一种基于ICA的同态盲反卷积算法

盲反卷积是图像处理、语音信号处理、通信、系统辨识和声学等许多研究和应用的基本问题,具有重要的理论与应用价值。根据无损检测中盲反卷积问题的特点,提出了一种新的基于ICA的同态盲反卷积算法。该算法首先将检测信号变换到复倒谱域,将卷积混合模型变为线性混合模型,即ICA问题;然后通过ICA将系统冲击响应和输入信号分离;最后,根据分离的复倒谱信号,重构其时域信号。论文提出的盲反卷积算法具有运算量小,计算速度快,分离精度高等特点,且不受信道是否为最小相位信道的影响。计算机模拟和实验数据都证明了算法的有效性。     

基于时域去相关预处理的卷积混合语音盲分离算法

因语音信号自身的相关性及不平稳性,使卷积混合语音信号的盲分离变得十分困难.本文提出了一种基于时域去相关预处理的卷积混合语音盲分离时域算法.该算法采用自适应格型预测误差滤波器对语音信号进行时域去相关处理,同时基于空域去相关算法完成卷积混合语音分离.该算法充分考虑了语音信号自身的相关性及不平稳性,具有计算量小、收敛速度快、稳定性好的优点.仿真实验验证了该算法在对卷积混合语音信号进行盲分离时的有效性.     

基于盲反卷积的超声合成孔径图像复原

本文研究了超声合成孔径检测信号的盲反卷积复原技术。通过分析超声信号在检测材料中的传输规律,建立了检测信号与代表检测材料特性的点扩散函数之间的成像关系。根据最大似然估计原理,形成了超声合成孔径信号盲反卷积复原数学模型。为了验证所研究方法的有效性,进行了一系列实验,实验结果表明:盲反卷积能有效改进超声合成孔径检测图像的分辨率。     

基于时间可预测性的粒子群优化盲解卷积算法

针对信道对声音信号的卷积效应,提出了一种基于粒子群优化的盲解卷积新算法。利用信号的时间可预测性作为盲解卷积的解卷测度,采用粒子群优化算法对基于该测度的代价函数进行优化求解,从而成功得到解卷积滤波器系数,实现对信号的盲解卷积。仿真实验表明,所提出的算法对于声音信号具有很好的盲解卷积效果,所恢复信号与原始信号的相关系数和重构信噪比均较高。     

基于独立成分分析的反卷积新方法

基于独立成分分析方法进行了反卷积研究。独立成分分析算法中要求混合的观测信号不少于从这些观测信号中分离出的独立成分数。针对反卷积中混合的观测信号路数不满足上述条件的问题,提出了一种新的基于独立成分分析的反卷积方法,该方法通过对输入信号进行变换构造出新的观测信号,并对卷积模型进行非线性变换,采用独立成分分析算法实现解卷积混叠。仿真实验结果表明,该方法具有较好的性能,并能实现对信道瞬态响应信号的提取。     

基于小波域的非平稳卷积混合 语音信号的自适应盲分离

一些卷积混合信号的盲分离算法是迭代性的，不适于实时应用．为此提出一种基于小波域的算法，用于卷积混合信号的自适应盲分离．对基于小波域的算法进行仿真，并与频域盲信号分离算法进行对比，结果表明所提出的算法能提高盲信号分离的性能。     

基于NBICA的盲反卷积方法

在线性系统假设下,根据地震记录估计地震子波和反射系数序列是一个典型的盲反卷积过程。针对带状独立分量分析反卷积方法对噪声敏感的缺点,提出一种的基于高斯矩的噪声带状独立分量分析反卷积方法,并利用邻近道间的相关信息实施子波提取。实验结果表明,对于带噪地震数据的盲反卷积,该算法性能更优。     

基于高阶累积量的盲反卷积算法的比较

通过对高阶统计理论以及对建立在高阶统计理论基础上的累积量盲反卷积算法的分析与研究,研究了两种基于高阶累积量的盲反卷积算法的原理,并且通过这两种算法对信号的处理结果,比较了这两种算法的性能.     

一种改进的图像迭代盲反卷积算法

针对传统迭代盲反卷积算法收敛速度慢、容易出现解模糊等问题,提出一种改进的图像迭代盲反卷积算法。利用动量矩求解图像的有限支持域,在支持域中使频率域和空间域交替迭代,从而实现图像的盲复原。仿真结果表明,与传统迭代盲反卷积算法和基于小波变换的盲反卷积算法相比,该算法的收敛速度较快,具有较好的图像恢复效果。     

基于修正离散傅里叶变换的频域卷积混合盲分离

针对频域卷积混合盲分离,依据所导出的卷积混合信号每帧的频域表示模型,提出了一种最小均方误差意义下的最优变换--修正离散傅里叶变换,用于代替频域卷积混合盲分离中常用的离散傅里叶变换.在每个频率片上,卷积混合信号的修正离散傅里叶变换系数在最小均方误差意义下最接近于源信号频谱的瞬时混合.相对于离散傅里叶变换系数,现有瞬时混合盲分离算法能从修正离散傅里叶变抉系数中更精确地估计各频率片上分离矩阵,从而提高现有频域卷积混合盲分离算法的分离性能.仿真结果证明了修正离散傅里叶变换对现有频域卷积混合盲分离算法的有效性.     

Blind image deconvolution using machine learning for three-dimensional microscopy

In this work, we propose a novel method for the regularization of blind deconvolution algorithms. The proposed method employs example-based machine learning techniques for modeling the space of point spread functions. During an iterative blind deconvolution process, a prior term attracts the point spread function estimates to the learned point spread function space. We demonstrate the usage of this regularizer within a Bayesian blind deconvolution framework and also integrate into the latter a method for noise reduction, thus creating a complete blind deconvolution method. The application of the proposed algorithm is demonstrated on synthetic and real-world three-dimensional images acquired by a wide-field fluorescence microscope, where the need for blind deconvolution algorithms is indispensable, yielding excellent results.     

一种基于单位超球面平均的盲反卷积方法

在机器学习理论中,为消除随机影响,对样本进行平均是一种广为使用的处理手段.为此,在具有相同物理激发过程的系统中,利用黎曼梯度的概念,构造了单位超球面上的平均算子.以地震数据盲反卷积为例,结合改进型的带状独立分量分析,提出了基于单位超球面平均的盲反卷积方法.仿真实验表明了所提出方法的有效性和优越性.     

基于混沌系统的正交小波变换盲均衡算法

针对常数模盲均衡算法(CMA)收敛速度慢、稳态误差大和局部收敛的缺点,将正交小波变换与混沌通信理论相结合,提出了一种基于混沌通信系统的正交小波变换盲均衡算法(CS-WT-CMA)。该算法充分利用了混沌映射的伪随机性、遍历性、相关性以及无限宽带功率谱等特点,将混沌调制系统用于产生宽带混沌信号,使用混沌信号作为载波,在调制的同时直接对发射信号进行扩频,从而降低了信道输入信号的自相关性,更好地抑制了码间干扰和多径衰落;同时对均衡器输入信号进行正交小波变换,并作能量归一化处理,降低了信号的自相关性,从而有效地加快了收敛速度。水声信道仿真结果表明,与正交小波变换盲均衡算法(WT-CMA)相比,该算法收敛速度更快、稳态误差更小。     

Regularization Methods for Blind Deconvolution and Blind Source Separation Problems

This paper is devoted to blind deconvolution and blind separation problems. Blind deconvolution is the identification of a point spread function and an input signal from an observation of their convolution. Blind source separation is the recovery of a vector of input signals from a vector of observed signals, which are mixed by a linear (unknown) operator. We show that both problems are paradigms of nonlinear ill-posed problems. Consequently, regularization techniques have to be used for stable numerical reconstructions. In this paper we develop a rigorous convergence analysis for regularization techniques for the solution of blind deconvolution and blind separation problems. Convergence of regularized point spread functions and signals to a solution is established and a convergence rate result in dependence of the noise level is presented. Moreover, we prove convergence of the alternating minimization algorithm for the numerical solution of regularized blind deconvolution problems and present some numerical examples. Moreover, we show that many neural network approaches for blind inversion can be considered in the framework of regularization theory. Date received: August 17, 1999. Date revised: September 1, 2000.     

分布式MIMO-OFDM信号多频偏多信道联合盲估计

针对多径衰落信道下分布式多输入多输出正交频分复用(MIMO-OFDM)系统中频偏信道联合盲估计难的问题,提出了一种有效的多频偏多信道联合盲估计方法。该算法利用盲解卷积分离算法接收信号的同时得到有频偏影响的多个信道,对分离后的多个信号进行逐个频偏估计,补偿整体信道并去除信道模糊度,得到有效的信道估计值。仿真结果表明,与基于导频的频偏信道估计方法相比,所提算法可在5 dB获得1e-6的频偏估计精度,在15 dB左右获得1e-2的信道估计精度,实现了分布式MIMO-OFDM信号的多频偏多信道联合盲估计。     

基于稀疏特性的盲二值图像去模糊

通过分析二值图像发现其像素值具有稀疏特性,因此采用L₀梯度反卷积算法结合二值图像的组合特性来处理盲二值图像的复原问题。常见的图像复原方法均将二值图像看作灰度值图像来处理,当其考虑到二值图像的特殊性质时,将会针对这种特定类型的图像得到更好的复原效果。提出的盲复原算法基于一阶梯度空间L₀最小化问题的框架,利用L₀梯度图像平滑方法来获得明显的图像边缘以估计模糊核,并将二值图像的特有属性作为正则项加入目标函数。在图像的复原过程中,通过二值图像先验来强制复原结果趋于二值图像。根据提出的模型,给出了基于稀疏特性的盲二值图像复原算法。通过实验将该算法与传统的盲反卷积复原算法进行比较,结果表明所提算法具有良好的性能,对二值图像进行复原是有效的。     

基于混沌振子的微弱生命周期信号频率检测方法

针对人体静止状态下生命周期信号(如心跳、呼吸)的幅值通常很小,且常被强噪声淹没、信号频率难以检测的特点,本文提出基于自相关和混沌振子相变理论相结合的微弱生命周期信号检测新方法。该方法利用传统的时域自相关方法对微弱生命周期信号进行初步去噪,再利用改进的混沌振子列检测方法提取有效信号,以充分发挥自相关及混沌检测在噪声抑制及信号提取方面的优势。仿真分析表明,该方法能有效地检测出深埋于强噪声中的两个频率未知的微弱生命周期信号,其信噪比工作门限值较单独的自相关方法和混沌振子检测方法更低,达到-81.43dB。     

Blind equalization using a predictive radial basis function neural network

In this paper, we propose a novel blind equalization approach based on radial basis function (RBF) neural networks. By exploiting the short-term predictability of the system input, a RBF neural net is used to predict the inverse filter output. It is shown here that when the prediction error of the RBF neural net is minimized, the coefficients of the inverse system are identical to those of the unknown system. To enhance the identification performance in noisy environments, the improved least square (ILS) method based on the concept of orthogonal distance to reduce the estimation bias caused by additive measurement noise is proposed here to perform the training. The convergence rate of the ILS learning is analyzed, and the asymptotic mean square error (MSE) of the proposed predictive RBF identification method is derived theoretically. Monte Carlo simulations show that the proposed method is effective for blind system identification. The new blind technique is then applied to two practical applications: equalization of real-life radar sea clutter collected at the east coast of Canada and deconvolution of real speech signals. In both cases, the proposed blind equalization technique is found to perform satisfactory even when the channel effects and measurement noise are strong.     

频域盲解卷积局限性分析及一种改进算法

在频域盲解卷积问题中,时域信号的卷积混合转化为频域信号在有限频点的瞬时混合,使算法复杂度大大降低。但这种算法的局限是分离结果存在次序和幅度上的不确定性,并且窗函数长度和信号非平稳性之间存在相互制约的关系。文中对语音信号频域盲解卷积算法存在的制约因素进行分析并提出一种改进的基于包络相关性的排序方法。在分裂谱法的基础上,通过“分裂”后的多路信号求得“总包络”,再依据“总包络”进行排序,从而克服传统的直接依据输出信号包络相关性进行排序的不足。实验结果表明,采用本方法可获得较高的分离质量。