基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点。传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果。根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化。仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.     

基于改进自然梯度算法的双目标辨识研究

对时变的水下目标声信号进行盲分离时,针对自然梯度算法存在不稳定收敛的不足,提出了一种可对水下目标进行辨识的改进自然梯度算法。通过对观测数据的白化处理、构建实信号和复信号盲分离都适用的非线性函数、快速收敛学习因子和基于功率谱方法的盲分离效果评估函数,实现了水下目标声信号盲分离和目标辨识的改进算法。仿真结果和实船信号试验数据的一致性,表明了改进算法具有更好的收敛性能,而且在频域评估时盲分离效果更加简单直观,验证了改进算法的实用性和有效性。     

复值信号盲分离算法的研究

针对现有盲源分离算法适用范围受限、收敛速度过慢等问题,提出了一种适用于任意非高斯统计独立的复值信号快速盲分离算法.该算法以复值信号的峭度最大化为目标函数,采用修正的复值拟牛顿迭带算法对目标函数优化.分别用圆对称和非圆对称复值信号以及二者混合信号作为信号源对该算法和现有算法进行仿真对比.实验结果表明,该算法相对现有算法,不但很好地分离出非圆对称复值信号和圆对称复值信号,对于二者混合的信号仍有很好的分离效果,而且具有收敛速度快、不需要步长调节参数、分离误差小等优点.     

带稀疏惩罚的LCNN盲目图像复原

为了加强算法的稀疏性和稳定性,在SCAD基础上提出了一种新的稀疏惩罚函数,并加入到拉格朗日约束神经网络中,以克服传统盲源分离方法和独立分量分析方法的缺陷,有效地避免了方程的病态问题,提高盲目图像复原的稀疏性、稳定性和准确性。通过人工数据和真实数据的不同复原算法对比实验,证明了带稀疏惩罚的拉格朗日约束神经网络盲目图像复原技术具有良好的图像复原效果。     

基于递归神经网络的盲均衡算法的改进

提出了一种改进的基于递归神经网络的盲均衡算法,它利用信号的高阶统计特性构造了代价函数,用共轭梯度算法对递归神经网络进行训练,且利用线性搜索法对参数进行动态选取,模拟结果显示该算法能很好的用于各种信道及信号的均衡．     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法(Mind Evolutionary Algorithm,MEA)中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

基于递时神经网络的盲均衡算法的改进

提出了一种改进的基于递归神经网络的盲均衡算法，它利用信号的高阶统计特性构造了代价函数，用共轭梯度算法对递归神经网络进行训练，且利用线性搜索法对参数进行动态选取，模拟结果显示该算法能很好的用于各种信道及信号的均衡．     

基于无监督学习的盲信号源分离技术研究

以独立分量分析为主要对象,描述了盲信号源分离技术的基本模型,介绍了盲分离的主要方法和数学原理,分析了盲信号源的可辨识性。提出基于神经网络无监督学习的盲分离方法,并改进了分离效果评判指标。在生物信息处理的背景下将人工神经网络和信息理论相结合,解决了盲信号源分离,自适应地求得分离矩阵,且可以同时分离具有正峭度和负峭度的信号源,对盲信号源分离的研究有极大的促进作用。     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．     

一种新的基于小波变换的自适应量化音频水印算法

提出了一种新的自适应量化数字音频水印算法,利用量化信噪比自适应地确定量化步长,进而利用音频信号的特点来决定水印的嵌入强度.在提取水印时不需要原始的音频信号,所以可实现水印的盲提取.仿真结果表明,该算法不仅具有较好的透明性,而且也对叠加噪声、有损压缩、低通滤波、重新采样等攻击具有较好的鲁棒性.     

应用改进ICA-R算法的供水管网漏失量估计

漏失量作为城市供水管网漏损量的主要组成成分,可作为管网漏损控制的重要参考指标.现有漏失量计算方法存在准确度不高,计算过程复杂等问题,而盲源分离法具有数据需求量少,分析结果准确特点.针对盲源分离中约束独立成分分析(CICA)算法在漏失量估计中存在误收敛,限制盲源分离法进一步应用的问题,提出利用改进的带参考信号的独立成分分析(改进ICA-R)算法进行供水管网漏失量估计思路.对目标函数选取、信号处理过程进行分析说明,同时设计算例管网模型并搭建漏失实验平台验证算法分离效果,并与快速独立成分分析(FastICA)算法处理效果进行对比.采用皮尔逊相关系数评价漏失量分离效果,利用平均相对误差评价改进ICA-R分离精度.结果证明,使用改进ICA-R算法分离漏失量所得相关系数维持在90%附近,平均相对误差维持在15%以内,优于FastICA算法,该方法避免加装大量计量仪表,降低了漏失量计算成本,可为漏失量计算提供参考,便于各水司有针对性地采取漏损控制措施.     

盲音频数字水印算法

为有效实现网络环境下数字产品的版权保护和信息安全,在m序列调制的量化音频水印算法的基础上,提出了一种新的盲音频数字水印算法,将二维二值图像水印降为一维序列,再将水印序列与m序列做扩频调制,最后对音频信号进行分段离散余弦变换,把经过调制的水印信号经过量化处理嵌入到变换域系数上．在水印的提取过程中不需要原始的音频信号．仿真实验结果证明了算法的不可觉察性和稳健性．     

基于(t,n)门限的自同步小波域音频盲水印技术

提出一种基于（t，n）门限的自同步小波域音频数字盲水印技术，水印嵌入过程是在小波变换域中进行的，按照秘密共享技术将水印信号分解为n份水印影子，只有t个或大于t个用户才能同时恢复水印，而t-1或更少的用户均不能恢复水印，在增加信息安全性的同时可防止信息泄漏．利用语音信号小波变换自身特点，根据小波变换系数进行基音周期检测，并以此作为水印过程的同步点，水印检测前先搜索同步点，实现水印检测和嵌入过程的自同步，检测过程采用独立分量分析技术，在不需要任何原始音频、水印、嵌入过程信息以及可能经历的攻击信息的情况下可精确恢复水印，实现盲检测，为防止欺骗攻击，在信息恢复前，利用单向散列函数抵抗欺骗攻击，该算法中水印采用的是具有实际意义的语音信号．实验表明，该算法具有很好的鲁棒性．     

运用改进神经网络算法建立水库调度函数

简述了改进的神经网络算法,利用神经网络强大的非线性映射能力建立了水库调度函数的神经网络模型,并运用模型模拟湖南凤滩水电厂水库调度运行,同时与常规回归分析方法建立的水库调度函数模拟计算结果进行比较.研究结果表明神经网络法建立的水库调度函数具有更高的模拟计算精度,具有更好的实用性和可行性.     

DEBBSS信号源盲分离算法的研究

在基于人工神经网络的信号源盲分离算法中,普遍需要使用通过源信号的概率密度函数定义的评价函数（score function）作为网络的激活函数（Activation function）.由于信号源未知,因此无法获得有关评价函数的信息,传统的方法是利用某些特定的非线性函数来替代源信号的评价函数.这种利用非线性函数替代源信号评价函数的方法能够成功地实现同系混合（homogeneous mixture）信号的盲分离,但都不能分离杂系混合（hybrid mixture）信号.文献[1]利用非参数法概率密度函数估计的核函数方法,通过对源信号评价函数的直接估计,提出了一种基于概率密度函数估计的DEBBBS算法,成功地解决了非线性函数替代方法存在的不能分离杂系混合信号的问题.笔者通过数值仿真,比较了DEBBBS算法与著名的EASI算法,证明新算法分离杂系混合信号的有效性.同时,也进一步将DEBBSS算法与同样能够分离杂系混合信号的EXTICA算法进行了比较,计算机仿真过程证明,即使与同样能够分离杂系混合信号的EXTICA算法相比,DEBBSS算法在算法的有效性和稳定性方面也表现出优异的性能.     

Anti-jamming algorithm for spread spectrum communication using blind source separation

An improved anti-jamming algorithm for spread spectrum communication based on blind source separation (BSS) is proposed to solve the problem that the separation performance of BSS technology deteriorates at a low signal-to-noise ratio (SNR), especially at the threshold SNR of spread spectrum communication. First, the algorithm detects the ambiguity of the output of the blind source separation algorithm, and then uses the detection result to correct the separation matrix. Finally, the new separation matrix is obtained by accumulating a plurality of modified matrices, and applied to the jamming separation of the system. The algorithm has a simple structure and can realize anti-jamming communication of the spread spectrum system at the demodulation threshold. Simulation results show that the demodulation error performance of the communication signal after removing the jamming by the algorithm at a negative SNR is still close to the theoretical performance.     

白化处理的自然梯度盲源分离统一算法

分析了基于自然梯度的信号白化处理和白化后的盲信号分离,提出了一种基于白化处理的自然梯度盲源分离算法.算法统一了信号的白化和分离,而不需要单独再对信号进行白化预处理,通过采用自然梯度学习规则提高了算法的性能,并理论证明了算法的可分离性、等变化性和分离矩阵的非奇异性.仿真表明,算法能够有效地分离和重构源信号,相比信号未白化的随机梯度算法以及传统的FastICA算法,收敛速度快、分离效果好,更适合盲源分离.