应用信号变化度的线性混合信号盲分离算法

论文首先给出了信号变化度的概念,并证明了信号变化度的一个性质:互相独立的一组源信号的线性混合信号的变化度介于源信号中的最小变化度和最大变化度之间。然后,利用矩阵广义特征值理论,给出了一种基于线性混合信号盲分离算法。该算法计算简单,具有闭解形式;并能分离源信号中既有亚高斯信号又有超高斯信号的情况。仿真结果表明该算法是有效的,并具有很好的分离性能。     

基于协方差矩阵的盲分离算法

提出了一种新的实时线性混叠信号的盲分离算法，该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则，采用最速下降法进行分离。该算法对源信号和混叠矩阵没有过多要求且计算量不大，理论分析与仿真结果表明，该算法具有很好的分离效果。     

基于核估计的超定混合共轭盲信号分离方法

当混合信号的个数多于源信号时,盲源分离模型中的混合矩阵被描述为一个超定矩阵,因此不能直接通过估计逆矩阵的方法来得到分离矩阵。针对该线性超定混合情况提出了一种基于共轭梯度的盲源分离方法。该方法基于最小互信息准则,通过对行满秩分离矩阵的奇异值分解而引入了超定盲源分离的代价函数。利用共轭梯度优化算法推导出了迭代计算分离矩阵的更新公式。在每次迭代计算中,利用随机变量概率密度估计的核函数法在线估计分离信号的评价函数。避免了诸多传统盲分离算法中只能凭经验选取特定的非线性函数来代替评价函数的问题。仿真结果验证了所提算法的有效性。     

低复杂度的 fMRI 脑激活区定位的盲分离算法

摘 要：功能磁共振成像(FMRI)是一种医学影像技术,由于具有非侵入性和较高的时空分 辨率等优点现已被广泛应用于脑区定位。然而传统的 FMRI 信号分离算法复杂度太高,运行时 间长,不利于 FMRI 技术更有效地应用于脑功能的研究。针对传统 FMRI 脑区分离算法的计算 复杂度问题,提出了一种基于二阶哈达码变换的盲分离算法。先计算 fMRI 数据中血氧水平依 赖(BOLD)信号的相关函数,然后对其进行特征值分解得到解混矩阵,以此实现激活脑区定位。 由于哈达码只由 1 或1 构成,因此可减少 BOLD 信号相关矩阵计算的复杂度。仿真结果表明, 相比高阶统计量的独立分量分析(ICA)和二阶统计量的傅里叶变换盲分离算法,该算法的计算时 间分别只有其 25%和 50%,而定位误差却较为接近。     

一种新的卫星测控副载波信号分离方法

研究卫星测控信号优化问题,针对测控侦察中卫星测控副载波信号分离识别耗时长的问题,为了满足测控侦察实时准确信息的要求,提出一种基于最大信噪比的副载波分离算法,根据独立信号分离效果越好时信噪比越大的特点,建立信噪比目标函数,利用估计信号的滑动平均代替源信号,通过广义特征值求解实现对目标函数的优化,求出的广义特征值所构成的特征向量矩阵即为目标函数的最优解,优化过程不需要任何迭代.MATALAB仿真结果表明,与FastICA算法相比,运算复杂度低,分离效果较好,能够较好地分离卫星测控副载波信号,满足测控侦察的要求.     

松弛稀疏性条件下的欠定盲分离

采用2步法研究松弛稀疏性条件下的欠定盲信号分离。在矩阵恢复上,将时域检索平均法从时域扩展到小波域,得到单源区间矩阵恢复算法。在源信号恢复上,分析最短路径法和l1范数算法,提出基于任意观测信号数的统计稀疏分解准则算法。仿真结果表明,相比l1范数解算法,该算法具有较低的计算复杂度,且可提高恢复信号的信噪比。     

一种新型频域快速盲分离算法

为克服传统盲源分离算法分离效果差、计算量大且输出信号尺度模糊的缺点,提出了一种新型频域快速盲源分离算法.该算法在分析时域水声信号混合模型的基础上,构建新型频域混合模型,采用混合神经网络计算某一频率的分离矩阵,以此来估计全局分离矩阵.新算法较好地克服了尺度模糊问题,极大地减小了计算量,增加了分离算法的灵活性,分离性能较好.水声信号仿真实验和湖试实验均验证了算法的有效性.     

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.     

DSmT混合规则的高复杂度优化

针对DSmT混合规则计算和存储复杂度高的问题，提出一种矩阵计算法。该算法对辨识框架的基本元素进行集合编码，从而简化混合规则的组合过程。实验结果表明，该算法使执行时间随辨识框架大小呈指数增加，随证据源数目和焦元数呈线性变化，能有效避免高复杂度。     

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。     

基于有理非线性函数的Fast-ICA算法

利用Fast-ICA算法进行超高斯信源盲分离时，计算其目标函数所选取的非线性函数主要是双曲正切函数（tanh）和高斯函数（gauss）。由于tanh和gauss函数的计算负担较大，从而增加了分离混合信号的运行时间。为了提高Fast-ICA算法的收敛速度，提出两个有理非线性函数用于代替tanh和gauss，使得改进的Fast-ICA算法在提高计算速度的同时保持或提高信号的分离性能。仿真实验验证了改进算法的有效性。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

基于PID神经网络的后非线性盲源分离算法

PID神经网络是一种新型的前向神经元网络，它的隐层单元包含比例（P）、积分（1）、微分（D）元，各层神经元个数、连接方式、连接权初值均按PID控制规律的基本原则确定。本文研究了一种新的后非线性盲源分离算法，用最大熵值方法推导了PID神经网络算法的后非线性分离学习公式，该算法可用于线性或后非线性的混叠信号。对输入2个混叠信号时，用单个PI神经网络分离；对输入3个混叠信号时，用单个PID神经网络分离；对输入更多的混叠信号时，可采用多个独立的PID神经网络来分离。仿真结果验证了单个PID神经网络算法，能分离线性或后非线性混叠信号。     

An Approach for Solving the Permutation Problem of Convolutive Blind Source Separation Based on Statistical Signal Models

In this paper, we present a new algorithm for solving the permutation ambiguity in convolutive blind source separation. Transformed to the frequency domain, existing algorithms can efficiently solve the reduction of the source separation problem into independent instantaneous separation in each frequency bin. However, this independency leads to the problem of correctly aligning these single bins. The new algorithm models the frequency-domain separated signals by means of the generalized Gaussian distribution and employs the small deviation of the parameters between neighboring bins for the detection of correct permutations. The performance of the algorithm will be demonstrated on synthetic and real-world data.     

Harmonic retrieval by period blind source extraction method: Model and algorithm

A frequently encountered problem in signal processing field is harmonic retrieval in additive colored Gaussian or non-Gaussian noise, especially when the frequencies of the harmonic signals are closely spaced in frequency domain. The purpose of this paper is to develop novel harmonic retrieval algorithm based on blind source extraction (BSE) method from linear mixtures of harmonic signals using only one observed channel signal. First, we establish the blind source separation (BSS) based harmonic retrieval model in additive noise using the only one observed channel, at the same time, the fundamental principle of BSE based harmonics retrieval algorithm is analyzed in detail. Then, based on the established harmonic BSS model, we propose a BSE approach to the harmonic retrieval using the concept of period BSE method, as a result, the harmonic retrieval algorithm using only one channel mixed signals is derived. Simulation results show that the proposed algorithm is able to separate the harmonic source signals and yield ideal performance.     

基于广义高斯分布模型的盲源分离算法

分析了盲源分离的自然梯度算法与常规梯度算法的差异,研究了在自然梯度算法中引入不完整基后的算法特性,严格剖析了不完整自然梯度方法的成因与机理,数学上论证了与自然梯度盲源分离算法相比,不完整自然梯度算法避免了因源信号非平稳或幅值快速变化而引起的数值不稳定,并利用广义高斯分布模型模拟不完整自然梯度算法中的非线性激活函数,根据高斯指数值的不同选择,使该算法适用于服从任意分布源信号的方法。分别选取非平稳语音信号、脑电和心电信号以及正弦波和脑磁波信号进行仿真实验,结果表明基于广义高斯分布模型的不完整自然梯度算法完全能够恢复出这些不同类型的源信号。     

蚁群聚类的欠定盲源分离方法

利用欠定盲源分离情况下稀疏源信号具有直线聚类的特点,提出了一种估计混叠矩阵的新方法。通过对混叠信号进行标准化处理,使混叠信号形成球形簇,将线性聚类转变成致密聚类;利用蚁群聚类算法对其进行搜索得到聚类中心,从而获得对混叠矩阵的精确估计。该方法能实现源信号数目未知情况下的欠定盲源分离,且能推广到三路或更多路观测信号的情况。对语音信号的仿真结果证明,该方法能精确地分离和恢复原始信号。     

一种估计多用户多径信号DOA的改进方法

Cardoso于1989年提出了一种盲源分离方法。本文将这种方法加以推广， 使其可以适用于阵元数多于用户数的情况。同时，本文还根据推广的Cardoso方法计算出的方向矢量，利用前后向线性预测方法估计信号的到达角。该方法不但可以估计独立信号的到达角，而且可以对多径信号进行处理。此方法所能估计的信号个数要远远多于MUSIC算法，计算量较MUSIC算法少，而且本方法可以在较低的信噪比下估计出正确的结果。     

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。