基于定步长自然梯度算法盲混合信号分离技术研究

本文利用自然梯度算法对盲混合方波、正弦波、调幅波和噪声等信号进行盲分离实验,通过仿真,验证了自然梯度盲分离算法在复杂信号分离中的准确性。比较了不同步长下,自然梯度算法的分离性能,得出步长的选择对算法收敛性及稳态误差的重要性,文章分析了算法在步长变化情况下的收敛速度,稳态性能等。     

基于变步长自然梯度算法的盲源分离

相比标准梯度而言,自然梯度算法以其更快的收敛速度和更好的分离性能在盲源分离中占据着重要地位。由于常用的自然梯度算法是基于固定步长的,因此无法真正解决收敛速度和稳态误差之间的矛盾。通过建立步长因子与分离矩阵相互差异之间的非线性关系,提出了一种新的自然梯度算法。由于该算法采用的步长是时变的,加快了收敛速度,减小了稳态误差,从而很好地解决了固定步长的内在矛盾。计算机仿真结果证实了理论分析,并说明了该算法明显优于通常的自然梯度算法。     

基于自然梯度的语音盲分离算法

对于自适应自然梯度算法,选择步长参数以达到好的分离性能是非常必要的。提出了一种步长自适应自然梯度算法。由于该算法中的步长基于分离状态,其学习速率由信号的分离程度自适应选取,因而能很好地解决收敛速度与稳态误差之间的矛盾。计算机模拟试验结果显示,该算法优于传统的自然梯度算法。     

基于分离度的步长自适应自然梯度算法

首先定义了描述信号分离状态的分离度,并利用分离度作为参数来控制自然梯度算法中的步长因子,从而首次提出了一种基于分离状态的步长自适应自然梯度盲源分离算法。由于该算法步长是基于分离度的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于其它固定步长或变步长的自然梯度算法。     

一种基于峭度累积量比例微分控制的盲源分离学习率

自然梯度算法由于良好的分离性能在盲源分离中占有重要的地位,但该算法基于固定步长时,无法很好兼顾收敛速度和稳态误差。本文借鉴自动化控制的PID （Proportion Integration Differentiation ）算法,提出一种与分离状态紧密结合的变步长学习率算法。由于完成分离的信号峭度累积量是一个固有值,分离过程的信号峭度累积量与固有值将有一个不断减小的误差值。该算法以指数函数值来体现该误差值。再利用该误差构成比例微分的变步长算法,其中的步长初始值就相当于控制误差的比例值,而误差的微分项则得到加速的调整值。该算法仿真实验结果与固定步长自然梯度盲源分离算法的仿真实验结果对比：对应于初始步长的一个最大值和一个最小值,该算法的两次迭代次数均低于采用固定步长算法的迭代次数,并且对于不同类型信号在两次迭代次数间的差值约10～40次,而两种算法的稳态误差是相同的。     

基于变步长等变化自适应盲源分离算法

对于基于梯度自适应的盲源分离算法，认真选择步长参数以达到好的分离性能是非常必要的。如果为加快收敛速度而增大步长因子，将会导致大的稳态误差，甚至引起算法发散，因此固定步长因子无法解决收敛速度和稳态误差之间的矛盾。本文为EASI算法提出了一种变步长的解决方案。通过建立步长因子与分离矩阵相互差异之间的非线性关系，加快了收敛速度，减小了失调误差。计算机仿真结果与理论分析相一致，证实了该算法明显优于传统的EASI算法。     

分离矩阵的步长自适应在线盲源分离算法

分析了超定盲源分离中的自然梯度算法最终不能稳定收敛的原因,针对解决这一问题的方法中存在的不足进行了分析和研究。采用了一种基于分离矩阵的步长自适应在线盲源分离算法,较好地实现了收敛速度与稳态误差的最优结合。同时,在信号随机减少或增加时改进算法也能够达到较好的分离效果,仿真结果验证了改进算法的收敛稳定性与分离有效性。     

基于非线性函数的非平稳盲源分离步长算法

传统自然梯度盲源分离算法采用固定步长,导致收敛速度和稳态误差之间存在矛盾,使算法性能受到制约,特别是对非平稳盲源的分离效果较差。为此,对传统算法进行了改进,提出了一种新的基于非线性函数的步长算法,在分离过程中使步长在每次更新中自动做出合理的调整。通过MATLAB仿真实验证明了新算法的有效性。     

改进的变步长维纳系统盲源分离方法

基于非线性盲源分离的维纳系统算法中,采用固定步长导致算法的收敛速度和稳态误差之间存在矛盾,直接影响分离算法的性能。为了解决该问题,提出了基于非线性函数的变步长维纳系统盲源分离方法。该方法将更新的步长以非线性函数的形式引入到分离算法中,使得稳态时参数更新的步长尽可能小,以避免发生振荡。变步长算法在分离过程中的每次更新都会使步长自动进行合理的调整,使得收敛速度提高了53%,误差减小了45%。实验仿真表明,相对原算法,提出的维纳系统盲源分离方法可以更好地分离出信源信号,而且具有较小的误差和较快的收敛速度。     

改进的自然梯度盲源分离算法在非平稳环境中的应用

对于传统的自然梯度算法,在处理非平稳信号时,在步长更新迭代过程中,非平稳信号变化幅度过快而导致分离矩阵幅度变化的不稳定,从而影响分离效果。针对此问题,结合变步长的思想,本文提出了基于正交约束的自然梯度盲分离算法,该算法主要对恢复信号进行约束,通过使用瞬时误差有目的地控制变步长,从而加快算法收敛速度且提高了分离精度,同时保证了非平稳环境下分离过程的稳定性。结果表明,正交约束下的盲源分离算法可以高效地分离出非平稳环境下的源信号。     

一种引入自适应动量项的变步长混沌信号盲分离算法

该文针对混沌信号盲分离问题,提出一种改进盲分离算法。该算法利用信号分离评价指标来构造函数实现步长和动量因子的自适应调整,然后将构造函数代入盲分离算法中并引入自适应动量项。区别于大多数算法不对混合矩阵进行估计的问题,该算法用变步长函数迭代估计出混合矩阵,从而得到全局矩阵和估计评价指标,以此迭代更新步长和动量因子,最终得出分离矩阵。仿真表明,该算法依据估计评价指标构造函数调整步长和动量因子方法是有效的,在平稳和非平稳环境下对混合混沌信号分离时都能达到收敛速度快且稳态误差小的效果;在混入色噪声时,比传统算法抗噪性能好,表明该文算法在混沌信号盲分离处理中有一定应用价值。     

动量项盲源分离算法及其性能优化策略

动量项技术是用来改善自适应盲源分离算法分离性能的有效手段,但算法在融入动量项后,其收敛特性对于动量因子的选取数值较为敏感,且算法的稳态性能仍要受到步长参数的限定.本文首先给出了动量项盲源分离算法的设计原理,分析了现有算法存在的两个缺陷性问题;然后利用梯度下降法构造了具有在线调整特性的动量因子自适应迭代规则,通过对动量因子的实时更新以消除固定动量因子算法的性能缺陷;在此基础上,基于凸组合理论设计了不同步长参数下两个变动量因子算法的自适应优化组合方案,从而在一定程度上缓解了步长参数对于算法性能的限定.在不同环境下进行的仿真实验表明,本文针对动量项盲源分离算法所设计的优化策略能够有效消除其所存在的缺陷问题,在确保快速收敛的同时,又能获取较小的稳态误差.     

Variable-step blind source separation method with adaptive momentum factor

A variable-step blind source separation algorithm based on the natural gradient with adaptive momentum factor was proposed,which could cope with the determined blind source separation in the environment of stationary and non-stationary.Function estimation mixed matrix was constructed by performance index.The estimated performance index was obtained by the estimated mixed matrix,and the constructor was updated by the estimated performance index.Then,the constructor was plugged with appropriate experienced parameter into the proposed algorithm and step and momentum factor was adaptively adjusted.Finally,the estimation source signals could be obtained.Simulations show that the proposed algorithm is effective to estimate the mixed matrix in the stationary and non-stationary environments,and the proposed algorithm has faster convergence speed and lower steady error as well as separates source signals effectively.     

一种新的变步长ICA自适应算法

结合互信息极小的优化判据，基于估计函数期望平方准则、外点法和最速下降法的思想，本文导出了一种新的变步长独立分量分析(ICA)自适应算法。该算法克服了固定步长在分离矩阵推导过程中出现的稳态失调问题，比基于模拟退火步长的ICA算法有更快的仞始收敛速度和较高的分离精度。同时，该算法还具有较好的时变系统跟踪能力。理论分析和仿真计算结果证实了其可以有效地提高ICA的自适虚性，更准确地完成盲信号分离。     

自适应变步长正交约束盲源分离算法

将盲源分离算法通常应用到的白化预处理方法转化为权值正交约束条件下的分离算法,使得分离算法由无约束算法转变为有约束算法,消除了在估计白化矩阵时引入的误差和分离输出存在的尺度不确定性。因为算法的收敛速度和稳态误差是一对矛盾,所以结合变步长思想,提出了一种新的自适应变步长的权值正交约束盲源分离算法。该算法步长是基于分离状态的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。仿真实验表明,该算法比非约束算法,固定步长的权值正交约束的盲源分离算法具有更好的分离性能。     

一种改进的变步长LMS自适应滤波算法

传统的固定步长的LMS算法难于同时获取较快的收敛速度与较小的稳态误差,基于这一矛盾,将变步长算法与变换域算法相结合,提出一种改进的LMS自适应算法以获得较快的收敛速度和较小的稳态误差。仿真结果表明,此算法在收敛速度与稳态误差的性能上均不同程度地优于其他同类算法,尤其是在低信噪比的情况下,其性能的优越性更为突出。