任意概率密度信号的盲分离

独立分量分析(ICA)是一种把多维随机矢量转换为尽可能统计独立的分量的统计方法,被广泛用于非高斯信号处理领域。本文给出了一种基于峰度的盲源分离(BSS)算法,也可看作是最大似然方法的扩展,解决了最大似然方法限制过多的缺陷,且与用Comon的方法求解Givens矩阵相比,结构清晰、实现简单。仿真证明了算法的有效性。     

一种基于半盲源分离的回声抵消方法

传统的声学回声抵消算法中双端对讲会导致自适应滤波器的更新受到影响,因此一般需要配合双端对讲检测技术来调节滤波器的更新速度.本文提出了一种基于半盲源分离的无需双端对讲检测的频域回声抵消方法.假设近端和远端信号为零均值复高斯分布的前提下,在半盲源分离问题的框架中采用最大似然估计得到回声路径,在估计回声路径的更新过程中引入对...     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

基于QR分解与罚函数方法的盲分离算法

基于信号的白化变换及矩阵的QR分解理论，提出了一种新的盲分离算法。该算法将对混叠矩阵的辨识转化成对一系列Givens矩阵的辨识，从而减少了对n^2-c^2n个未知矩阵元素的辨识，降低了其计算量。另外，在对未知元素进行辨识时，采用了改进的罚函数算法，这样又大大提高了算法的收敛性能。仿真结果表明，该算法不仅缩短了分离时间，而且有很好的分离效果。     

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.     

语音信号频域盲分离算法

盲信号分离算法广泛应用于信号处理领域,本文介绍了一种基于互相关的盲分离频域算法,并且通过计算机仿真验证了本方法的有效性。     

交流电机调速系统振动信号的盲源分离

介绍了盲源分离的基本概念以及基于负熵的盲源分离技术。以交流电机变频调速系统振动信号为研究对象,介绍了快速定点独立分量分析（Fast ICA）方法,并通过MATLAB软件编程,对系统的实测振动信号进行了分离。分离结果表明,该算法能够从复杂振动信号中有效地分离出大部分源信号,实现主要振动源信号的提取。     

多特征值分解的稀疏混沌信号盲源分离算法研究

针对受到噪声干扰的激光混沌源信号高精度重构的问题,本文提出了一种基于相位空间重构混沌流信号的盲源分离算法。该算法首先对分离信号的相位空间进行时间延迟重构,然后将分离矩阵作为待优化参数,通过在相空间中构建目标函数,将盲源分离问题转换为优化问题,应用粒子群优化算法求解最优分离矩阵,进而将观测数据乘以最优分离矩阵来重构源信号。实验结果表明,该算法不仅具有快速收敛的特点,其精度明显优于各种噪声强度下现有的独立分量分析方法。     

基于Givens变换和二阶振荡W-C-PSO优化的盲源分离算法

针对智能算法在实现盲源分离时容易陷入局部最优且收敛速度缓慢的问题,提出一种基于Givens变换和二阶振荡粒子群优化的盲源分离算法。该算法首先将惯性权重与学习因子两个参数构造函数关系,使之共同调节算法迭代来提高算法的整体性与全局搜索能力;再引入二阶振荡环节增加种群的多样性,这样算法不易陷入局部最优;此外,采用Givens变换将分离矩阵转换成旋转角度表示形式来降低算法的复杂度。仿真表明,该算法能有效实现机械振动信号和语音信号的盲分离,并且相比其他算法具有更快的收敛速度和更好的分离性能。     

Blind Separation of Mutually Correlated Sources Using Precoders

This paper studies the problem of blind source separation (BSS) from instantaneous mixtures with the assumption that the source signals are mutually correlated. We propose a novel approach to BSS by using precoders in transmitters. We show that if the precoders are properly designed, some cross-correlation coefficients of the coded signals can be forced to be zero at certain time lags. Then, the unique correlation properties of the coded signals can be exploited in receiver to achieve source separation. Based on the proposed precoders, a subspace-based algorithm is derived for the blind separation of mutually correlated sources. The effectiveness of the algorithm is illustrated by simulation examples.      

涡轮喷气发动机噪声源的盲分离

讨论了基于噪声监测的飞机发动机故障诊断技术的可行性.由于涡轮喷气发动机噪声信号中不同源信号之间的混叠,使得噪声信号分析和特征提取更加凼难.根据声源信号的相互独立性质,针对涡轮喷气发动机噪声信号,阐述了利用盲分离技术对涡轮喷气发动机噪声信号进行分离的原理和实现.利用自然梯度算法对涡轮喷气发动机转子产生的噪声信号进行了肓分离实践,分离结果验证了方法的可行性和有效性,并从分离的信号中提取了有效的发动机状态信息.为发动机状态监测与故障诊断提供了一种可行的信号处理方法.     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

Indeterminacy Free Frequency-Domain Blind Separation of Reverberant Audio Sources

Blind separation of convolutive mixtures is a very complicated task that has applications in many fields of speech and audio processing, such as hearing aids and man-machine interfaces. One of the proposed solutions is the frequency-domain independent component analysis. The main disadvantage of this method is the presence of permutation ambiguities among consecutive frequency bins. Moreover, this problem is worst when reverberation time increases. Presented in this paper is a new frequency-domain method, that uses a simplified mixing model, where the impulse responses from one source to each microphone are expressed as scaled and delayed versions of one of these impulse responses. This assumption, based on the similitude among waveforms of the impulse responses, is valid for a small spacing of the microphones. Under this model, separation is performed without any permutation or amplitude ambiguity among consecutive frequency bins. This new method is aimed mainly to obtain separation, with a small reduction of reverberation. Nevertheless, as the reverberation is included in the model, the new method is capable of performing separation for a wide range of reverberant conditions, with very high speed. The separation quality is evaluated using a perceptually designed objective measure. Also, an automatic speech recognition system is used to test the advantages of the algorithm in a real application. Very good results are obtained for both, artificial and real mixtures. The results are significantly better than those by other standard blind source separation algorithms.     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

一种前馈结构的卷积混合盲分离算法

1998年，Torkkola提出了反馈分离结构的信息最大化算法，该算法对应于稳定的IIR滤波器。只能用于最小相位混合。而真实的环境往往包括非最小相位传输系统。本文在分析反馈分离算法的基础上，提出了一种在频域上用前馈结构的信息最大化算法，该算法对应于非因果FIR滤波器。为非最小相位系统的盲分离问题提供了一个解决方案。最后，我们将演示用这种方法分离实际环境下的两个自然信号。     

独立分量分析对相关信号源的盲辨识性能分析

源信号之间统计独立是经典独立分量分析模型的基本要求。对实际信号而言,严格的统计独立是很难满足的,统计独立通常解释为尽可能的独立或者物理独立。在探讨了源信号之间存在弱线性相关后,对源信号的构成依次做出了三种假设,分析了独立分量分析对相关信号源的辨识能力。理论研究和实验表明,即使信号源之间存在弱相关性,独立分量分析方法仍然反映信号源的波形特征。     

Probability Density Estimation Using Adaptive Activation Function Neurons

In this paper we deal with the problem of approximating the probability density function of a signal by means of adaptive activation function neurons. We compare the proposed approach to the one based on a mixture of kernels and show through computer simulations that comparable results may be obtained with limited expense in computational efforts.     

A Method of Generating Random Vectors with a Given Probability Density Function

We propose a method for generating random independent vectors that have a given continuous distribution density with compact support. The main advantage of the proposed method are guaranteed estimates of the error in the generation of random vectors. We show an illustrative experimental comparison of the proposed method with the Metropolis-Hastings algorithm.