基于训练序列的峭度盲源分离算法

峭度盲源分离算法是一种自适应盲分离算法,可用于阵列天线和MIMO中的信号处理。本文提出利用通信中的训练序列来改善峭度盲分离的收敛速度,并以性能指数、相关系数作为比较标准进行了仿真,仿真结果证实了利用训练序列可以提高峭度盲分离算法的收敛速度。     

基于独立分量分析的盲源分离方法研究

盲源分离是指在没有任何先验知识的前提下,从观测到的多个混合信号中提取或分离出未知源信号的过程.本文主要探讨了基于独立分量分析的盲源分离自然梯度算法及活动函数的选取,并利用该算法实现了5路混合信号和3路自然语音信号的分离,最后在Mat-lab2008下进行了仿真验证.结果表明该算法能够有效实现语音信号的分离.     

基于峭度的盲分离在通信信号盲侦察中的应用

为实现复杂多信号环境下的通信信号侦察,采用一种新的盲侦察技术,即运用盲源分离算法,在没有任何先验知识的情况下分离出源信号,然后对分离的各个信号进行后续处理。提出一种改进的基于峭度的盲分离算法,可以自适应地确定激活函数。将其应用在通信信号盲侦察中,可以实现对任意源信号进行盲分离,而不管它是超高斯还是亚高斯信号。选择超高斯和亚高斯混合通信信号进行了仿真实验,结果验证了该算法的有效性。     

一种基于匹配追踪的语音盲源分离算法

研究基于Gabor的过完备字典的匹配追踪（Matching Pursuit,MP）稀疏分解算法,首先对混合语音信号进行稀疏分解。针对传统MP算法运行时间长,占用存储范围大以及语音信号稀疏分解特性的特点,利用快速傅里叶变换（Fast Fourier Transformation,FFT）的MP稀疏分解缩小了最佳原子的搜索范围,提高运行速度。然后基于峭度的自适应盲源分离算法,通过自适应地学习算法中的激活函数最终实现语音信号的盲源分离。此算法经过仿真实验,证明分离效果比传统算法有了一定的改进,实验结果证实算法的有效性。     

引入参考信号的新峭度快速不动点算法

在盲源分离和独立成分分析中,峭度是衡量随机信号非高斯性的常用对比准则,通过不同类型的算法对其进行优化,找到非高斯性极大值点,即实现了源信号的提取或分离。例如,基于峭度的快速不动点算法,它是一种收敛速度很快的算法。最近,Marc Castella等人提出了一类基于所谓“参考信号”的对比准则,以及对应的梯度最大化优化算法,这些算法具有很好的收敛性能。受其启发,文章以一种类似的方式将“参考信号”思想应用到峭度中,得到一种新颖的对比函数,并基于该新峭度对比函数,提出了一种新的快速不动点算法。与经典的基于峭度的快速不动点算法相比,该算法极大地提高了收敛速度,尤其是随着信号样值点数的增加,该算法的优势会更加明显。文章分析和证明了该新峭度对比函数的局部收敛性,给出了新算法的详细推导过程,仿真实验验证了该算法的性能,并与经典算法进行了比较分析。      

一种新的多通道混合语音时域盲分离算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出的时域EFICA算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,提出的算法能有效地分离混合语音信号。     

混叠敌我识别信号分离算法研究

在敌我识别(IFF)信号侦察中,侦收到的IFF信号存在混叠现象,严重影响了信号分选、解码和模式识别。采用基于盲源分离思想的独立分量分析方法,首次将等变化自适应(EASI)算法应用到混叠敌我识别信号分离中,该算法选择四阶累积量——峭度作为目标函数实现混叠IFF信号的分离,并通过仿真验证了该算法的可行性和有效性。     

未知源信号峭度正负性的盲分离

大多数的盲分离算法假设源信号峭度的正负性是己知的，并据此选择相应的非线性函数近似评价函数(score function)。针对源信号峭度的正负性未知的情况，本文提出了一个评价函数的参数估计方法，本算法能有效地分离混合在一起的超高斯信号和亚高斯信号，仿真结果验证了算法的有效性。     

Research on blind source separation algorithm of the extension information maximization

盲源分离技术是信号处理和神经网络领域近年来的一个热点研究课题,由于其能够从观测的混合信号中恢复出源信号,而对源信号和混合系统的先验知识要求很少,因此在语音信号处理、无线信号处理、生物医学信号处理、地震信号处理,以及图像增强等方面都具有非常重要的理论意义和实用价值。信息最大化盲源分离算法能够有效地分离语音信号的瞬时混合,但是不能分离超高斯信号（如语音信号）和亚高斯信号（如正弦信号）的混合。基于此,本文讨论了扩展信启、最大化盲源分离算法,通过仿真表明,该算法可以有效的对各种源信号的线性即时混合进行分离,实验证明了该算法的有效性。     

扩展信息最大化盲源分离算法的研究

盲源分离技术是信号处理和神经网络领域近年来的一个热点研究课题,由于其能够从观测的混合信号中恢复出源信号,而对源信号和混合系统的先验知识要求很少,因此在语音信号处理、无线信号处理、生物医学信号处理、地震信号处理,以及图像增强等方面都具有非常重要的理论意义和实用价值。信息最大化盲源分离算法能够有效地分离语音信号的瞬时混合,但是不能分离超高斯信号(如语音信号)和亚高斯信号(如正弦信号)的混合。基于此,本文讨论了扩展信启、最大化盲源分离算法,通过仿真表明,该算法可以有效的对各种源信号的线性即时混合进行分离,实验证明了该算法的有效性。     

Turbo Source Extraction Algorithm and Noncancellation Source Separation Algorithms by Kurtosis Maximization

The kurtosis maximization criterion has been effectively used for blind spatial extraction of one source from an instantaneous mixture of multiple non-Gaussian sources, such as the kurtosis maximization algorithm by Ding and Nguyen, and the fast kurtosis maximization algorithm (FKMA) by Chi and Chen. By empirical studies, we found that the smaller the normalized kurtosis magnitude of the extracted source signal, the worse the performance of these algorithms. In this paper, with the assumption that each source is a non-Gaussian linear process, a novel blind source extraction algorithm, called turbo source extraction algorithm (TSEA), is proposed. The ideas of the TSEA are to exploit signal temporal properties for increasing the normalized kurtosis magnitude, and to apply spatial and temporal processing in a cyclic fashion to improve the signal extraction performance. The proposed TSEA not only outperforms the FKMA, but also shares the convergence and computation advantages enjoyed by the latter. This paper also considers the extraction of multiple sources, also known as source separation, by incorporating the proposed TSEA into the widely used multistage successive cancellation (MSC) procedure. A problem with the MSC procedure is its susceptibility to error propagation accumulated at each stage. We propose two noncancellation multistage (NCMS) algorithms, referred to as NCMS-FKMA and NCMS-TSEA, that are free from the error propagation effects. Simulation results are presented to show that the NCMS-TSEA yields substantial performance gain compared with some existing blind separation algorithms, together with a computational complexity comparison. Finally, we draw some conclusions.     

Stationary points of a kurtosis maximization algorithm for blindsignal separation and antenna beamforming

Blind source separation has been the subject of extensive research. In particular, blind antenna beamforming is an effective signal separation technique for communication systems to combat co-channel interference. Among many potential candidate approaches, the simple constant modulus algorithm (CMA) has been widely studied and used in practice. The CMA is designed to capture and separate signals with negative kurtosis. However, when some signals have positive kurtoses, the CMA is unable to capture and separate these sources. We show that the kurtosis maximum algorithm (KMA) can capture signals with both the positive and negative kurtoses. Its global convergence proof is presented for noiseless systems with multiple signals sources and for systems with a single source and zero-kurtosis (such as Gaussian) additive noise     

基于遗传算法的超亚高斯混合信号盲分离

针对基于扩展信息最大化算法的盲源分离算法在分离超亚高斯混合信号时依赖于信号的峭度估计且对初始分离矩阵和步长较为敏感的问题,提出了一种基于遗传算法的盲源分离算法。该算法以分离信号之间的互信息作为代价函数,采用非多项式函数的逼近方法解决了互信息求解过程中涉及到的负熵的计算问题,用遗传算法代替梯度寻优算法最小化代价函数。仿真结果表明:在分离超亚高斯混合信号时,该算法计算简单,鲁棒性好,迭代100次时性能指数值达到0.025 5,分离性能优于基于扩展信息最大化算法的盲源分离算法。     

A Class of Sequential Blind Source Separation Method in Order Using Swarm Optimization Algorithm

We consider the problem of sequential, blind source separation in some specific order from a mixture of sub- and sup-Gaussian sources. Three methods of separation are developed, specifically, kurtosis maximization using (a) particle swarm optimization, (b) differential evolution, and (c) artificial bee colony algorithm, all of which produce the separation in decreasing order of the absolute kurtosis based on the maximization of the kurtosis cost function. The validity of the methods was confirmed through simulation. Moreover, compared with other conventional methods, the proposed method separated the various sources with greater accuracy. Finally, we performed a real-world experiment to separate electroencephalogram (EEG) signals from a super-determined mixture with Gaussian noise. Whereas the conventional methods separate simultaneously EEG signals of interest along with noise, the result of this example shows the proposed methods recover from the outset solely those EEG signals of interest. This feature will be of benefit in many practical applications.     

基于峰度自然对数最大化的信号盲分拣算法和盲波束形成

该文基于峰度自然对数最大化准则,提出了一种自适应一元信号盲分拣算法,提出的算法可以用于一元信号盲分离和进行盲波束形成,与基于峰度值最大化准则的KMA算法相比,收敛速度快,有较强的稳健性,将非线性函数引入学习速率的调节,算法自动选取学习步长,避免了人工选取学习速率不当而导致算法发散。同时,提出了两种复数抽气算法,配合一元信号盲分拣算法可以依次分离多个信号源,仿真试验验证了算法的有效性。用提出的算法在四元线阵上盲分离两个水声信号,结果发现,一元信号盲分离实现的盲波束形成波束图与最优波束接近。     

基于APSO的盲源分离算法在盲图像分离中的应用

利用独立分量分析(ICA)的自适应粒子群(APSO)算法对因传输等过程而引起的多幅灰度图像混叠进行盲分离,针对图像盲分离提出了一种基于改进的APSO的盲源分离算法并将其应用于分离模糊灰度图像。利用峰度和负熵分别作为粒子群算法的第一和第二适应度函数根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。分析比较不同盲分离算法对图像分离的收敛性,仿真结果证明改进的自适应粒子群算法能够很好地分离图像且计算性能指标优越,收敛效果好。