基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

抑制边缘效应的自适应单通道盲源分离

单入多出的盲源分离SIMO_BSS是一种特殊的欠定盲源分离。针对单信道问题,通常采用总体经验模态分解和独立成分分析联合使用EEMD_ICA算法。然而,以EEMD为基础的盲源分离算法,会产生边缘效应降低信号分离准确率。因此,提出了一种在端点处增加预测极值点的方法来抑制边缘效应,在时间、空间复杂度上要明显优于基于周期延拓源信号的方法,而且适用于长序列信号的分离。在不同的信噪比SNR下,通过心电ECG混合信号仿真,该方法比EEMD_ICA方法,以及EEMD_PCA_ICA方法分离出的信号相似度高。最后将该算法实际应用到周期压电信号中,结果表明该方法具有明显的去噪分离效果。     

基于EEMD-ICA与SVD的电网谐波检测方法研究

论文将EEMD-ICA技术与SVD相结合,提出基于EEMD-SVD-ICA算法的单通道电网电压谐波分离方法,与现有单通道谐波分离方法相比具有无需源信号先验信息,可分离非平稳信号谐波,算法简单等优点。EEMD方法将单通道信号分解为多路互相正交的本征模态函数分量(IMFs),然后采用SVD代替PCA方法进行数据降维,再运用基于负熵的固定点独立成分分析(FastICA)方法提取IMFs独立分量,实现单通道电网电压谐波分离。对模拟信号进行谐波分离,验证所提方法在该领域的应用的可行性,仿真结果表明论文所提方法不仅能够分离电网电压的谐波,并且对频率小于50Hz的间谐波也有很好的分离效果。     

独立成分分析算法及其在脑电图中的应用

研究脑电图成像的数据处理问题时,独立成分分析(ICA)是一种新的信号处理统计方法,被广泛用于各个领域.脑电图就是,利用独立成分分析从混合信号中还原出源信号,通过目标函数,如极大似然估计,信息最大化和互信息最小化等,对源信号的概率密度函数(PDF)进行估计.在基于互信息最小化算法的基础上,提出一种新的独立成分分析算法,算法中的核心参数是由信号本身来确定的,能使所估计的PDF更加准确,从而提高分离的性能.最后,用新的ICA算法来实现脑电图(EEG)信号的盲源分离,结果表明,算法可以快速有效的分离其源信号,且准确性优于Boscolo提出的非参量ICA模型.     

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。     

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。     

基于FastICA算法的盲源分离

近年来,ICA(Independent Component Analysis,独立成分分析)已成为处理BSS(Blind Source Separation,盲源分离)问题的主要手段,同时也受到人们越来越多的关注,为此讨论ICA的原理及其优越性.首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将其与梯度算法、PCA(Principal Component Analysis,主成分分析)算法所得的仿真结果进行对比分析.通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与其他两种算法比较可以明显地得到FastICA是一种更为有效的盲源分离方法.     

基于品质函数估计的非线性盲源分离算法

研究非线性盲源信号分离优化问题。由于混合信号同时包含超高斯和亚高斯信号且混合信号具有很强的非线性时,传统的非线性盲源分离算法中对于品质函数的选取一般都是通过经验,现有算法难以取得理想的分离效果。在Pearson模型的基础上提出了一种新的估计品质函数的方法,算法能够成功地估计出次高斯(sub-Gaussian)和超高斯(super-Gaussi-an)混合信号的品质函数,同时克服了Pearson模型对同类信号只能估计得到相同的品质函数的缺陷,提高了算法的估计精度。通过在MATLAB仿真验证了算法的可行性和有效性,成功估计出源信号的品质函数且实现了非线性盲源分离。