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.     

混沌粒子群算法的盲源信号分离仿真研究

针对传统盲源分离算法存在收敛速度慢、易陷入局部最优等缺陷,提出一种混沌粒子群算法的盲源分离方法。采用信号的峰度值作为盲源信号分离目标函数,然后采用混沌粒子算法对目标函数进行求解,并对粒子群体进行混沌扰动,保持粒子群的多样性,最后采用最优解对信号进行盲源分离。结果表明,混沌粒子群算法有效提高了盲源信号分离速度,信号分离精度更高。     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

基于盲源分离的ICA去噪技术在裂缝预测中的应用

地震记录中不可避免地包含随机干扰信号,直接利用原始的地震资料开展裂缝发育带预测,对裂缝预测中采用的边缘检测算法影响很大,降低了预测结果的准确性。因此,有必要对地震资料进行去除噪声的处理,提高原始地震资料的品质。本文基于盲源分离的独立分量分析方法(Independent component analysis,ICA)去噪技术,将地震资料分解为不同级次的背景与储层目标反射响应,实现有效信号与随机噪声的区分,去噪效果优于常规去噪算法的效果,保证了去噪后有效信息基本不受损失,处理后地震资料横向波形特征的稳定性得到了较好改善。实际工区应用效果表明,利用去噪处理后的地震资料开展边缘检测裂缝预测,裂缝发育区分布规律与区域断裂发育特征具有较好的一致性,且与钻井揭示的裂缝发育特征吻合性较好,从而提高了火成岩裂缝发育区预测的可靠性。     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

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.     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

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。     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算,然而峭度值的变化对随机大样本的干扰非常敏感,因此往往导致分离结果的不正确.针对于此文中提出了一种结合中值滤波技术的独立分量分析算法,实验表明,该算法能有效地克服随机大样本信号的干扰,并获得较好的盲源分离结果.     

一种应用于水声目标检测的盲源分离算法

提出了一种新的盲源分离方法.该方法基于独立分量(ICA)理论,可以有效去除噪声,提高目标检测的性能.针对在盲源分离中噪声消除比较困难这一问题,利用水声信号半盲的特点,引入了虚拟信号的概念.通过添加虚拟信号,成功地分离了混合信号.高斯噪声和K分布噪声的仿真表明,该算法在强背景噪声下较匹配滤波算法有明显的检测优势.     

基于盲信号分离的回波抵消技术

针对数字直放站回波抵消技术中自适应滤波法在多径回波信道条件下不能完全消除次径回波的问题,提出了基于盲信号分离的直放站回波抵消方法。首先对施主天线接收的混合信号进行相空间重构,使观测信号的数目大于等于独立信源的数目;然后利用独立分量分析法（ICA）对重构的信号进行盲信号分离;最后根据各分离信号和发送信号的相关情况判断有用信号,实现回波消除。对复杂多径回波信道条件下的多载波全球移动通信系统（GSM）信源进行回波抵消测试,分离得到的有用信号的相关系数可以达到0.9593。表明盲信号分离的方法可以实现复杂多径信道下的直放站回波抵消,有效解决了传统的自适应滤波法存在的问题。     

Adaptive blind separation of underdetermined mixtures based on sparse component analysis

The independence priori is very often used in the conventional blind source separation （BSS）. Naturally, independent component analysis （ICA） is also employed to perform BSS very often. However, ICA is difficult to use in some challenging cases, such as underdetermined BSS or blind separation of dependent sources. Recently, sparse component analysis （SCA） has attained much attention because it is theoretically available for underdetermined BSS and even for blind dependent source separation sometimes. However, SCA has not been developed very sufficiently. Up to now, there are only few existing algorithms and they are also not perfect as well in practice. For example, although Lewicki-Sejnowski＇s natural gradient for SCA is superior to K-mean clustering, it is just an approximation without rigorously theoretical basis. To overcome these problems, a new natural gradient formula is proposed in this paper. This formula is derived directly from the cost function of SCA through matrix theory. Mathematically, it is more rigorous. In addition, a new and robust adaptive BSS algorithm is developed based on the new natural gradient. Simulations illustrate that this natural gradient formula is more robust and reliable than Lewicki-Sejnowski＇s gradient.     

网页去重的改进算法

针对网页内容相似重复的特点,提出了一种改进算法对网页进行去重处理。该方法能够有效地对网页进行去重,并能对网页信息进行冗余识别处理。实验结果表明,与原有网页去重算法相比,该算法的执行效果提高了14.3%,对网页去重有了很明显的改善。     

基于盲分离的图像去噪算法研究

图像去噪是图像处理中一个重要而又富有挑战性的课题。已有的图像去噪算法对噪声模型作出假设,在达到假设条件时取得较好的去噪效果。这类算法不能完全去除噪声,而且会削弱图像信号的细节。把图像和噪声看作是互相独立的两个信号源,把去噪过程作为信号分离过程来处理。在初步从污染图像中估计出一个虚拟观测图像后,用基于独立分量分析的盲分离来达到去噪目的。实验结果表明,该算法相比传统的基于滤波的去噪方法,在噪声强度很大的情况下,依然能得到较好的去噪效果。     

基于WKGV-KICA 的盲源信号分离算法

基于核学习的非线性映射能力,提出一种小波核广义方差的核独立成分分析算法WKGV-KICA.小波核函数具有近似正交,适用于信号局部分析的优点.与互信息相联系,将核广义方差作为对比函数对统计独立性进行衡量,可以获得理想的数学特性.将该算法应用于宽范围的盲源分离问题的实例中,并与现有算法进了比较.实验结果表明, WKGV-KICA算法在同等条件下的分离精度更高,而且性能更好.     

Grading learning for blind source separation

By generalizing the learning rate parameter to a learning rate matrix, this paper proposes a grading learning algorithm for blind source separation. The whole learning process is divided into three stages: initial stage, capturing stage and tracking stage. In different stages, different learning rates are used for each output component, which is determined by its dependency on other output components. It is shown that the grading learning algorithm is equivariant and can keep the separating matrix from becoming singular. Simulations show that the proposed algorithm can achieve faster convergence, better steady-state performance and higher numerical robustness, as compared with the existing algorithms using fixed, time-descending and adaptive learning rates.     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

Fast nonlinear autocorrelation algorithm for source separation

Independent component analysis (ICA) and blind source separation (BSS) methods have been used for pattern recognition problems. It is well known that ICA and BSS depend on the statistical properties of original sources or components, such as non-Gaussianity. In the paper, using a statistical property—nonlinear autocorrelation and maximizing the nonlinear autocorrelation of source signals, we propose a fast fixed-point algorithm for BSS. We study its convergence property and show that its convergence speed is at least quadratic. Simulations by the artificial signals and the real-world applications verify the efficient implementation of the proposed method.     

Atrial fibrillatory signal estimation using blind source extraction algorithm based on high-order statistics

The analysis and the characterization of atrial fibrillation （AF） requires, in a previous key step, the extraction of the atrial activity （AA） free from 12-lead electrocardiogram （ECG）. This contribution proposes a novel non-invasive approach for the AA estimation in AF episodes. The method is based on blind source extraction （BSE） using high order statistics （HOS）. The validity and performance of this algorithm are confirmed by extensive computer simulations and experiments on realworld data. In contrast to blind source separation （BSS） methods, BSE only extract one desired signal, and it is easy for the machine to judge whether the extracted signal is AA source by calculating its spectrum concentration, while it is hard for the machine using BSS method to judge which one of the separated twelve signals is AA source. Therefore, the proposed method is expected to have great potential in clinical monitoring.     

基于语音信号稀疏性的FDICA初始化和后处理方法

目前解决语音信号盲源分离(Blind source separation,BSS)的两大类方法分别为频域独立成分分析(Frequency domain independent component analysis,FDICA)和基于稀疏性的时频掩蔽(Time frequency masking,TF masking).为此将两类方法优点相结合,利用TF masking方法的结果,对FDICA做初始化,在加快FDICA收敛速度的同时也避免了次序不确定性问题.此外还提出了一种新的基于语音稀疏性FDICA的BSS后处理方法:基于局部最小比例控制(Local minimum ratio controlled,LMRC)谱减法,比常规的TF masking、维纳滤波等后处理方法,能够更有效地控制音乐噪声,提高分离性能.合成数据和实际采集数据的实验结果验证了所提方法的有效性.