基于稳健联合分块对角化的卷积盲分离

针对卷积盲分离问题,提出一种新的矩阵联合分块对角化(Joint block diagonalization, JBD)算法. 现有的迭代非正交联合分块对角化算法都存在不收敛的情况,本文利用分离矩阵的特殊结构确保其可逆性,使得算法的迭代过程稳定. 在已知矩阵分块结构的条件下,首先,将卷积盲分离模型写成瞬时形式,并说明其满足联合分块对角化结构; 然后,提出联合分块对角化的代价函数,依据代价函数的最小化等价于矩阵中每个分块的范数最小化, 将整个分离矩阵的迭代更新转化成每个分块的迭代更新;最后,利用最小化条件得到迭代算法. 实数和复数两种情况下的算法都进行了推导.基本实验验证了新算法在不同条件下的性能; 仿真实验中对在时域和频域都重叠的信号的卷积混合进行盲分离,实验结果验证了新算法具有更好的分离性能和更稳定的分离能力.     

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。     

基于递归神经网络结构的非平稳信号自适应盲分离

基于递归网络分离结构并利用时间相关的评价函数，针对二输入二输出盲信号分离问题，提出了一种非平稳信号的自适应盲分离算法。该算法计算量小，可根据输出信号能量大小有选择地更新分离系数。并可扩展到多输入多输出盲分离问题。仿真验证对声音等非平稳信号具有良好的分离效果。     

改进的在线自然语音卷积混合信号时域盲分离方法

针对语音信号所具有的非平稳性和时域相关性,提出了一种新的卷积混合语音信号盲分离的在线时域算法。该算法通过利用分块处理方法和带遗忘因子更新的非完备约束条件及其推广,对于许多已有在线算法中存在的由于目标源数目随时间不断变化而产生的不稳定性问题,以及语音信号时域相关性而导致的恢复信号失真问题进行了改进,最后通过仿真,结果表明,本文方法可以有效地处理语音卷积信号的在线盲分离问题,同时在源数目变化时算法的鲁棒性较好。     

基于时变自回归模型的FAJD盲源分离算法

为实现多高斯源和相关源信号的盲分离,在快速近似联合对角化(FAJD)算法的基础上,将故障诊断领域的时变自回归理论成功地应用于相关源信号的盲分离和多高斯源信号的盲分离.首先采用时变自回归模型(TVAR)对源信号建模,并通过白化预处理使得建模后的源信号具有可联合对角化的结构;然后,通过基函数加权和的方法将时变参数近似为已知基函数的加权和的形式,将其变成时不变的参数,再通过递推最小二乘法求解出模型系数矩阵组;最后,将所求出的系数矩阵组作为快速近似联合对角化的目标矩阵组,通过FAJD算法实现混合信号的分离.Matlab仿真实验验证了所提出的算法对于相关源信号和多高斯源信号的分离是行之有效的.由于算法中TVAR模型的优良特性,此算法非常适用于混合通信信号的盲分离.     

一种基于最小二乘优化的快速压缩感知算法

压缩感知方法可以以远低于传统采样定理规定的采样率对信号采样。针对压缩感知重构信号的时间较长且随信号增大以极高速率快速增长的问题,提出了面向图像信号的快速压缩感知算法FBWRFI。FBWRFI基于最小二乘方法实现信号的优化重构,利用新定义的整体相关性度量参数选择针对图像信号的最相关原子,引入分块重构理论并重新设计分块大小和测量矩阵,有效降低了重构操作的计算复杂度和计算规模。实验结果表明,FBWRFI算法可以显著降低信号的重构时间,并使随信号增大而高速增长的重构时间的增长趋势变为线性,证明了算法的有效性。     

复杂电磁环境下基于信号稀疏表示的干扰抑制与通信信号重构方法

在复杂电磁环境下,通信信号与干扰在时频域重叠而难以分离,针对这一问题,提出了一种基于信号稀疏表示的干扰抑制与通信信号重构方法.首先,通过K阶奇异值分解（K-Singular Value Decomposition,K-SVD）算法,分别构造通信信号与干扰的过完备子字典;然后,对过完备子字典进行联合构建联合字典,利用正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法实现信号的分离和重构;最后,对时频重叠下的2ASK信号和2PSK信号的干扰抑制和重构过程进行了计算机仿真,再对OFDM信号的干扰抑制和信号重构过程进行了实验验证.仿真及实验结果表明：该方法可以实现时频重叠情况下通信信号的干扰抑制与信号重构.     

一种改进的盲源分离技术及其在SEMG中的应用

针对多通道表面肌电信号(SEMG)采集时形成的混迭现象,提出一种基于时频分析的参考累积量盲源分离方法.以多路观测信号互为参照分别计算累积量矩阵,利用时频分析得到时间尺度累积量矩阵,并构造对照函数,通过非正交联合对角化方法得到SEMG的最优估计.仿真实验表明该算法在解决SEMG的混迭现象有很好的分离效果,与FastICA、JADE算法相比,信号间的相似系数和算法性能指数明显改善,算法效率提高.     

非正交联合对角化的罚函数粒子群算法

针对多个矩阵近似联合对角化盲分离问题,提出一种新的非正交近似联合对角化算法.首先采用罚函数法将联合对角化的非线性约束优化模型转化为无约束优化模型;其次将粒子群优化算法引入无约束优化模型中实现目标函数的最优化,从而完成矩阵组的联合对角化.分析了惩罚因子的更新策略及算法的收敛性能,并设计仿真实验进行对比分析以检验算法解决实际盲分离问题的能力.     

改进的粒子滤波单通道盲分离算法

针对粒子滤波在通信混合信号单通道盲分离中存在固定参数联合估计精度低,收敛速度慢等问题,提出了一种改进的盲分离算法。通过对传统的随机游走模型加以修改,并将参数粒子的后验概率密度分布近似为Beta分布,提高了参数估计的收敛速度和精度,改善了分离性能;为了衡量算法的参数估计性能,推导了符号已知条件下的参数联合估计克拉美罗界。实验仿真结果表明,算法具有更好的参数估计性能和分离性能。     

一种新的联合块对角化卷积盲分离时域算法

提出一种基于高阶累积量联合块对角化的时域算法求解卷积混合盲信号分离问题。引入白化处理,将混叠矩阵转变成酉矩阵,混合信号转变为互不相关的,进而计算出其对应的一系列高阶累积量矩阵,通过最小化代价函数来实现高阶累积量矩阵联合块对角化的目的,在时域中解决超定卷积盲分离问题。实验表明,相比于经典的自然梯度算法,所提方法的分离精度更高,且运算速度也更快。     

Nonorthogonal Approximate Joint Diagonalization With Well-Conditioned Diagonalizers

To make the results reasonable, existing joint diagonalization algorithms have imposed a variety of constraints on diagonalizers. Actually, those constraints can be imposed uniformly by minimizing the condition number of diagonalizers. Motivated by this, the approximate joint diagonalization problem is reviewed as a multiobjective optimization problem for the first time. Based on this, a new algorithm for nonorthogonal joint diagonalization is developed. The new algorithm yields diagonalizers which not only minimize the diagonalization error but also have as small condition numbers as possible. Meanwhile, degenerate solutions are avoided strictly. Besides, the new algorithm imposes few restrictions on the target set of matrices to be diagonalized, which makes it widely applicable. Primary results on convergence are presented and we also show that, for exactly jointly diagonalizable sets, no local minima exist and the solutions are unique under mild conditions. Extensive numerical simulations illustrate the performance of the algorithm and provide comparison with other leading diagonalization methods. The practical use of our algorithm is shown for blind source separation (BSS) problems, especially when ill-conditioned mixing matrices are involved.      

非对称非正交快速联合对角化算法

针对非对称联合对角化算法收敛速度慢以及有可能收敛到奇异解的问题, 首先提出一种基于最小二乘的非对称代价函数, 该代价函数在最小二乘标准的基础上增加了使对角化矩阵非奇异的约束项, 以保证算法不会收敛到奇异解. 然后利用一种循环最小化技术来优化提出的代价函数, 得到一种非对称非正交快速联合对角化算法. 算法的性能分析证明, 该算法不仅全局渐近收敛, 而且具有不变性. 左右对角化矩阵的关系也证明了非对称联合对角化的一般性. 实验仿真表明, 与原非对称联合对角化算法相比, 提出的算法收敛速度更快, 而且可以显著降低干扰信号比.     

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。     

Distributed Jacobi Joint Diagonalization on Clusters of Personal Computers

A new algorithm is described for distributed joint diagonalization of real symmetric or complex Hermitian matrices. The approach, which is based on the Jacobi diagonalization, utilizes distribution of the computational power and memory space, minimizes the communication costs, and runs on clusters of personal computers. It further combines two-step load balancing algorithm with a standard Kalman filter to enable quick but low-cost adaptation to resource varying conditions. Theoretical analysis of its performance shows that the communication costs (when normalized by computational costs) decline linearly with the number and size of the diagonalized matrices. This is also confirmed by experimental results: the measured speedup ratio yields 42.2 when jointly diagonalizing 800 matrices of size 400 × 400 on a cluster of 50 personal computers.     

基于接收信号的多用户密钥生成方案

基于信道特征生成密钥的方案为通信安全带来了新思路。但在多用户慢衰落条件下,基于信道特征的密钥生成方案由于参数变化慢,导致密钥更新慢。针对此问题,提出了基于接收信号的多用户密钥生成方案,即通过块对角化预编码实现多个随机信号流的分发,使基站与用户能够从用户接收信号中提取密钥。仿真结果表明,提出的基于接收信号的多用户密钥生成方案能够有效提高多用户在准静态及慢衰落条件下的密钥速率。     

基于决策图贝叶斯的盲源信号分离算法

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。提出了一种基于决策图贝叶斯的盲源信号分离算法,该算法利用决策图贝叶斯优化算法代替JADE算法中的联合对角化操作,通过构造和学习网络来替代传统遗传算法中的交叉重组和变异等遗传算子,避免了对大量控制参数和遗传算子的人工选择和重要构造块的破坏。仿真结果表明,提出的算法比JADE算法和基于遗传算法的盲源信号分离方法均具有更高的分离精度。