FastICA与PCA结合的语音盲信号分离技术

由于语音盲信号分离中存在收敛速度慢的问题,在众多数学模型的基础上,采用FastICA和PCA结合的算法模型进行语音盲信号分离。在FastICA和PCA结合中,先通过PCA对混合信号处理,使得各道数据分析集中到高阶统计量上,然后采用快速ICA算法分离,从而使得收敛速度获得很大程度的提高。     

一种改进的FastICA ADS-B 1090ES信号分离技术

 针对多点定位技术中广播式自动相关监视(ADS-B)1090ES信号脉冲交叉重叠的问题,提出一种改进的三阶收敛的牛顿迭代快速固定点（Fast ICA）算法,通过对多个ADS-B辐射源混合信号进行分离,恢复和重建原始信号,实现对目标源信号的提取。比较基本Fast ICA算法与改进Fast ICA算法的收敛速度,通过计算相似系数矩阵,分析该算法的分离性能。最后,通过仿真实验,验证了该算法的可行性和有效性,实验结果表明该算法具有较好的分离效果,收敛速度更快。     

负熵最大化条件下的语音信号盲源分离技术研究

语音信号盲源分离是在不知道源信号和传输信道任何先验知识的情况下,仅根据输入语音源信号的统计特性,通过观察信号恢复出各个独立源信号的过程。基于负熵的FastICA算法的最大优点在于其收敛速度较快,是一种性能较好的学习算法,在语音信号盲源分离应用中具有较高的实用价值,但该算法存在计算量大的缺点。针对这一问题,提出了以负熵最大化作为目标函数,采用牛顿迭代法求解FastICA算法的方法。但由于牛顿迭代法求解非线性方程计算量较大,需改进雅克比矩阵算式,并使用相关系数来观察分离效果的优劣。仿真分析结果证明,改进后的算法由于未增加雅克比矩阵运算次数,所以收敛的迭代次数大幅度减少,使程序运行时间显著减小。该算法在兼顾算法收敛速度的同时,提高了算法的性能,较好地恢复了源语音信号。     

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。     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

改进频点权重系数的频域盲源分离排序算法

为解决卷积混合频域盲源分离排序不确定问题,研究了分离矩阵行列式变化和频点距离对基于相邻频点幅度相关性排序算法的影响,提出了改进的盲源分离排序算法.改进算法用权重系数来衡量频点对排序的影响,并将分离矩阵作为下一频点分离矩阵的迭代初值,给出了权重系数设定函数.最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验.实验结果表明,与Murata算法相比,改进算法分离信号信噪比提高、分离速度加快、算法鲁棒性强.     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

基于独立分量分析的电磁场信号工频干扰消除

为了解决电磁场信号测量中的工频及其谐波干扰问题,将盲源分离(BSS)应用于电磁场信号的工频干扰消除.从盲源分离和独立分量分析(ICA)的统一模型出发,分析了快速ICA算法和最大信噪比ICA算法的目标函数选择及算法推导,并分别对计算机随机产生不同波形信号和实测的电磁场信号进行分离,结果显示:无论从相似系数还是运算时间上看,最大信噪比ICA算法明显优于快速ICA算法.     

脉冲远场涡流检测PCA-ICA联合消噪技术

脉冲远场涡流作为一种新兴的电磁无损检测技术,国内外研究发现其对铁磁性管道检测具有显著的优势.然而在实际检测中,由于磁导率不均等管道自身材质因素的影响,使检测信号信噪比较低,易造成缺陷误判.针对这一问题,提出了主成分分析-独立分量分析(PCA-ICA)联合消噪技术.单通道缺陷扫查信号经过PCA处理后,利用前二阶主成分构建虚拟双通道信号作为ICA输入矩阵,采用扩展特征矩阵联合近似对角化(FJADE)算法实现在单通道信号欠定条件下缺陷信号与噪声信号的分离,达到降噪目的.通过仿真与实验研究证明:PCA-ICA技术可以有效降低磁导率不均等噪声信号对检测结果的影响,提升了检测结果的信噪比.     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。     

基于遗传-狮群算法优化的独立分量分析算法

针对传统独立分量分析算法存在过度依赖梯度信息、容易陷入局部最优等缺陷,提出一种基于遗传-狮群算法(GA LSO)优化的独立分量分析算法.以信号的峭度绝对值之和作为目标函数,结合遗传算法较强的全局搜索能力和狮群算法良好的进化机制,对目标函数进行求解,提高了独立分量分析算法的精度,实现了对混叠信号的盲分离.仿真实验结果表明...     

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.     

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.     

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．     

基于滑动窗口的独立分量分析算法

针对时变混合模型的独立分量分析(ICA)问题,提出了基于滑动窗口的ICA算法.给出了基于滑动窗的分离矩阵递归学习算法,提高了算法的运算效率,因此可应用于独立分量的在线提取和动态独立分量分析等应用场合另外,针对独立分量排序不确定性所带来的问题,提出了利用峭度值大小对输出信号进行动态排序的思路.仿真实验证明了这一思路是可行的.对窗函数长度的选择问题还进行了探讨,得出了一些有参考价值的结论.实验结果表明,基于滑动窗ICA算法能较好地应用于时变混合模型的独立分量提取,具有良好的盲分离性能.     

基于仿射投影-非线性主分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离收敛速度慢的问题,以盲源分离的非线性主分量分析(PCA)为基础,结合仿射投影算法,提出了盲源分离的非线性APA-PCA准则,并设计出盲源分离的APA-Kalman,APA-RLS,APA-LMS新算法。在这些新算法中,预白化后的观测向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了盲源分离的收敛速度。仿真结果表明,非线性APA-PCA准则是有效的。     

基于独立分量分析和遗传算法的图象分离方法研究与实现

在深入分析独立分量分析技术的基础上，针对常规数值求解方法容易陷入局部最优解的问题，提出了一种基于遗传算法和独立分量分析相结合的盲源分离新算法．通过对图象信号分离仿真试验表明，采用最佳保留机制和移民方式的动态补充子代个体操作，在一定的群体规模和遗传代数的情况下，该方法能实现信号的盲分离，并可获得全局最优解．对超高斯信号和亚高斯信号的混合信号，与扩展信息最大化方法相比，该方法可获得更好的分离效果。     

基于PSO-ICA的文本分类研究

文本分类在采用向量空间模型（VSM）表达文本特征时,容易出现特征向量高维且稀疏的现象,为了对原始的文本特征向量进行有效简化,提出了一种基于粒子群（PSO）优化独立分量分析（ICA）进行降维的方法,并将其运用到文本分类中。在该算法中,以负熵作为粒子群算法的适应度函数,依据其高斯性原理作为独立性判别标准对分离矩阵进行自适应更新。实验结果表明,相比于传统的特征降维方法,该方法可以解决高维度文本特征向量降维困难的问题,使得文本分类的效率、准确率显著提升。