一种改进的自适应不完整自然梯度盲源分离算法

与自然梯度盲源分离算法相比,不完整自然梯度算法避免因源信号非平稳或幅值快速变化而引起的数值不稳定.在深入分析和推导该算法的基础上,针对其中非线性激活函数难以确定的困难,提出一种利用峰度对激活函数进行自适应选择的改进算法.该算法无需已知源信号的先验信息,既保留了不完整自然梯度算法恢复非平稳源信号的优势,又可使其适用于服从任意分布的源信号.仿真比较结果表明,该方法性能优于选择正切函数作为激活函数的不完整自然梯度算法,分离效果较好.     

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。     

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.     

带有梯度加速粒子群算法的盲源分离

研究盲源信号分离算法,针对基于标准粒子群独立分量分析算法的盲源分离存在收敛速度慢、易于陷入局部最优值的问题,提出了一种带有梯度加速粒子群的盲源分离算法.以分离信号的峰度值为目标函数,通过引入梯度信息来影响粒子速度的更新.减小陷入局优的可能性, 当群体最优信息陷入停滞时, 对群体进行部分初始化来保持群体的活性.仿真结果说明,梯度信息的加入使粒子的移动更有针对性,移动更有效率,不仅进一步提高PSO算法的收敛速度,而且使改进的粒子群算法在全局收敛性、稳定性和准确性等方面更有效.     

NGA实现互信息量最小化的盲源分离

提出了一种新的盲源分离算法,该算法通过自然梯度算法实现互信息量最小化,从而达到盲源分离的最佳效果。由于互信息量具有度量分离信号的循环相关矩阵和单位阵的相似程度的特性,最小互信量标志着分离矩阵最佳的状态。通过自然梯度寻优算法来实现互信息量的最小化,从而得到理想的分离矩阵。仿真结果表明算法对具有循环平稳特性的源信号分离效果显著,且收敛速度快。     

一种非平稳环境下的自适应变步长盲源分离算法

提出一种基于不完整自然梯度的变步长约束算法,用来处理非平稳环境下的瞬时盲源分离问题.该算法利用系统上的扰动对代价函数进行约束,对算法中的约束因子采用自适应形式,根据分离情况对约束因子进行自适应调整,以加快收敛速度.同时,引入基于代价函数梯度的变步长,使其具有更好的跟踪性能.仿真结果表明,在非平稳环境下,所提出的算法在提高收敛速度的同时可以有效分离源信号而不产生严重的稳态误差.     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.     

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。     

基于盲源分离技术的自适应电力谐波检测算法研究

将Fast-ICA盲源分离算法与自适应自然梯度算法相结合,构建了一种基于盲源分离技术的自适应电力谐波检测算法,并对算法进行了数学证明及仿真研究。结果表明,该算法对电网中的谐波信号测量是一种有效的方法。     

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...     

Natural gradient-based recursive least-squares algorithm for adaptive blind source separation

This paper focuses on the problem of adaptive blind source separation (BSS). First, a recursive least-squares (RLS) whitening algorithm is proposed. By combining it with a natural gradient-based RLS algorithm for nonlinear principle component analysis (PCA), and using reasonable approximations, a novel RLS algorithm which can achieve BSS without additional pre-whitening of the observed mixtures is obtained. Analyses of the equilibrium points show that both of the RLS whitening algorithm and the natural gradient-based RLS algorithm for BSS have the desired convergence properties. It is also proved that the combined new RLS algorithm for BSS is equivariant and has the property of keeping the separating matrix from becoming singular. Finally, the effectiveness of the proposed algorithm is verified by extensive simulation results.     

基于新阈值函数小波变换的噪声盲分离算法*

将一种基于偏差去除技术的自然梯度算法应用于噪声盲分离中,估计出分离矩阵,并采用一种新的小波阈值函数对已分离出的含噪信号进行去噪处理。通过计算机仿真验证,该算法分离效果良好,盲分离结果具有更高的信噪比。     

盲源分离在单通道语音增强算法中的应用

提出一种单通道语音增强算法。首先由接收到的单声道语音信号的含噪部分构造一个假想噪声源,将这一噪声源和含噪的信号作为多通道自适应去相关（MAD）盲分离算法的输入,得到增强的语音信号。进一步将这一增强的语音作为输入,利用Daubechies小波对其进行分解,在小波域中选取合适的阈值函数进行滤波,然后合成时域语音信号。根据以上步骤得到的增强语音有较高的信噪比及可懂度。     

联合频域盲语音分离排序算法

提出了一种新的频域盲分离排序算法。算法对不同频率点采用不同的排序算法:频率较低部分采用比较分离信号相邻频率点和谐波频率点之间幅度相关性相结合的排序算法;中频部分采用基于语音信号方位估计的排序算法;频率较高部分采用相关比较和方位估计结合的排序方法。仿真结果表明,该排序算法的鲁棒性和精确性较现有的单纯利用分离信号相关性的排序算法或者基于语音信号定位的排序算法有了一定的增强。     

一种欠定盲源分离新算法

提出了一种基于两步法的欠定盲源分离新算法。在混合矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法,通过定义一个连续可微函数来近似[?0]范数,使得[?0]范数可解。该算法的特点是实现简单、速度快。仿真实验表明,与现有的采用快速[?1]范数最小化和OMP算法的欠定盲源分离方法相比,提出的算法在保证分离性能的前提下大幅度提高了算法的运行速度。     

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。     

基于峭度的BSS开关算法的语音信号盲分离*

盲信号处理算法主要有批处理和自适应算法两类,导出了一种基于峭度的自适应盲源分离（blind source separation,BSS）开关算法,将该算法应用于语音信号盲分离处理,通过综合实验,从分离前后的波形、频谱图和主要评价参数说明该算法具有良好的信号分离效果。与批处理中的典型算法,如扩展联合对角化（joint approximative diagonalization of eigenmatrix,JADE）和四阶盲辨识（fourth orther blind identification,FOBI）算法比较,该算法具有更好的分离效果。     

基于邻域风险最小化概率密度估计的自适应盲分离算法*

为实现由不同统计特性和概率分布平滑特性信号得到混合信号的盲分离,对基于支持向量机的邻域风险最小化概率密度估计算法进行研究,提出一种邻域函数的构造方法,将其与自然梯度批处理算法相结合,形成一种新的自适应盲分离算法;利用广义高斯模型分析了分离算法的精确度。通过仿真实验,验证了该算法能分离统计特性不同的混合信号,相比于基于经验风险最小化的方法,该方法在收敛速度和精度方面的性能有很大提高。