适用于时变信道环境的盲源分离算法

针对时变信道环境下的盲源分离问题,在现有实时盲分离算法的基础上,提出了两种适用于时变信道环境的实时盲源分离算法——基于优选函数EASI盲分离算法(EASI-function)和基于选优函数的峭度变步长盲分离算法(EASI-function-KVS)。EASI-function算法在信号分离的不同阶段采用不同的估计函数,从而使得算法在收敛速度和稳态性能两方面获得一个折中。EASI-function-KVS算法则在EASI-function的基础上,利用峭度变步长的思想,自适应地调整迭代步长大小,进一步改善分离算法性能。仿真结果表明,两种算法能有效地跟踪信道变化,并且在性能方面比传统的EASI算法要好。     

一种峭度宽松开关盲分离算法

该文在盲分离开关算法的基础上提出一种峭度宽松开关算法.该算法用峭度作为激活函数中的开关量分析随机变量的高斯性,解决了原开关算法中衡量参数的不稳健性.该算法与盲分离开关算法和扩展的Infomax算法的仿真实验比较表明,新算法具有更好的分离效果和抗噪声能力.     

复值信号盲分离算法的研究

针对现有盲源分离算法适用范围受限、收敛速度过慢等问题,提出了一种适用于任意非高斯统计独立的复值信号快速盲分离算法.该算法以复值信号的峭度最大化为目标函数,采用修正的复值拟牛顿迭带算法对目标函数优化.分别用圆对称和非圆对称复值信号以及二者混合信号作为信号源对该算法和现有算法进行仿真对比.实验结果表明,该算法相对现有算法,不但很好地分离出非圆对称复值信号和圆对称复值信号,对于二者混合的信号仍有很好的分离效果,而且具有收敛速度快、不需要步长调节参数、分离误差小等优点.     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

一种基于负熵的快速定点盲源分离方法及其试验验证

论述了负熵最大化的基本原理和判断条件,在此基础上建立了一种基于负熵、通过数学迭代的方法得到的快速定点抽取算法。该算法具有迭代次数少的显著优点。通过仿真验证了算法的有效性,并将该算法应用到实际语音信号的盲分离实验中。实验结果表明,所建立的算法对盲源分离具有优良的性能,通过与基于峭度的算法对比,发现该算法具有很好的鲁棒性。     

基于独立分量分析的混叠跳频信号分离算法

为解决混叠跳频信号的分离问题,在深入研究独立分量分析（ICA：Independent Component Analysis）理论基础上,结合跳频通信的特点,提出了基于独立分量分析的混叠跳频信号分离算法,实现了对混叠跳频信号的盲分离。该算法将基于负熵最大化的FastlCA算法应用到混叠跳频信号分离中。通过仿真实验表明,该算法能成功地排除乘性噪声干扰,完成对混叠跳频信号的分离。虽然分离信号的幅度、相位等参数较源信号发生了变化,但并不影响后续工作。这一过程在未知任何先验参数的条件下完成,并取得了较好的分离效果,为跳频通信信号的分离工作提供了新思路。     

基于单源区间的欠定盲源分离中源信号个数的估计

讨论观测信号个数少于源信号个数时盲源分离中源信号个数估计的问题;提出了一种首先利用单源区间对观测信号预处理,去除非单源区间的点,再通过改进的K-均值聚类方法来估计源信号个数,进而估计出混叠矩阵。仿真结果表明,与常规聚类算法比较,该算法复杂度较低,估计精度有显著提高。     

应用盲源分离法消除旋转机械振动信号噪音与干扰

工业过程状态检测和故障诊断的信号,会受到相邻设备振动信号的干扰及噪音信号污染,影响对机器运行状态的准确判断和诊断.提出扩展干扰或噪音为一个源向量方法,利用盲源分离技术,研究机械源为线性卷积混叠模型,建立盲源分离技术消除振动干扰或噪音的算法.应用在风机轴振动信号试验表明,经盲源分离处理风机转子失衡引起轴振动信号的功率谱,优于未经处理的信号功率谱,证明了盲源分离技术消除机械设备间振动干扰和噪音信号的有效性.     

回波对消中盲源分离算法的研究与仿真

盲源分离因为可以仅根据接收到的观测信号来估计还原源信号,成为近年来在信号处理领域的研究热点.针对盲源分离中的基于峭度的独立分量分析算法在源信号还原的过程中计算量较大的问题,采用共轭梯度方法对独立分量分析法进行优化,优化后的算法收敛速度更快,稳态误差变小.Matlab仿真实验表明,优化后的独立分量分析算法收敛更快,实际分离效果更好.     

基于负熵粒子群算法的盲信号分离研究

针对粒子群对盲信号分离时出现早熟等现象,提出负熵粒子群算法.首先将信息负熵最大化作为粒子群的目标函数,不依赖其它的非高斯性度量判断,避免识别混叠矩阵;然后对观测信号进行中心化和白化处理,用分离矩阵调整,使各个信号分量之间独立,大权重粒子做全局搜索,小权重的做局部搜索,混叠矩阵对所有列元素数组完成分离;最后给出了算法流程.MATLAB仿真结果显示该算法能够有效地完成盲信号分离和主要参数的提取.     

基于QPSO和ICA的图像盲分离方法研究

针对ICA技术中常用的普通梯度算法容易陷入局部最优,提出了一种基于量子行为的粒子群算法和独立分量分析相结合的盲源分离新算法.以负熵作为独立分量分析的目标函数,用QPSO算法代替普通梯度算法,对瞬时混合信号进行分离,给出了算法的具体步骤.实验结果表明,该算法能够有效实现图像的盲源分离.同时与其他算法对比,体现了该算法更高的性能.     

基于时频域的具有延迟的欠定盲分离

本文针对衰减-时延混合模型,提出一种改进欠定语音盲分离算法。利用独立语音在时频域上的近似稀疏性,提出势函数面-聚类方法,通过此方法可直接获得源信号的个数和各声源方位信息,省去传统聚类方法中衰减-时延的配对步骤,提出的新势函数具有很好的适应性。分离阶段,利用势函数面聚类方法估计声源信号方位信息重构声源相对传递函数,采用非线性时频掩蔽方法分离感兴趣目标语音信号,实现了不同方位信息声源信号的欠定分离,放宽了对稀疏性的限制。仿真实验证明了此分离方法的可行性和有效性,弱混响条件下的分离信号输出信噪比平均达到了16dB。     

基于EEMD-FastICA的位移摄像测量误差源探究

随着摄像测量技术在土木工程结构健康监测领域的应用逐渐增多,摄像测量技术的长期全天候工作性能受到越来越多的关注.为探究摄像测量技术的主要误差源,提出一种基于盲源分离(Blind Source Separation,BSS)的误差源分析新方法:为了构建多通道信号作为盲源分离模型的输入信号,采用集合经验模态分解法(Ensem...     

复值信号盲分离固定点迭代算法

复值非高斯最大化算法是一种针对任意复值非高斯混合信号的自适应盲源分离算法,算法需要人为设置步长调节参数.在信号源和信道参数未知的条件下,很难选择合适的步长调节参数,步长过小,则收敛过慢,步长过大,则容易发散.针对这一问题,在该算法中引入归一化惩罚函数构造出新的代价函数,直接对复值变量的代价函数求导优化,得到2种新的不需要步长调节参数的固定点复值混合信号盲源分离算法.该算法不但可以同时分离常态和非常态信号,而且计算量小,分离误差小,算法稳定时需要的采样点数少,尤其是不需要设置步长调节参数,使该算法更加具有实用价值.仿真实验验证了算法的有效性.     

一种均匀线阵的信号分离方法研究

为了进一步改善阵列信号处理中盲源分离算法的分离性能,本文提出了一种基于DOA估计的阵列信号分离方法。该方法的基本思想是利用MUSIC算法实现对阵列信号DOA的预先估计,构建一预估计方向加载矩阵W,使加载后的混合信号在该预估计DOA上的信号能量最大化,最后利用传统的盲源分离算法分离接收到的混合信号,得到原始信号波形。仿真结果表明,该方法分离效果优于直接的盲分离算法,原始信号与分离信号相关系数接近于1,但同时牺牲较大运算量。     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,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.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.