一种更简洁的方法证明了全集FastICA的相关收敛性质,包括对比函数的局部极大值和FastICA迭代函数不动点之间的关系。引入狄拉克函数,构造观测信号的概率密度函数,通过大数定律,给出了基于样本的FastICA算法收敛性条件。依据M-估计一致性定理,证明了FastICA给出的估计是一致估计。仿真实验的结果验证了FastICA估计的一致性。     

改进的FastICA算法研究

独立分量分析是目前盲源分离算法中最常用的一种方法,其中快速独立分量分析（FastICA）以其收敛速度快而被广泛应用,但FastICA对初始值的选择比较敏感,而且在使用牛顿迭代法时,每迭代一步都需要计算一次函数值和一次导数值,当函数比较复杂时,计算它的导数值往往不方便,用单点弦截法进行迭代,将最速下降法与单点弦截法结合,在保证分离效果的同时使FastICA的迭代次数减少,同时使计算式更加简洁,而且减小了对初始值的敏感性,仿真实验验证了其有效性。     

一种改进的快速独立分量分析算法及其在图象分离中的应用

独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效的方法而受到广泛的关注,并在许多方面获得成功应用.讨论了独立分量分析的基本原理、判断条件和算法,并在此基础上,介绍了独立分量分析的一种快速算法——FastICA算法;对FastICA算法的核心迭代过程进行改进,得到M-FastICA算法,改进算法减少了独立分量分析的迭代次数,从而提高了算法的收敛速度.最后将M-FastICA算法应用到图象的分离上,实验结果表明,改进算法在分离效果相当的前提下,串行算法迭代次数减少了9％,并行算法迭代次数减少了27％,收敛速度更快.     

独立分量分析与时频掩蔽结合的语音盲分离

针对语音信号的欠定卷积混合模型,提出一种基于快速独立分量分析和自适应非线性二元时频掩蔽的语音盲分离方法。对输入的混合语音信号进行快速独立分量分析,将结果进行自适应非线性二元时频掩蔽;重复进行这两步处理,直到分离出所有的语音源信号。将分离出的语音源信号,再通过二元时频掩蔽合并可提高输出的质量,分离出的语音信号仍然能保留双声道立体声的效果。实验表明,该方法的性能大大优于DUET方法和BLUES方法,信噪比增益大幅提高。     

一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析（ICA）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离，并针对算法中的非线性函数与源信号概率分布密切相关，而源信号的分布却是未知的先验信息的问题，利用算法输出信号的峰度对非线性激活函数进行自适应选择，提出了一种改进的自适应不完整自然梯度算法，并将其应用于模糊图像的盲分离，分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比，计算耗时更少、性能指标明显优越。     

基于多维独立成分分析的数值仿真与分析

通过引入一个用于评价多维独立成分分析(MICA)算法性能的指标,进行数值仿真来研究其分离性。将多维Amari分离误差作为度量多维独立成分分析算法性能的一个重要指标,在比较分析研究vkMICA、cfMICA、MSOBI、SJADE等四个算法的分离性能的基础上,使用随机分布生成的字母信号进行仿真与测试,直观地显示了MICA模型的分离效果和不确定性。研究结果显示,MICA是一种非常有效的进行多维源信号分析的方法。     

一种基于FastICA的波达方向估计新方法

独立分量分析是一种新颖的盲源分离技术，该方法作为目前信号处理领域的一项新技术，具有非常重要的理论意义和实用价值，已广泛应用于通讯、雷达信号处理、生物医学图像处理、模式识别等众多领域。简要介绍了独立分量分析的基本原理和算法，并提出将快速独立分量分析（FastICA）方法应用于波达方向估计（DOA），通过仿真实验和分析，可以得到DOA的一种简单估计，实验结果亦表明该算法在波达方向估计应用中的可行性和有效性。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。