低信噪比下相干信号的DOA估计的白噪声滤除方法

在波达方向估计中,“相干”和“信噪比”一直引人关注。相干会使多重信号分类等算法失效,究其原因就是信源协方差矩阵的秩亏缺。低信噪比使阵列协方差矩阵的主次特征值区分困难,造成信号和噪声的子空间划分错误。针对相干,人们往往都是从“解相干”的角度出发,通过各种手段使信源的协方差矩阵能够满秩,但并未对秩亏缺特性加以利用。基于此,本文给出了一种在低信噪比下对相干源的波达方向估计的噪声消除方法,在仅有加性白噪声的环境下,利用相干信号协方差矩阵不能满秩的特点,通过求解方程组,用求的值代替估计的协方差矩阵的相关对角元素（即对角加载处理）,置换被噪声污染的对角元素,进而可以滤除掉白噪声的影响。仿真结果证实了方法的有效性。      

一种基于随机共振增强的协方差矩阵频谱感知算法

为了在避免对主用户系统产生有害干扰的同时 提高频谱利用效率,要求认知无线电系统的频谱感知算法能在极低的信噪比下快速检测出主用户信号。由于可以避免能量检测面临的噪声不确定性问题,基于协方差矩阵的检测算法是一种有效的盲频谱感知算法。为了进一步提高极低信噪比下的性能,本文提出了一种基于随机共振的协方差矩阵频谱感知算法。该算法通过在接收信号中加入优化的特定信号,利用随机共振原理,增大有无主用户信号下的检测统计量概率分布函数的分离度,提高频谱感知的性能。仿真结果表明,相对于现有的协方差矩阵频谱感知算法 ,在相同的虚警概率下,所提算法可以显著提高极低信噪比下的检测概率,同时大幅度缩减检测时间。      

利用改进的Toeplitz化技术实现米波雷达低仰角测高

由于多径效应的存在,米波雷达低仰角测高时除了收到目标的直达波外,还会收到与直达波相干的地(海)面反射的多径信号。该文提出了两种利用改进的Toeplitz化技术实现米波雷达低仰角测高方法。第1种改进方法不但利用阵列接收数据协方差矩阵的每一行元素构造Toeplitz矩阵,还利用了与其对应每一列元素构造Toeplitz矩阵,然后对这两个矩阵求平均得到一个新的协方差矩阵,这一过程相当于前后向空间平滑的过程,提高了参数估计的精度。第2种改进算法是在第1种算法基础之上,重新构造一个Toeplitz矩阵,使其在信噪比最大约束条件下逼近平滑后协方差矩阵的信号子空间,这样可以最小程度的减小噪声的影响,提高了算法的稳健性。理论分析和计算机仿真都表明了新算法的优越性。     

强噪声源背景下的盲信号提取

低信噪比下的去噪一直是一个难题,最近Emir等人提出了independent component analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比,由于观测信号的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用信号子空间的概念,在ICA去噪方法的基础上提出了一种新的基于信号子空间的ICA(ICA based 0n signal subspace；SSICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比,SSICA去噪方法在去噪的同时还能够成功得将频域重叠的信号正确分离。     

基于二阶非平稳统计量的船舶噪声信号的盲分离

针对船舶噪声信号为实的非平稳信号的特点,使用二阶非平稳统计量的方法对传感器阵列所接收到的信号进行了盲分离.首先对原始信号进行了稳健正交化处理,同时根据信号的非平稳性,采用分段加窗的方法求取时滞协方差矩阵,将正交分离矩阵的求解转化为时滞协方差矩阵的联合近似对角化,并最终转化为子空间拟合问题,最后通过Gauss-Newton发进行求解.文中较为详细的给出了针对非平稳实信号的二阶统计量盲分离算法的基本步骤.最后对三艘实测的船舶噪声信号所进行的盲分离仿真试验表明,该算法具有较快的收敛速度和较好的分离效果.     

一种二维信号波达方向估计的改进多重信号分类算法

多重信号分类(MUSIC)算法是一种经典的空间谱估计算法。该文以L型阵列为例,针对2D-MUSIC算法在接收信号信噪比较小时对多个目标中方位相近的目标无法进行准确估计的问题,提出一种改进2D-MUSIC算法。该算法对经典2D-MUSIC算法所构成的协方差矩阵进行共轭重组,并将重组后矩阵的平方与原协方差矩阵的平方进行相加求平均,由此获得新的矩阵,再对该矩阵对应的噪声子空间进行加权处理,选取适当的加权系数构造新的噪声子空间,最后通过谱峰搜索识别出目标位置。计算机仿真结果表明,与2D-MUSIC算法相比,改进后的算法在接收信号信噪比较小时对多个目标中方位相近的目标也能够进行信号波达方向(DOA)估计,提高了L型阵列2维DOA估计的分辨率,具有较好的工程应用价值。     

基于虚拟孔径扩展的非均匀稀疏阵DOA估计

针对常规均匀线阵DOA估计中可估计信源数目不足的问题,提出了一种基于虚拟孔径扩展的非均匀稀疏阵DOA估计算法。该算法首先对非均匀稀疏阵接收信号协方差矩阵进行向量化处理,通过Khatri-Rao积运算得到新的协方差矩阵;然后利用任意阵列下的空间平滑算法恢复新协方差矩阵的秩;最后通过对新协方差矩阵进行特征值分解实现DOA估计。与传统MUSIC算法相比,该算法可以在阵元数目小于信源数目的条件下实现DOA估计,大大增加了可估计信源数目,同时在低信噪比、小快拍条件下仍能得到DOA估计结果。仿真结果证明了算法的有效性。     

高斯噪声中的参数盲估计

盲信号处理方法中常忽略噪声的影响,而实际问题中噪声的影响是存在的.本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题.本文以最大似然估计为基础,提出一种求解参数的最优化算法,给出了混合矩阵和协方差矩阵的计算式.采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种基于EM算法的迭代式.仿真表明,算法不仅能稳定收敛,而且在低信噪比下也能获得良好性能.     

一种基于协方差矩阵重构的波束形成算法

针对Capon波束形成在误差条件下敏感性问题,提出一种基于协方差矩阵重构的鲁棒波束形成算法。算法将信号集中出现的空域划分为干扰区域和信号区域,接着将两个区域划分为若干相互独立不重叠的部分,对干扰区域积分,构造出干扰协方差矩阵;再利用采样协方差矩阵特征分解后的最小特征值重构出噪声协方差矩阵;最后对期望信号导向矢量误差进行环不确定集建模,并在期望信号导向矢量环不确定集上进行Capon谱积分来估计期望信号协方差矩阵,根据其主特征矢量获取期望信号导向矢量。仿真表明,与传统鲁棒波束形成算法相比,此方法在不同快拍数以及输入信噪比条件下,性能更加优异且稳定,同时计算量较小。     

Khatri-Rao积变换下的离格信号DOA估计

当存在离格信号时,基于稀疏表示的波达角(DOA)估计算法性能损失严重.为解决这个问题,在对接收数据协方差矩阵进行Khatri-Rao积变换的基础上,推导了离格信号网格偏离量与紧邻信号原子系数之间的关系,提出了一种单一离格信号DOA估计方法.为提高对邻近离格信号DOA的估计性能,利用矩阵的广义逆性质提出了基于多原子系数的联合估计方法.仿真实验表明,单一离格信号DOA估计方法在低信噪比下有较好的性能,联合估计方法在高信噪比条件下对邻近离格信号DOA有较高的估计精度,同时所提算法估计性能几乎不受网格划分间距的影响,可以通过增大网格间距降低算法运算量.相关研究对阵列天线DOA估计具有一定的参考价值.     

星载AIS的复值FastICA算法改进

针对星载船舶自动识别系统( AIS )的含噪复值信号盲分离算法分离效果不佳的问题,提出了改进的复值快速独立分量分析算法( FastICA)。该改进算法针对混合信号数目大于源信号数目的超定情况,对含噪混合信号的协方差矩阵进行特征值分解,利用其噪声对应的几个较小特征值估计噪声方差,修正白化矩阵,再应用Huber M估计函数优化该算法的目标函数。实验结果表明,运用该算法信号均方误差( SMSE)变小,信干比( SIR)变大,提高了信号的分离性能;同时,优化后的目标函数使算法具有良好的稳健性。     

基于松弛改进FastICA算法的星基ADS-B信号分离

星基广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)系统覆盖空域广,星载接收机所接收的信号信噪比低、信号间的功率差异小,ADS-B报文在接收机处的冲突更加严重,对信号分离算法提出了更高要求。针对基于负熵的快速独立成分分析(Fast Independent Component Analysis,FastICA)算法存在的局部极大值和收敛依赖于初始权值的问题,在FastICA算法中引入了松弛因子,采用松弛改进的FastICA算法对星基ADS-B信号进行分离。阐述了松弛改进FastICA算法对星载ADS-B接收机接收到的混合信号进行分离的机理,并进行了仿真实验,通过相关系数、迭代次数和误码率比较了松弛改进FastICA算法、经典FastICA算法和投影算法的性能。仿真结果表明,松弛改进FastICA算法能更有效地分离星基ADS-B混合信号。     

An Introduction to Energy‐Based Blind Separating Algorithm for Speech Signals

We introduce the Energy‐Based Blind Separating (EBS) algorithm for extremely fast separation of mixed speech signals without loss of quality, which is performed in two stages: iterative‐form separation and closed‐form separation. This algorithm significantly improves the separation speed simply due to incorporating only some specific frequency bins into computations. Simulation results show that, on average, the proposed algorithm is 43 times faster than the independent component analysis (ICA) for speech signals, while preserving the separation quality. Also, it outperforms the fast independent component analysis (FastICA), the joint approximate diagonalization of eigenmatrices (JADE), and the second‐order blind identification (SOBI) algorithm in terms of separation quality.     

一种改进的CFICA盲分离算法的研究

复信号快速盲分离算法(CFICA)是一种快速有效的盲信号分离方法,但它常因敏感于分离矩阵的初始值而得到较差的分离效果,首先提出一种与牛顿下降法相结合的改进CFICA,并在高斯白噪声信道中对三路复值信号进行仿真实验,结果表明,改进的算法在分离质量和效率上较原算法有明显提高.     

一种低信噪比雷达信号分选方法

文章就低信噪比雷达辐射源信号分选问题提出一种结合FastICA和小波去噪方法的改进算法,通过仿真实验表明新算法能够有效提高信噪比,增强了信号的可识别性。文中还就算法的实现顺序分别进行了实验,并将其结果分别与FastlCA算法作了比较,证实新算法比FastICA算法性能更优越。最后,文中给出经过新算法分选后的信号能量损失比并给出相应分析。     

基于FastICA的混合音频信号盲分离

独立成分分析（ICA）作为一种有效的盲源分离技术已成为信号处理领域的热点,它以非高斯源信号为研究对象,在统计独立的假设下,对多路观测到的混合信号进行盲信号分离。为了提高算法的收敛速度和稳态精度,介绍了独立成分分析的基本原理,以及利用FastICA算法进行信号分离的理论依据,引入了改进的非线性函数,运用Matlab进行仿真比较3种非线性函数下的分离性能和改进的非线性函数在不同θ下的分离性能,结果表明在综合因素的考虑下,该改进函数在实现混合音频信号盲分离方面比改进前更有效。     

一种消除误差累积的多级快速独立分量分析算法

针对传统串行FastICA算法存在误差累积的缺点,该文提出一个多级结构的快速独立分量分析算法(MSFICA)。该算法采用两级结构来消除误差累积。为了降低算法的计算复杂度,第1级采用一种维数不断降低的方法来得到分离向量的初始值。第2级利用第1级得到的初始值直接对白化后的观测信号进行处理,不需要进行正交投影。仿真结果表明,该文提出的算法在增加少量计算复杂度的情况下,成功消除了误差累积,并且比已有的消除误差累积的并行算法有更好的SINR性能和BER性能。     

A blind signal separation method for single-channel electromagnetic surveillance system

In this paper, a blind signal separation (BSS) methodology for simultaneously received multisystem frequency-overlapped signals in a single-channel (SC) electromagnetic surveillance system is proposed using fast independent component analysis (FastICA) in a dynamical embedding (DE) framework. Firstly, an appropriate DE matrix is constructed out of a series of delay vectors from the SC recording. The lag-time and the dimensional of embedding matrix setting principal are introduced in details. Next, multiple independent components (ICs) are calculated by decomposing the embedding matrix through FastICA algorithm, and ICs can be regarded as a convenient expansion basis of the original signals. Then, these ICs are projected back into the measurement space. After that, these projected ICs are classified and used for recovering the sources of interest based on their independent nature and their power density spectrum. Numerical simulation results obtained in evaluating the proposed methodology’s performance confirmed the effectiveness of the proposed algorithm.     

基于盲源分离的无源雷达信号处理研究

为解决基于FM资源的无源雷达直达波与目标反射波的精确提取与分离比较困难的问题,在对数据进行源数估计后,将改进的FastICA算法应用于无源雷达直达波与目标反射波的提取中,最后运用基于相关系数的排序和相位调整算法对排序和相位进行调整。仿真结果表明运用该方法可以实现从同频、邻频的混合信号中精确分离和提取出元源雷达直达波与目标反射波信号,为进一步的无源雷达精确定位估计打好了基础。     

应用萤火虫算法的混沌信号盲源分离

针对现有的独立成分分析法分离混合混沌信号精度不理想的问题,提出了一种新的混沌信号盲分离方法。该方法以求解最优解混矩阵为目标,利用峭度构造目标函数,将混沌信号的盲源分离转化为一个优化问题,并用萤火虫算法求解。同时,通过预白化和正交矩阵的参数化表示降低优化问题的维数,能有效提高分离精度。仿真结果表明,无论是处理混合的混沌映射信号还是混合的混沌流信号,该方法都能快速收敛,并且其分离精度在各项实验中都优于独立成分分析法等现有的盲源分离方法。