噪声中的复信号盲源分离算法

复信号分析是信号处理技术常见的问题之一,在盲信号分离及处理技术中特别是卷积混合问题或频域分析等均需要建立与之相应的复值分析模型。然而在以往的分析中,由于此类问题往往是基于无噪声的约束条件,因此局限了该技术在实际中的应用。针对这一问题,将复值盲源分离问题推广到含噪声的一般环境中。通过分析高斯噪声协方差的一般特征,利用高斯噪声协方差的参数信息,导出了一种在噪声环境下盲源分离的不动点算法,该算法可以在噪声环境中通过观测信号估计与之对应的有效分离矩阵,使得复值信号在噪声环境中混合中仍然能成功分离出源信号。仿真结果表明了所研究方法的可行性与有效性。     

抑制干扰的频域盲源分离后处理算法

在混响时间较长的情况下,一般的频域盲源分离算法可能不完全收敛,导致分离信号中包含部分干扰信号,降低分离算法性能。根据语音信号在时频域分布的稀疏特性,估计分离信号中目标信号和干扰信号的功率谱密度,提出一种改进的频域维纳滤波后处理算法。仿真实验结果证明,与原有频域维纳滤波算法相比,该算法在不增加计算复杂度的前提下,抑制的干扰信号增加了1dB～2dB,是一种有效的频域盲源分离后处理算法。     

稀疏盲源信号分离的新算法

针对以往通常采用线性规划或最短路径法计算相对复杂这一稀疏盲信号分离瓶颈,提出了一种新的算法,通过方向投影合理设置迭代初始值,结合最速下降法寻优估计源信号。新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求。     

盲源分离自适应算法的改进

指出了盲源分离自适应算法之间的联系,在满足多种性能择优标准前提下,引入了改进的非线性函数,该函数有效地实现了语音信号的盲分离,同时也提高了算法的收敛速度,实验表明该方法能够更快速地分离混迭语音。     

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.     

几种盲源分离算法的比较

文章研究了基于高阶统计量的FastlCA算法、基于信息理论的Infomax算法和基于四阶统计量的JADE算法等几种典型盲源分离算法在噪声环境下的分离性能.比较结果显示各种算法分离噪声信号的性能是不同的.对于某些混有一定噪声的特定信号,某些算法的分离性能要优于其他信号.研究结果还表明,基于信噪比和信号的特性来选择盲源分离算法能够给出令人满意的分离效果.     

一种新的用于语音分离的盲源分离算法

提出了一种基于自然梯度的语音盲分离改进算法。该算法首先使用奇异值分解（SVD）的方法对观测信号进行预白化处理,而后使用自然梯度算法对预白化处理后的观测信号进行分离。通过计算机模拟试验,结果显示该算法能够有效地分离随机混合的自然语音信号。     

基于最大信噪比的盲源分离算法

提出一种新的低计算复杂度的瞬时线性混叠信号的盲分离算法,该算法利用统计独立信号完全分离时信噪比量大作为分离准则。源信号用估计信号的滑动平均代替,把源信号和噪声信号协方差矩阵的函数表示成广义特征值问题,通过广义特征值问题求解分离矩阵不需要任何迭代运算。和典型的信息理论方法相比,该算法的优点是具有非常低的计算复杂度。计算机模拟实验证明,该算法能够分离线性混合的超高斯和亚高斯源信号,并且可以有效地分离语音信号。     

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.     

初始分离矩阵优化的在线盲源分离算法

针对在线盲源分离算法收敛速度受初始分离矩阵影响的问题,提出一种基于人工蜂群算法(ABC)的初始分离矩阵优化的在线盲源分离算法。该算法利用人工蜂群算法较强的搜索能力,在盲源分离的初始阶段以批处理的方式进行分离矩阵的寻优,使得算法获得较好的初始迭代点,然后采用梯度下降法以在线的方式实现分离,从而提高算法的整体收敛性能。仿真结果证明了所提算法的有效性,并且其适用于混合矩阵时变的情形。     

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法 得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。     

噪声背景下的胎儿心电提取

在实际应用中,考虑有噪声影响的胎儿心电提取算法具有现实意义,因此本文提出了噪声背景下的基于归一化均方预测误差的新的胎儿心电提取算法.该算法在目标函数中去除了噪声的干扰.理论分析和仿真实验表明了该算法的有效性.与不考虑噪声的胎儿心电提取算法相比,该算法具有更好的提取性能.     

欠定条件下的盲分离算法

盲信号分离中当源信号个数大于观测信号个数,且源信号不是足够稀疏时,如果利用聚类算法进行分离,分离效果将会变差。为此提出一种在此欠定条件下新的盲信号分离算法。利用源信号的“稀疏性”估计混合矩阵,然后简化混合矩阵构造新的混合模型。由于源信号间具有的独立性,使得可以在新的混合模型中从观察信号的自相关函数中估计出源信号的频谱,从而达到分离出源信号的目的,且分离效果优于聚类算法。最后给出仿真试验实例,试验结果验证了算法的有效性。     

改进的EMD算法及其在含噪盲扰信分离中的应用

针对经验模态分解(EMD)降噪算法存在因表示噪声的内蕴模态函数(IMF)分量选择不当而引起的降噪性能不稳定的问题,对其进行改进,加入对噪声水平的估计,并将噪声阈值作为分解结束的判决门限,避免了对噪声IMF分量的选择。在此基础上,联合小波变换进行降噪,并应用于含噪盲扰信分离中。仿真表明在一定范围的低信噪比条件下,该算法增强了盲扰信分离的抗噪声性能,可将源信号从染噪的观测信号中有效地分离出来。     

多个源信号混叠的盲分离几何算法

该文提出了一种多个均匀分布的源信号混叠的盲分离几何算法,该算法以矩阵的QR分解原理为分离的理论指导,并结合信号在各个阶段其scatter图所具有的特殊几何性质,首先将混叠信号进行白化,使其scatter图恢复为独立时的scatter图形状,然后将白化后的scatter图通过C：次旋转变换,使其与各坐标轴平行,从而得到n个信号的分离．该方法第一次从代数上给出了几何算法的理论指导,从而真正得到了几何算法向多个信号混叠的推广．该算法不仅计算简单,同时有很好的仿真分离效果．在三个信号混叠的情况下,相对于Hyvarinen（2000）在分离时间上缩短了近30％．     

JADE盲信号分离算法失效问题研究

分离（或解混合）矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法.本文在分析该算法原理的基础上,从理论上找出了算法失效的原因,即源信号相关性越强,JADE盲信号分离算法失效问题越严重,并通过仿真实验证明了理论分析结果的正确性.     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

一种改进牛顿法的盲源分离算法

针对盲信号分离中超高斯信号亚高斯信号混叠难以分离的问题,提出一种基于改进牛顿法的盲源分离算法.该方法引入开关准则,利用随机变量的峭度来区分信号的类型,不同的信号选择不同的非线性函数,通过牛顿迭代方法求出分离矩阵,实现同时含有超高斯信号和亚高斯信号的杂系混合信号的盲源分离.仿真实验表明了该方法计算量小,易于实现,对于杂系...     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算，然而峭度值的变化对随机大样本的干扰非常敏感，因此往往导致分离结果的不正确。针对于此文中提出了一种结合中值滤波技术的独立分量分析算法，实验表明，该算法能有效地克服随机大样本信号的干扰，并获得较好的盲源分离结果。