盲源分离技术在气象雷达中的应用

盲源分离技术是近年来信号处理领域的热点研究课题,是根据输入源信号的基本统计特征,由观测数据进行信号分离,最终恢复出源信号.本文分析盲源分离技术的FastICA算法,并提出了将其用于气象雷迭信号分选.计算机仿真表明,这种算法应用于气象雷达信号分选时可以获得很好的分离效果.     

盲源分离在机械振动信号分析中的应用

设备状态信号的处理是状态监测及故障诊断的基础。在实际运行环境中,信号检测传感器采集的机械振动信号必然包含设备各个部件的信号以及周围环境的强烈干扰。传统的振动信号处理方法抗扰去噪效果并不理想。盲源分离技术由于自身独特的盲处理优势,可以有效去除外来干扰并分离出源信号,有助于提高诊断的准确性。针对直升机齿轮箱振动信号进行盲源分离仿真,分离出了轴承故障振动信号,并将分离信号的功率谱与原始信号的功率谱相比较,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法。     

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。     

盲源分离算法在混合震动信号分离中的应用

提出了一种基于z变换域有理传递函数F的时间延迟正定盲源分离算法,并提出将其应用于人工勘探地震波时传感器采集到的混合震动信号的信噪分离及横、纵波的分离。该算法既适用于分离以线性方式混合的信号,也适用于以非线性方式混合信号。时间延迟长短的选择依赖于有待处理的震动信号数据的长度。仿真结果表明,该算法能有效地对Matlab生成的人工模拟震动波进行信噪分离及横、纵波的分离,为震动信号数据的后期处理及分析提供有利依据。     

盲源分离技术及其发展

盲源信号分离是一种功能强大的信号处理方法,在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用.简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法,综述了盲源分离的发展及研究现状,提出了其未来的发展方向.     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

JADE盲源分离算法在变压器振动信号监测中的应用

铁芯和绕组是变压器振动产生的主要振源,监测铁芯和绕组的振动信号可以对变压器运行状态进行预测和诊断.选择了S13-12500/35型油浸式无励磁调压电力变压器,将2只光纤Bragg光栅振动传感器布设于变压器内部,直接采集变压器负载运行下的振动信号.通过JADE算法将2组负载信号分离,发现:一组信号能量主要集中在100 Hz处,与铁心振动信号频谱特征较为接近;另一组信号在各频率上均有分布,与绕组振动信号频谱特征较为接近.     

压缩感知理论及其在盲源分离中的应用

针对通信系统接收的时频混叠信号难以分离的特点,以压缩感知(CS)与盲源分离数学模型之间的关系为出发点,利用通信信号固有的稀疏特征,对基于稀疏表示盲源分离几种关键技术进行了探讨与总结,并就进一步研究方向进行了展望.     

基于遗传算法的盲源信号分离技术研究

提出一种采用遗传算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法基于迁移策略,应用交叉和变异方法,生成新一代的染色体,对由多个源信号混合而成的信号进行盲信号分离。实例表明了该方法的有效性。     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

语音信号频域盲分离算法

盲信号分离算法广泛应用于信号处理领域,本文介绍了一种基于互相关的盲分离频域算法,并且通过计算机仿真验证了本方法的有效性。     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

信源数动态变化的自适应盲分离算法

分析了信源数未知或信源数目动态变化时，超定盲信号分离(源信号个数n<观测信号个数m)问题中自然梯度算法发散的原因。在此基础上，构造了一种新的自适应盲分离算法。该算法不仅克服了已有算法不能稳定收敛的缺点，而且在信源数动态变化的情况下，无须根据输出分量间的关系去除冗余分量，大大简化了算法的计算量与复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。     

关于盲信号自适应分离中非线性函数的讨论

This paper proposes a new algorithm of blind source separation (BSS). The algorithm can overcome the difficulty known as “the sensors are less than the source signals” and works effectively when the sensors are less. Then, the paper discusses the nonlinear functions used in the new algorithm. A uniform nonlinear function is proposed and some criterion are given to choose its parameters. Finally, some simulations are presented to show the effectness of the algorithm and the correctness of the criterion.     

基于盲源分离的商业销售计算机仿真分析

研究了盲源分离用于商业销售分析中的应用.传统的销售分析只是对销售数据进行简单的分析,得出一些表面的原因.并不能发现其中的深层的因素,盲源分离却正能实现这一传统方法难以实现的分离作用.采用盲源分离的特征向量分离算法进行了几个大型超市销量的特征向量分离算法的仿真分离实验,并对实验结果进行了分析研究,从而找到了影响商业销售量的几个重要因素,找出了影响销售量变化的几个重要原因.为商业销售中的日常管理找到了一条与传统管理不同的方法,为独立成分分析应用于销售市场分析提供了理论参考.     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

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。     

Regularization Methods for Blind Deconvolution and Blind Source Separation Problems

This paper is devoted to blind deconvolution and blind separation problems. Blind deconvolution is the identification of a point spread function and an input signal from an observation of their convolution. Blind source separation is the recovery of a vector of input signals from a vector of observed signals, which are mixed by a linear (unknown) operator. We show that both problems are paradigms of nonlinear ill-posed problems. Consequently, regularization techniques have to be used for stable numerical reconstructions. In this paper we develop a rigorous convergence analysis for regularization techniques for the solution of blind deconvolution and blind separation problems. Convergence of regularized point spread functions and signals to a solution is established and a convergence rate result in dependence of the noise level is presented. Moreover, we prove convergence of the alternating minimization algorithm for the numerical solution of regularized blind deconvolution problems and present some numerical examples. Moreover, we show that many neural network approaches for blind inversion can be considered in the framework of regularization theory. Date received: August 17, 1999. Date revised: September 1, 2000.     

涡轮喷气发动机噪声源的盲分离

讨论了基于噪声监测的飞机发动机故障诊断技术的可行性.由于涡轮喷气发动机噪声信号中不同源信号之间的混叠,使得噪声信号分析和特征提取更加凼难.根据声源信号的相互独立性质,针对涡轮喷气发动机噪声信号,阐述了利用盲分离技术对涡轮喷气发动机噪声信号进行分离的原理和实现.利用自然梯度算法对涡轮喷气发动机转子产生的噪声信号进行了肓分离实践,分离结果验证了方法的可行性和有效性,并从分离的信号中提取了有效的发动机状态信息.为发动机状态监测与故障诊断提供了一种可行的信号处理方法.     

An Efficient Measure of Signal Temporal Predictability for Blind Source Separation

An efficient measure of signal temporal predictability is proposed, which is referred to as difference measure. We can prove that the difference measure of any signal mixture is between the maximal and minimal difference measure of the source signals. Previous blind source separation (BSS) problem is changed to a generalized eigenproblem by using Stone’s measure. However, by using difference measure, the BSS problem is furthermore simplified to a standard symmetric eigenproblem. And the separation matrix is the eigenvector matrix, which can be solved by using principal component analysis (PCA) method. Based on difference measure, a few efficient algorithms have been proposed, which are either in batch mode or in on-line mode. Simulations show that difference measure is competitive with Stone’s measure. Especially, the on-line algorithms derived from difference measure have better performance than those derived from Stone’s measure.