密度空间与密度峰值聚类的欠定混合矩阵估计

针对欠定盲源分离问题, 提出了增强信号稀疏性的方法,并把具有噪声的基于密度空间聚类与寻找密度峰值聚类相结合用于估计混合矩阵。首先,把时域观测信号变换成时频域的稀疏信号,通过单源点检测突出信号的线性聚类特性,并采用镜像映射将线性聚类转变成致密聚类以便于进行密度基的聚类分析;然后,利用密度空间聚类搜寻密集数据堆中高密度的点和与之相应的邻域,以自动形成聚类簇的数量和初步聚类中心;最后,把获得的聚类数量作为密度峰值聚类的输入参数,在数据簇的范围内搜索其密度峰值以实现对聚类中心位置的进一步修正。以上方法不仅可提高混合矩阵的估计精度,而且估计量具有较高的一致性。     

欠定条件下弱稀疏源信号混合矩阵盲估计

针对源信号的稀疏性影响欠定混合矩阵的估计精度, 在源信号单源频率及非单源频率分量分析的基础上,通过对观测信号频率峰值的幅值比值所 构成的列向量聚类,提出欠定条件下弱稀疏源信号混合矩阵的盲估计方法。鉴于经典聚类算 法的局部收敛性带来聚类结果的不稳定性,采用全局收敛特性较好的遗传模拟退火聚类算法 提高聚类结果的鲁棒性。仿真实验表明,本文提出的混合矩阵估计方法及采用的聚类算法 在不同欠定条件及噪声环境下具有较强的估计性能。     

基于改进DBSCAN算法估计欠定混合矩阵的应用研究

针对欠定盲源分离（Underdetermined blind source separation, UBSS）问题,采用基于密度的空间聚类（Density based spatial clustering of applications with noise, DBSCAN）算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混合矩阵的精度降低,导致信号分离结果不理想。本文在DBSCAN基础上提出布谷鸟自适应搜索群优化算法（Cuckoo adaptive search swarm optimization of density based spatial clustering of applications with noise, CASSO-DBSCAN）,该算法依据Levy飞行策略增强全局自适应搜索能力,并利用群体学习思想精细寻优得到最优解,从而更加精准地估计聚类中心。通过语音信号的盲源分离仿真实验对该算法进行验证,结果表明,该算法能够有效改善欠定混合矩阵的估计精度,具有良好的鲁棒性,证明了其可行性。     

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.     

基于改进蜂群聚类的欠定盲源分离

针对欠定盲分离中混合矩阵估计精度不高的问题,采用了改进的人工蜂群（ABC）聚类算法。从观测信号的线性聚类特点和蜂群的多样性考虑,改进雇佣蜂的搜索策略,从而加快算法的收敛速度。同时,引入基于Levy飞行的局部搜索方法,进一步对当前最优解的邻域进行搜索,提高ABC算法局部开发能力。仿真结果表明,该方法在源个数较多的情况下仍然有较高的混合矩阵估计精度。     

基于密度峰值和模糊聚类的欠定混叠矩阵估计

传统聚类算法进行混叠矩阵估计时存在的聚类中心个数不确定和初始聚类中心的随机选取导致陷入局部最优的问题,为此提出一种基于密度峰值的改进模糊聚类算法进行欠定盲源分离的混叠矩阵估计。通过短时傅里叶变换提取信号在频域中的稀疏特性,利用寻找密度峰值聚类算法(clustering by fast search and find of density peaks, CFSFDP)自动获取聚类簇的数目和初始聚类中心;将获得的聚类数目和聚类结果作为模糊聚类算法(fuzzy c-means clustering, FCM)的初始输入参数,提高FCM聚类结果的精度。实验结果表明,该算法可以准确估计源信号的数目,相比传统FCM、层次聚类、基于密度峰值改进的粒子群等聚类算法,可以有效提高欠定盲源分离的混叠矩阵估计精度。     

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。     

具有相似性传播的K-均值欠定盲分离算法

对于稀疏信源的欠定盲分离问题,混合矩阵的估计是至关重要的。为了提高估计性能,提出一种组合的聚类分析算法。首先,利用短时傅里叶变换把时域中的观测信号转变成频域中的稀疏信号,并通过数据的归一化把稀疏信号在频域的线性聚类转变成致密聚类。然后,利用相似性传播AP聚类方法搜索每个观测数据的邻域自动形成数据族的数量和相对应的关键数据。最后,以AP聚类的结果作为K-均值算法的初始值,对每类(族)数据的聚类中心进一步修正。仿真结果表明,组合聚类法能有效地提高混合矩阵的估计精度。把AP聚类和K-均值算法相结合的另一个优势是,能够克服经典K-均值算法需要事先知道信源数量和对数据的初始划分非常敏感的缺陷。     

估计盲信源分离混合矩阵的通用方法

混合矩阵的估计是解决盲信源分离问题的关键一步,但现有研究中缺乏一种同时适用于适定、超定及欠定情况下混合矩阵估计的通用方法。根据张量标准分解的因子矩阵和盲信源分离混合矩阵的估计均存在幅值和排列顺序的不确定性这一性质,将混合矩阵的估计转化为观测信号统计量所组成张量的标准分解问题,标准分解采用循环最小化方法,通过交替最小二乘算法实现。理论分析和仿真实验表明,所提方法可有效解决适定、超定和欠定混合矩阵的估计,是一种估计盲信源分离混合矩阵的通用方法。     

功率谱估计和扩展子空间下的欠定盲分离

研究了欠定情形下的信号盲分离。充分利用信号的时频特性,提出了AR模型功率谱估计法滑动估计信号频率,设计带通滤波器近似获取源信号和欠定混合矩阵,以及扩展子空间向量基构造完备观测信号的方法,将问题转化为完备情况下的盲分离,最后运用FastICA方法实现了信号盲分离。仿真实验数据表明方法的可行性和有效性,为欠定盲分离问题研究提供了新的思路。     

基于GASA-FCM混合聚类与霍夫变换的欠定混合矩阵估计

针对模糊C-均值聚类(fuzzy C-means clustering,FCM)算法在欠定混合矩阵估计中精度低、鲁棒性差的缺点,提出一种基于遗传模拟退火优化FCM(GASA-FCM)混合聚类和霍夫变换的欠定混合矩阵估计算法。该算法首先结合了模拟退火算法(simulated annealing algorithm,SA)全局搜索、高精度的优点和遗传算法(genetic algorithm,GA)强大的空间搜索能力,将经遗传模拟退火算法得到的聚类中心点赋给FCM,避免了初值选择的随机性。再利用霍夫变换对聚类得到的每一类数据的中心进行修正,提高混合矩阵的估计精度。实验结果表明,提出的算法明显改善了算法的稳定性和混合矩阵估计精度,具有一定的有效性和可行性。     

蚁群聚类的欠定盲源分离方法

利用欠定盲源分离情况下稀疏源信号具有直线聚类的特点,提出了一种估计混叠矩阵的新方法。通过对混叠信号进行标准化处理,使混叠信号形成球形簇,将线性聚类转变成致密聚类;利用蚁群聚类算法对其进行搜索得到聚类中心,从而获得对混叠矩阵的精确估计。该方法能实现源信号数目未知情况下的欠定盲源分离,且能推广到三路或更多路观测信号的情况。对语音信号的仿真结果证明,该方法能精确地分离和恢复原始信号。     

基于二态稀疏混合高斯模型的混叠矩阵快速估计算法

基于二态稀疏混合高斯模型,提出了一种新的多支配成分SCA中混叠矩阵估计的快速算法。通过SCA模型的几何意义,讨论了观测信号的分布情况,并证明了在特定情况下混叠矩阵列向量可以通过简单的空间点密度检测方法进行定位估计。介绍了一种采用空间密度检测技术的出混叠矩阵直接估计方法,该方法能够非常有效地提高算法的计算效率。实验结果表明,该算法相比于其它算法具有明显的速度优势。     

Source number estimation and separation algorithms of underdetermined blind separation

Recently, sparse component analysis （SCA） has become a hot spot in BSS research. Instead of independent component analysis （ICA）, SCA can be used to solve underdetermined mixture efficiently. Two-step approach （TSA） is one of the typical methods to solve SCA based BSS problems. It estimates the mixing matrix before the separation of the sources. K-means clustering is often used to estimate the mixing matrix. It relies on the prior knowledge of the source number strongly. However, the estimation of the source number is an obstacle. In this paper, a fuzzy clustering method is proposed to estimate the source number and mixing matrix simultaneously. After that, the sources are recovered by the shortest path method （SPM）. Simulations show the availability and robustness of the proposed method.     

Atrial fibrillatory signal estimation using blind source extraction algorithm based on high-order statistics

The analysis and the characterization of atrial fibrillation （AF） requires, in a previous key step, the extraction of the atrial activity （AA） free from 12-lead electrocardiogram （ECG）. This contribution proposes a novel non-invasive approach for the AA estimation in AF episodes. The method is based on blind source extraction （BSE） using high order statistics （HOS）. The validity and performance of this algorithm are confirmed by extensive computer simulations and experiments on realworld data. In contrast to blind source separation （BSS） methods, BSE only extract one desired signal, and it is easy for the machine to judge whether the extracted signal is AA source by calculating its spectrum concentration, while it is hard for the machine using BSS method to judge which one of the separated twelve signals is AA source. Therefore, the proposed method is expected to have great potential in clinical monitoring.     

HT-LSM的欠定混合盲信号分离方法的研究

利用Hough变换可以检测观测空间中的直线方向从而确定混叠矩阵的方法,提出了欠定盲源分离中估计混叠矩阵的一种新算法——HT-LSM算法。该算法在介绍欠定盲信号分离基本原理的基础上,介绍基于Hough变换的盲信道估计算法,并将改进后的Hough变换与最小二乘法相结合,在不影响检测结果速度的同时又进一步提高了检测精度,应用到欠定语音信号分离中,取得了良好的实验效果。     

基于欠定盲分离的同步/异步跳频网台分选方法

研究无线通信网台分选优化问题,现有的跳频网台分选大多要求阵元数必须大于信号数,由于在实际应用中常常很难满足,为了用有限的阵元数分选尽可能多的跳频信号,提出了一种基于欠定盲分离的跳频信号分选方法.根据跳频信号具有良好的时频稀疏性,依据稀疏分量分析的“两步法”思路,首先用单源点聚类方法估计混合矩阵;然后利用子空间投影方法分离各跳频信号,从而实现了跳频信号的欠定盲分离.仿真结果表明了改进方法的有效性,为通信网分选优化提供了参考.