盲源分离的一种时频比方法

在M.Puigt和Y.Deville提出的时频盲源分离算法基础上,引入S变换来获取非平稳信号的多分辨率特性。首先通过S变换将一维混叠信号映射到二维时频平面,然后构造不同混叠信号的时频比矩阵,通过在时频比矩阵范围内搜索单源分析域计算混合阵的每个元素,进而估计源信号。该方法能有效分离非平稳信号且具备多分辨率特性。     

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。     

使用时频盲源分离和小波包去噪的胎儿心电信号提取

提出一种使用时频盲源分离(TFBSS)和小波包去噪的胎儿心电信号提取新方法。首先通过重排时频谱时频盲源分离方法进行胎儿心电信号的初次提取,并将初次提取得到的母体心电信号和噪声对应的各路分量置零,其余分量由混合矩阵进行重构;然后再利用重排时频谱的时频盲源分离方法对重构信号进行胎儿心电信号的二次提取,得到含噪声的胎儿心电信号;最后通过小波包去噪抑制胎儿心电信号中的基线漂移和噪声。在胎儿心电信号和母体心电信号的QRS波无重叠、部分重叠或完全重叠的情况下,通过该方法能有效抑制母体心电信号和噪声的干扰,提取胎儿心电信号。实验结果表明该方法能提取清晰的胎儿心电信号。     

基于时频分布的非平稳信号盲分离算法

针对传统的盲源分离方法往往忽略信号非平稳性的问题,基于从瞬时线性混合模型的观测信号中分离出相互独立的源信号,并针对信号具有非平稳性,结合时频分析和盲源分离各自的特点,对非平稳信号盲分离进行了研究,并提出了一种新的具有不同空间时频分布的非平稳盲分离算法.仿真实验表明,通过采用维纳全时频域搜索来寻找局部最大值的平滑伪Wigner-Ville分布,该算法可以抑制交叉项而且能够保持时频聚集性,并达到了很好的分离效果.     

ICA和线性神经网络在带噪语音分离中的研究

用基于独立分量分析（ICA）的盲源分离方法对强噪声背景下的混合语音信号进行分离时,如果忽略噪声的影响则会产生很差的分离效果。为克服此不足,结合噪声对消和盲源分离,提出了一种在强噪声背景环境下的混合语音分离方法,即先将带噪观测信号通过线性神经网络构成自适应噪声对消器,然后采用ICA进行分离,与增加一路噪声作为源信号的分离方法相比,该方法具有更好的分离效果。     

一个用于卷积混合模型的时频分析盲分离算法

提出一种基于时频分析的卷积混合盲分离算法.由于信号源与各传感器的距离不同,在传播的过程中会产生不同的幅度衰减和时间延迟.该算法用短时傅里叶变换对语音信号进行时频分析,将其中一个传感器信号作为参考信号,构造了源信号的幅度衰减向量和时间延迟向量.根据语音信号的时频域稀疏性,以这两个向量为特征,在时频域上对传感器信号进行聚类,再通过估计参考信号混合系数来获得源信号时频域表示,进一步得到源信号.该方法可以用于源信号数目大于传感器信号数目的情况.仿真实验证明,算法可以完成欠定情况下卷积混合信号的盲分离,分离结果令人满意.     

基于线性阵列的欠定盲源分离几何分析

采用线性阵列对欠定盲源分离问题进行建模,研究源信号的空间分布对欠定盲源分离的影响.利用二步法和稀疏分量分析解决欠定盲源分离问题,其中,混合矩阵的估计主要利用稀疏源信号的线性混合信号沿混合矩阵列向量方向线性聚类的特性.理论分析和仿真实验结果表明,当源信号在空间处于某些特定区域时,若采用线性聚类方法,混合矩阵是不可估计的,...     

融合极点对称模态分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离的观察信号少于源信号,且传统的盲源分离方法往往忽视信号非平稳性的问题,提出一种基于极点对称模态分解和时频分析的盲分离算法（ESMD-TFA-BSS）。首先,采用极点对称模态分解方法将观察信号分解成不同的模态,采用贝叶斯信息准则（BIC）估计源信号个数并利用相关系数法选取最优观察信号,由原观察信号与最优观察信号组成新的观察信号;其次,根据新的观察信号计算白化矩阵并将其白化,利用平滑伪Wigner-Ville分布将白化后的信号拓展到时频域,采用矩阵联合对角化方法计算酉矩阵;最后,根据白化矩阵和酉矩阵估计源信号。在盲源分离仿真实验中,ESMD-TFA-BSS的估计源信号与仿真信号的相关系数分别为0.9771、0.9784、0.9660,基于经验模态分解和时频分析的盲分离算法（EMD-TFA-BSS）的相关系数分别为0.8697、0.9706、0.8548,ESMD-TFA-BSS比EMD-TFA-BSS的相关系数分别提高了12.35%、0.80%、13.00%。实验结果表明,ESMD-TFA-BSS在实际工程中能够有效地提高源信号分离精度。     

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。     

功率谱估计和扩展子空间下的欠定盲分离

研究了欠定情形下的信号盲分离。充分利用信号的时频特性,提出了AR模型功率谱估计法滑动估计信号频率,设计带通滤波器近似获取源信号和欠定混合矩阵,以及扩展子空间向量基构造完备观测信号的方法,将问题转化为完备情况下的盲分离,最后运用FastICA方法实现了信号盲分离。仿真实验数据表明方法的可行性和有效性,为欠定盲分离问题研究提供了新的思路。     

基于新型混合模型的欠定盲分离方法

针对欠定盲分离问题,提出了一种新的源恢复方法. 在时频域局部区域采用复高斯分布对源信号进行建模,将语音信号的稀疏性和局部平稳性结合在一起,提出了一种新的混合模型来描述观测信号在局部区域的概率分布.通过该模型,将每个时频点的源信号状态的判断问题转换成模型的参数估计和后验概率的计算问题,最后通过子混合矩阵的逆恢复出源信号. 实验结果表明,该方法具有很快的收敛速度,并且比已有方法具有更好的分离性能.     

弱稀疏性下的欠定语音盲分离方法

针对语音信号的弱稀疏性,提出一种新的基于混合矩阵估计的欠定语音盲分离方法。该方法通过主成分分析检测只有一个源信号存在时的时频点并用于估计混合矩阵,从而克服语音信号稀疏性变弱时的影响,提高混合矩阵估计精度。结合子空间法重构源信号,进一步提高分离性能,并从几何角度证明子空间方法,仿真结果表明该方法的分离性能优于Cluster-UBSS,且鲁棒性更好。     

小波变换结合盲源分离的EEG情感识别

由于脑电信号独立源数目的不确定性以及其他噪声的干扰,使得采集的脑电信号各导信号之间产生串扰、源信号难以估计以及噪声混杂等问题,严重影响了对脑电信号的分析研究。将小波变换与盲源分离算法相结合,并对盲源分离算法中维格纳分布存在的交叉项干扰现象进行重排处理。主要思路是首先将每一导信号进行小波变换,提取出特征波β波,然后对这些β波信号进行基于重排光滑伪维格纳分布的盲源分离,分离出关联性极大的β波成分。实验结果表明,所用方法分离出了各导信号中关联性大的脑电信号成分,并在一定程度上解决了源信号难以估计等问题,使识别结果有明显的提升。     

多特征值分解的稀疏混沌信号盲源分离算法研究

针对受到噪声干扰的激光混沌源信号高精度重构的问题,本文提出了一种基于相位空间重构混沌流信号的盲源分离算法。该算法首先对分离信号的相位空间进行时间延迟重构,然后将分离矩阵作为待优化参数,通过在相空间中构建目标函数,将盲源分离问题转换为优化问题,应用粒子群优化算法求解最优分离矩阵,进而将观测数据乘以最优分离矩阵来重构源信号。实验结果表明,该算法不仅具有快速收敛的特点,其精度明显优于各种噪声强度下现有的独立分量分析方法。     

基于稀疏性的欠定语音盲分离方法研究

针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。同时指出了影响基于稀疏性语音盲分离方法性能的因素。仿真结果验证了上述结论。     

密度空间与密度峰值聚类的欠定混合矩阵估计

针对欠定盲源分离问题, 提出了增强信号稀疏性的方法,并把具有噪声的基于密度空间聚类与寻找密度峰值聚类相结合用于估计混合矩阵。首先,把时域观测信号变换成时频域的稀疏信号,通过单源点检测突出信号的线性聚类特性,并采用镜像映射将线性聚类转变成致密聚类以便于进行密度基的聚类分析;然后,利用密度空间聚类搜寻密集数据堆中高密度的点和与之相应的邻域,以自动形成聚类簇的数量和初步聚类中心;最后,把获得的聚类数量作为密度峰值聚类的输入参数,在数据簇的范围内搜索其密度峰值以实现对聚类中心位置的进一步修正。以上方法不仅可提高混合矩阵的估计精度,而且估计量具有较高的一致性。     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.