基于时频分布的非平稳信号盲分离算法

针对传统的盲源分离方法往往忽略信号非平稳性的问题,基于从瞬时线性混合模型的观测信号中分离出相互独立的源信号,并针对信号具有非平稳性,结合时频分析和盲源分离各自的特点,对非平稳信号盲分离进行了研究,并提出了一种新的具有不同空间时频分布的非平稳盲分离算法.仿真实验表明,通过采用维纳全时频域搜索来寻找局部最大值的平滑伪Wigner-Ville分布,该算法可以抑制交叉项而且能够保持时频聚集性,并达到了很好的分离效果.     

基于二阶统计量的非平稳源盲提取算法

利用非平稳信号自身的时序结构,采用一阶线性预测模型,提出了一种基于二阶统计量的批处理非平稳源盲提取算法。仿真实验表明该算法是有效的。     

基于盲分离技术的多目标识别仿真研究

针对智能引信应用中需要解决的多目标识别问题,提出基于盲分离技术的解决方案,建立了信号盲分离问题的模型,设计了盲源数估计算法以及两种不同的盲分离目标识别算法,并利用在消声室获得的多源目标的声信号对算法性能进行仿真分析.结果表明:基于四阶累积量的盲源数估计算法可以有效判定信源个数;在存在测量时延的情况下,卷积信号盲分离目标识别算法能够实现多目标源的识别.     

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。     

基于线性预测的固定点盲源分离算法

将可预测性作为盲源分离的代价函数,可以提取具有不同时序结构的源信号.但这种算法的批处理形式收敛速度较慢,本文针对这种算法进行了改进,根据Kuhn-Tucker条件,提出了基于线性预测的固定点盲源分离算法.与A.K.Barros等提出的批处理算法相比,基于线性预测的固定点批处理算法具有更快的收敛速度.本文提出的固定点批处理算法具有运算量低、无需设置步进长度的优点.实际采集的语音数据试验验证了该算法的有效性.     

基于线性预测的自适应递归最小二乘盲源分离

为了分离具有时序结构的信号,将线性预测均方误差作为代价函数.使分离出信号的可预测性最大,这样就可以分离出源信号.这种最小均方误差型算法,其在线形式采用瞬时预测误差代替预测误差的期望值.导致收敛速度较慢.为了提高这类算法的收敛速度,本文将线性预测误差的加权平均作为代价函数,提出了递归最小二乘型线性预测盲源分离算法.计算机仿真和实际语音分离试验均表明:提出的算法与最小均方误差型线性预测盲源分离算法相比具有更快的收敛速度,且增加的计算量不大.     

基于贝叶斯网络理论的时变混合盲源分离算法

以状态空间模型作为信道的变化模型，研究了时变混合情况下非平稳信号的盲分离问题。首先将隐马尔可夫模型（HMM）和混合高斯（MOG）模型结合起来对具有动态结构和复杂分布的非平稳源信号进行建模，然后运用贝叶斯网络理论处理信道时变情况下独立成分分析（ICA）模型中各变量和参数之间的关系，提出了一种基于贝叶斯推断的可同时完成混合矩阵盲估计及源信号盲分离的算法，通过采用逼近方法有效地减小了算法计算量。计算机仿真试验证明本文算法的有效性。     

基于自组织神经网络的非平稳信号盲分离

针对具有二阶非平稳特性的源信号盲分离问题,提出一种基于自组织神经网络的在线盲源分离新算法.利用自组织神经网络构建一种多层盲分离网络模型,以网络输出层信号的相关性为代价函数,采用自然梯度原理对网络参数进行学习,最小化该代价函数从而实现信号分离.将多层自组织神经网络和自然梯度原理相结合,提高了分离算法的灵活性和性能.最后将该算法与其他算法进行了仿真对比,仿真结果表明该算法具有较好的收敛精度及稳定性.     

一种基于后非线性盲分离的图像解混技术研究

文中将一种后非线性盲分离算法应用于图像解混,该算法不需要额外的附加源信号信息,实现了非线性混合图像的全盲分离.首先,对后非线性混合模型进行微分变换,形成如同线性瞬时混合模型的形式,经论证源信号的微分形式仍保留了源信号的统计特性,达到简化的目的;其次,依据信号的相关特性来建立相应的目标函数及其递推方式,实现盲信号分离目的;最后,通过仿真试验来验证文中算法的有效性、可行性.实验证明,所采用的算法计算量小、收敛速度快、分离指标高,实现了混合图像的全盲分离,扩大了盲分离算法在图像解混技术中的应用范围及影响.     

基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源信号.与现有的最短路径法相比,所提算法可以提高两路以上观测信号的分离性能.相较于平滑L0范数算法,所提算法可以有效提高来波方向较近的语音盲信号分离性能.该方法具有更广阔的适用范围.     

Choosing the parameters of the NARMA model implemented with the recurrent perceptron for speech prediction

Speech signals have statistically nonstationary properties and cannot be processed properly by means of classical linear parametric models (AR, MA, ARMA). The neural network approach to time series prediction is suitable for learning and recognizing the nonlinear nature of the speech signal. We present a neural implementation of the NARMA model (nonlinear ARMA) and test it on a class of speech signals, spoken by both men and women in different dialects of the English language. The Akaike’s information criterion is proposed for the selection of the parameters of the NARMA model.     

舰船水压信号的预测方法研究

提出了一种能从海浪水压信号背景下提取舰船水压信号的预测异常检测(PAD)法。模型预测值与测量值相比较所得的差值被作为检测舰船水压信号是否存在的判据。讨论了作为PAD中预测模型的线性的自回归(AR)模型和非线性的神经网络(NN)模型，并用模拟数据和实测数据对二者进行了比较。仿真结果表明，PAD效果良好，预测模型中，NN模型要优于AR模型。     

小转角下空间目标双基地ISAR二维成像算法

为了解决小转角下空间目标双基地ISAR方位向分辨率下降的问题,提出基于AR模型数据外推的双基地ISAR成像算法.双基地ISAR成像时,小转角下的方位向回波可认为服从AR模型,据此建立线性预测方程,利用Burg熵最大法中的Levions递推估计预测系数,然后对方位向回波进行外推,最后基于原始数据和外推后的数据共同进行谱估...     

基于AR模型与神经网络预测互联网时延*

在分析了互联网传输时延的组成和特性后,提出了采用AR模型和自适应线性神经网络模型预测不确定性的互联网传输时延的方法。仿真结果证明AR模型和自适应线性神经网络模型提供了两种有前途的互联网时延预测方法,相比于AR模型,自适应线性神经网络有更好的预测效果。     

改进的自回归AR（p）预测模型在WSN中的应用

自回归AR（p）预测模型是无线传感网络（WSN）中一种减少数据传输次数和降低能量消耗的方法。针对AR（p）模型在建模过程中忽略了不同时期的历史数据对预测值的影响存在的差异,导致模型预测精度不高、网络通信频率受影响的问题,提出了一种改进的预测模型FAR（p）。在AR（p）模型中引入一种新的模糊隶属度函数,通过模糊隶属度函数对预测模型的每个历史数据赋予权值,实现历史数据“重近轻远”的预测效果,并经二次加权平均算法处理后重新构建预测模型。仿真结果表明,改进的预测模型有效地提高了模型预测精度,减少了传感网络中数据传输次数,降低了能量消耗。     

Development of Box–Jenkins type time series models by combining conventional and orthonormal basis filter approaches

A unified scheme for developing Box–Jenkins (BJ) type models from input–output plant data by combining orthonormal basis filter (OBF) model and conventional time series models, and the procedure for the corresponding multi-step-ahead prediction are presented. The models have a deterministic part that has an OBF structure and an explicit stochastic part which has either an AR or an ARMA structure. The proposed models combine all the advantages of an OBF model over conventional linear models together with an explicit noise model. The parameters of the OBF–AR model are easily estimated by linear least square method. The OBF–ARMA model structure leads to a pseudo-linear regression where the parameters can be easily estimated using either a two-step linear least square method or an extended least square method. Models for MIMO systems are easily developed using multiple MISO models. The advantages of the proposed models over BJ models are: parameters can be easily and accurately determined without involving nonlinear optimization; a prior knowledge of time delays is not required; and the identification and prediction schemes can be easily extended to MIMO systems. The proposed methods are illustrated with two SISO simulation case studies and one MIMO, real plant pilot-scale distillation column.     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。     

改进模糊自回归模型在预测网络接通率中的应用

针对通信网络中性能指标预测的需要,提出了基于改进的模糊自回归模型的接通率预测方法,研究了拟合度门限自适应的模糊自回归模型。将中值滤波应用于模糊自回归模型的数据预处理中,在此基础上,针对部分应用拟合度门限不明确的特点,将拟合度门限计算式加入预测模型中,实现模型拟合度门限的自适应。仿真实验表明：基于Fuzzy AR模型的预测方法可以用于对接通率的预测,预测结果拟合度较高。     

基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析

本文提供了两种网络流量入侵检测的方法和它们的结果对比。这两种方法分别为线性的自回归预测以及非线性的支持向量机预测。本文将给出使用这两种方法在预测网络攻击的夺效性的详细分析。实验证明用支持向量机模型确实改进了对于攻击的识别性能，并且其误警率比AR模型低了很多。此外，与SVM相比较，AR预测模型的计算复杂度要低。