基于独立分量分析的重盲源分离方法

基于独立分量分析(ICA)的盲源分离(BSS)是一种多源信号分离的优化方法。针对ICA通道数目必需不少于源信号数目的限制条件,提出一种基于频谱识别的重盲源分离(R e-BSS)方法,利用虚拟通道实现通道数目的增加。单通道测量信号的仿真实验和实际信号处理结果表明,该方法简单可行,为盲源分离的进一步工程应用提供了新的思路与方法。     

基于小波包和RobustICA的无线电混合信号分离

针对复杂电磁环境下无线电混合信号分离困难的问题,提出将小波包和鲁棒性独立分量分析(Robust ICA)算法应用于较低信噪比且频率接近的无线电混合信号的分离。首先用小波包分析方法对混合信号进行降噪预处理,然后采用盲源分离算法中的鲁棒性独立分量分析算法对降噪后的混合信号进行分离,通过观察分离后信号的波形和频率以及相似系数对分离结果进行定性和定量分析。所提算法与单独采用Robust ICA算法的结果对比表明:所提算法分离出的信号在波形和频率以及相似系数方面均比单独采用Robust ICA算法取得的效果好,从而证明所提算法可以较好地应用于无线电混合信号的分离。     

基于独立分量分析的爆破振动信号分离仿真试验

爆破振动信号分析是研究爆破振动特性的重要手段,而实测爆破振动信号往往是多个振源信号的叠加信号,分离出每个振源或特定振源的振动信号对于其振动特性的研究具有重要意义。选取实测的爆破振动信号,进行线性混合得到混合信号,利用独立分量分析(ICA)对混合信号进行分离,获取了与源信号波形基本一致的分离信号,仿真试验表明ICA适合爆破振动信号的分离。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform, SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition, VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function, IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于反馈变分模式分解的单通道盲源分离算法

针对源信号数目未知时,变分模式分解(VMD)算法分离单通道混合信号的性能受人为设定的模式分量中心频率间隔Δf影响大、复杂度高的问题。提出了基于反馈机制的VMD单通道盲源分离(VMDF-SCBSS)算法;首先利用VMD将观测信号分解为两个模式分量,其次利用相似系数衡量模式分量纯度,将最纯的模式分量反馈到输入端并从输入信号中减去,最后根据所提出的由相似系数构造的循环迭代终止条件判断是否继续分解。仿真结果表明,VMDF-SCBSS算法无需人为确定Δf,能很好地分离单载波源信号并估计源信号数目,算法复杂度较低。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于新概率密度函数的ICA盲源分离

基于独立分量分析(Independent Component Analysis,ICA),利用极大似然估计法,研究了超高斯和亚高斯的混合信号的盲源分离(Blind Sources Separation,BSS)问题.文中构造了一种新的、不同于以往文章中用来分离混合信号的概率密度函数(Probability Density Function,PDF).新构造的PDF无需改变函数中的参数值,可用来对于超高斯和亚高斯信号的概率密度进行估计(假设未知源信号是相互独立的).数值实验验证了新构造的PDF的可行性,与原算法相比,收敛时间和分离效果都得到了较大的改善.     

基于频谱相似度的ICA不确定性快速消除

为了消除ICA估计的排序、相位、幅值等盲不确定性,提出一种基于快速傅立叶变换与频谱最大相似度为准则的ICA估计源校正方法.借助于观测信号的混合特征和频谱特性以及估计信号的频谱特性的分析,成功地消除汽车变速箱振动估计信号的不确定性.仿真结果证明该方法的有效性,也表明该法在源的识别和重构方面具有较大的应用潜力.     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

基于移不变稀疏编码的单通道机械信号盲源分离EI北大核心CSCD

针对特征反复出现的机械信号,提出了一种使用移不变稀疏编码的单通道盲源分离方法。移不变稀疏编码将原始信号看成多个基与系数的卷积,能够根据信号的统计分布,利用信号自身特征自适应地学习到匹配的基和稀疏的系数。在恒定工况下,不同的信号源具有不同的特征,同一信号源的特征结构相似,将学习到的不同特性的基分别重构即可得到相应的源信号。将该方案应用于仿真的齿轮故障和轴承故障振动信号盲源分离问题中,以及用来提取实测的液压泵压力脉动。结果显示,这种方法较其他方法有所改进,所需人工经验少、抗噪能力强、信号恢复精度高、鲁棒性好,适用于单通道机械信号盲源分离,为单通道信号盲源分离提供了一种新思路。     

基于子带ICA的时频图像处理方法研究及其在故障诊断中的应用

提出了一种改进独立分量分析(ICA)应用于时频图像的盲源分离问题。由于相似时频图像之间存在潜在的相关性,传统的ICA对于具有相关成分的时频图像盲源分离中效果比较差,利用互信息和峭度研究了图像子带之间的相关性和本身的非高斯性,选定特定的子带进行ICA分析。通过仿真时频图像的分离试验,说明此方法分离效果明显优于ICA分离效果,并将该方法应用于转子试验台的基座松动,不对中故障信号复合故障的时频图像中,成功获取了各自故障的时频图像,从而可以获得各自的故障特征信息。     

用慢特征分析算法实现水声信号盲分离

在常规的水声信号盲处理研究中,通常都是用独立成分分析算法分离线性混合信号,而对于较复杂的非线性混合信号,独立成分分析算法无能为力。针对这种情况,提出将慢特征分析(Slow Feature Analysis,SFA)算法应用于水声信号非线性盲源分离领域。一般而言,对源信号做非线性混合变换后输出混合信号较源信号变化较快,而采用SFA算法可以从复杂的非线性混合信号中提取出变化缓慢的信号,通过仿真实验,分别对简单信号和复杂水声信号的非线性混合信号进行分离,通过将源信号与分离信号对比,发现SFA算法输出信号与源信号高度相似,验证了SFA算法在非线性盲源分离领域应用的有效性和可行性。     

基于DSS和FSWT的欠定信号识别方法研究

针对旋转机械信号分析时产生的欠定信号盲源分离问题,建立了一种基于频率切片小波变换(Frequency Slice Wavelet Transformation,FSWT)和去噪源分离(Denoising Source Separation,DSS)的欠定信号分析方法(FSWT-DSS),首先通过FSWT反变换重构出新的混合信号,有效解决欠定盲分离维数不足的问题,再应用DSS分离得到源信号,解决了欠定盲分离问题,同时解决了单独应用FSWT时进行时频分析的不足。算法仿真和应用实例验证了FSWT-DSS方法在实测故障信号分析中的有效性。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换（HHT）对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数（IMF）实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析（ICA）的滚动轴承诊断新方法。该方法首先利用经验模式分解（EMD）将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。