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。     

基于势函数与压缩感知的欠定盲源分离

传统的基于K均值聚类算法及最小路径法的欠定盲源分离两步法存在K值难以确定,对初始值敏感,噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足,针对以上问题,提出了基于势函数及压缩感知理论的新型两步算法。该算法首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵,然后利用估计矩阵来构建传感矩阵,并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中,最终实现源信号的重构。仿真实验结果表明,混合矩阵最高估计精度达到99.13%,重构信号干扰比均高于10dB,很好的满足了重构精度的要求,验证了本文算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

基于Hough变换的时频盲源分离算法

1998年,Belouchrani,A和Amin,M.G基于时频分布提出了一种经典的时频盲源算法,不足是当有噪声存在时,性能会下降。主要考虑源噪声的盲源分离问题,以Wigner分布计算观测信号的时频阵并将其看做图像,利用Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,运用自项点理论选择合适的矩阵进行联合近似对角化估计源信号。该方法扩展了盲源分离的限制条件,且通过把噪声能量扩展到整个参数平面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。     

基于势函数与压缩感知的欠定盲源分离

传统的基于K均值聚类算法及最小路径法的欠定盲源分离(BSS)两步法存在K值难以确定、对初始值敏感、噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足。针对以上问题,提出了基于势函数及压缩感知理论的新型两步算法。首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵;然后利用估计矩阵来构建传感矩阵,并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中;最后实现源信号的重构。仿真实验结果表明,混合矩阵最高估计精度达到99.13%,重构信号干扰比均高于10 dB,很好地满足了重构精度的要求,验证了所提算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。     

基于Givens变换和二阶振荡W-C-PSO优化的盲源分离算法

针对智能算法在实现盲源分离时容易陷入局部最优且收敛速度缓慢的问题,提出一种基于Givens变换和二阶振荡粒子群优化的盲源分离算法。该算法首先将惯性权重与学习因子两个参数构造函数关系,使之共同调节算法迭代来提高算法的整体性与全局搜索能力;再引入二阶振荡环节增加种群的多样性,这样算法不易陷入局部最优;此外,采用Givens变换将分离矩阵转换成旋转角度表示形式来降低算法的复杂度。仿真表明,该算法能有效实现机械振动信号和语音信号的盲分离,并且相比其他算法具有更快的收敛速度和更好的分离性能。     

基于最大信噪比的盲源分离算法

提出一种新的低计算复杂度的瞬时线性混叠信号的盲分离算法,该算法利用统计独立信号完全分离时信噪比量大作为分离准则。源信号用估计信号的滑动平均代替,把源信号和噪声信号协方差矩阵的函数表示成广义特征值问题,通过广义特征值问题求解分离矩阵不需要任何迭代运算。和典型的信息理论方法相比,该算法的优点是具有非常低的计算复杂度。计算机模拟实验证明,该算法能够分离线性混合的超高斯和亚高斯源信号,并且可以有效地分离语音信号。     

噪声中的复信号盲源分离算法

复信号分析是信号处理技术常见的问题之一,在盲信号分离及处理技术中特别是卷积混合问题或频域分析等均需要建立与之相应的复值分析模型。然而在以往的分析中,由于此类问题往往是基于无噪声的约束条件,因此局限了该技术在实际中的应用。针对这一问题,将复值盲源分离问题推广到含噪声的一般环境中。通过分析高斯噪声协方差的一般特征,利用高斯噪声协方差的参数信息,导出了一种在噪声环境下盲源分离的不动点算法,该算法可以在噪声环境中通过观测信号估计与之对应的有效分离矩阵,使得复值信号在噪声环境中混合中仍然能成功分离出源信号。仿真结果表明了所研究方法的可行性与有效性。     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

含噪BSS模型的BJD-Hough算法*

当噪声存在时,信号和混合阵的盲估计变得相当困难。针对信号源噪声污染情形,假设信号和噪声的时频谱不同,提出了一种时频去噪盲源分离方法。该方法以Born-Jordan分布计算混合信号的时频矩阵并将信号的时频分布看作图像,利用广义Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,再运用自项点理论选择合适的时频阵进行对角化,进而估计源信号和混合阵。该方法扩展了盲源分离的限制条件,能有效分离各种非平稳源信号、非独立源信号,且通过把噪声能量扩展到整个时频面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。     

Blind source separation with time series variational Bayes expectation maximization algorithm

This paper presents a variational Bayes expectation maximization algorithm for time series based on Attias? variational Bayesian theory. The proposed algorithm is applied in the blind source separation (BSS) problem to estimate both the source signals and the mixing matrix for the optimal model structure. The distribution of the mixing matrix is assumed to be a matrix Gaussian distribution due to the correlation of its elements and the inverse covariance of the sensor noise is assumed to be Wishart distributed for the correlation between sensor noises. The mixture of Gaussian model is used to approximate the distribution of each independent source. The rules to update the posterior hyperparameters and the posterior of the model structure are obtained. The optimal model structure is selected as the one with largest posterior. The source signals and mixing matrix are estimated by applying LMS and MAP estimators to the posterior distributions of the hidden variables and the model parameters respectively for the optimal structure. The proposed algorithm is tested with synthetic data. The results show that: (1) the logarithm posterior of the model structure increases with the accuracy of the posterior mixing matrix; (2) the accuracies of the prior mixing matrix, the estimated mixing matrix, and the estimated source signals increase with the logarithm posterior of the model structure. This algorithm is applied to Magnetoencephalograph data to localize the source of the equivalent current dipoles.     

基于ICA的白噪声消除方法研究

为了消除润滑油内金属磨粒检测系统(metal debris detection system,MDDS)输出信号中混合的高斯白噪声,提出了一个基于ICA的算法对两路输出信号进行消噪处理.对两路信号添加前缀信号,并按照所述步骤进行两次ICA后得到三路独立源信号,根据ICA前后前缀信号幅值和相位的变化校正ICA分离结果的幅值和相位,完全恢复源信号.对MDDS的输出信号进行仿真以验证算法的去噪效果,实验结果表明,该算法可以有效地消除输出信号中的白噪声.     

噪声背景下的盲源分离算法

分析了当存在高斯背景噪声时一类盲分离算法的性能，指出此时盲分离算法仍可用于估计解混矩阵，而输出信号为分离的源信号与高斯噪声的叠加。利用现代时间序列分析方法（MTSSAM）建立了输出信号的自回归移动平均（ARMA）新息模型，并给出了一种基于多维线性最小二乘法的信号滤渡算法。仿真试验表明，该算法稳定且收敛，可以在背景噪声存在时有效地恢复源信号的波形。     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

Blind source separation with unknown and dynamically changing number of source signals

The contrast function remains to be an open problem in blind source separation (BSS) when the number of source signals is unknown and/or dynamically changed. The paper studies this problem and proves that the mutual information is still the contrast function for BSS if the mixing matrix is of full column rank. The mutual information reaches its minimum at the separation points, where the random outputs of the BSS system are the scaled and permuted source signals, while the others are zero outputs. Using the property that the transpose of the mixing matrix and a matrix composed by m observed signals have the indentical null space with probability one, a practical method, which can detect the unknown number of source signals n, ulteriorly traces the dynamical change of the sources number with a few of data, is proposed. The effectiveness of the proposed theorey and the developed novel algorithm is verified by adaptive BSS simulations with unknown and dynamically changing number of source signals.     

基于信号稀疏特性和核函数的非线性盲信号分离算法

文章结合核函数,把基于信号稀疏特性的线性盲分离方法应用于非线性混叠情况而给出了一种非线性混叠信号盲分离算法。该算法首先将混叠信号映射到高维核特征空间,其次,在核特征空间中构造一组正交基,通过这组正交基将高维核特征空间的信号映射到这组正交基张成的参数空间中,从而把非线性混叠信号盲分离问题转化为参数空间的线性混叠信号盲分离问题。最后,在参数空间中,应用基于信号稀疏特性的线性盲分离方法对信号进行分离。该算法收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

两正定矩阵联合对角化盲分离算法

针对具有时间结构的盲分离问题,提出了一种基于两正定矩阵精确联合对角化的盲分离算法。利用多个不同时延统计量构造了两个正定矩阵,以提取出数据的时间结构;再利用所提算法联合对角化构造的两个正定矩阵,得到分离矩阵,进而估计出源信号。所提算法克服了已有算法因采用多个矩阵联合对角化导致的计算量大和采用单个矩阵导致的分离精度低的缺点。计算机仿真结果表明了在有或无噪声情况下,所提算法性能均优于其他对比算法。