一种解决频域盲源分离模糊度问题的新方法

针对卷积混合信号的分离问题,提出一种解决频域分离算法中排列模糊性和幅度模糊性的改进方法,即通过ICA得到的一个频率点上的分离矩阵,作为计算下一个频率点分离矩阵的初始值来解决排列模糊性问题,再利用分离矩阵的逆变换来解决幅度模糊性,从而有效地分离出源信号.仿真证明,算法可以有效地分离出卷积混合信号,提升了平均信噪比,并大幅...     

基于影响因子的频域盲源分离排序算法

卷积混合信号盲源分离可以在频域得到有效解决,但频域盲源分离必须解决排序问题.本文研究了频点距离和各频点分离质量对基于相邻频点幅度相关性的排序算法的影响,提出了改进的频域盲源分离排序算法.改进算法通过影响因子来控制频点距离和各频点分离质量对排序的影响,距离小且分离质量好的频点设置较大影响因子,距离大或分离质量不好的频点则设置较小影响因子.文中详细讨论了影响因子的设定函数.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.实验结果表明了本文算法的有效性.     

基于相邻频点幅度相关的语音信号盲源分离

排序和幅度不一致性是在频域进行信号盲源分离的主要困难。针对语音信号邻近频点间信号幅度相关性能良好这一特点，本文提出基于相邻频点间幅度相天的盲源分离算法，用以消除卷积信号盲源分离过程中排序不确定性。本算法理论简单，稳健性好。仿真结果表明该方法对卷积混合后的语音信号能得到较好的分离效果，并且耗时较短。     

基于性能权重聚类的频域盲分离排序算法

卷积混合盲源分离可以在频域得到有效解决，但频域盲分离必须要解决排序模糊性问题。本文提出了一种基于性能权重聚类的频域盲分离排序算法，该算法利用聚类来得到顺序参考，对各频点上分离信号的准确性进行计算，根据分离结果的准确性予以不同频点不同的聚类权重，从而提高聚类结果的可靠性。通过对频点进行分段处理可以有效抑制排序错误的传播，提高算法性能。最后通过多组仿真实验验证了基于性能权重聚类的频域盲分离排序算法的普适性与性能上的优越性，同时也探究了接收端个数对算法性能的影响。仿真结果表明本文提出的基于性能权重聚类的频域盲分离排序算法相较于传统的幅度相关性排序算法在信干比上会有2 dB左右的提升。接收天线数越多，算法分离性能越好。     

基于子空间分解的多通道盲解卷积算法

针对卷积混合信号,提出了一种新的多通道盲解卷积算法,该算法首先利用子空间分解方法,将信号卷积混合模型变换成线性混合模型,然后利用线性混合盲分离算法分离出源信号.该算法相对频域盲解卷积算法来说无需解决线性混合盲分离中存在的幅度和排列顺序的模糊性问题,而且该算法不要求信号独立同分布,只要求各源信号统计独立即可.因此,该算法可以直接在中频对观察信号进行处理.计算机仿真结果表明,该算法不仅能对不同频不同调制方式的通信信号进行盲解卷积,而且对同频同调制的通信信号,该算法同样有效.     

基于单个频点的水声信号盲源分离

该文提出基于单个频点的卷积信号盲源分离方法,利用该方法不但可以有效克服频域盲分离过程中排序不确定问题,而且在分离过程中,无需考虑幅度不一致问题。将该方法用于水声信号的盲分离,仿真结果表明基于单个频点盲源分离方法能够很好地分离水声卷积混合信号。与基于两个频点盲源分离方法相比较,其分离效果更优,并且能有效节省CPU运算时间,因而更适合于对信号进行实时处理。     

利用时频域稀疏性的LFM信号盲源分离方法

信号分离是雷达电子对抗的重要环节。考虑到雷达信号在时频域具有稀疏性的特点,在独立分量分析的基础上,提出了一种基于时频域稀疏性的线性调频雷达信号盲源分离方法。首先对混合信号进行短时傅里叶变换,在每个频点利用自然梯度算法分离信号,由分离信号幅度的比值作为对源信号后验概率的估计;然后根据相邻频点后验概率序列的相关性进行排序,确保各个频点的分离信号属于同一个源信号;最后设计时频掩码分离信号。进行了线性调频雷达信号卷积混合的盲分离实验,所提方法分离结果明显优于传统独立分量分析方法的分离结果,验证了该方法的有效性。     

基于邻近频点相关特性的水声信号盲源分离

排序和幅度不一致性是信号频域盲源分离的主要困难。该文建立了邻近频点相关特性理论,并针对水声信号进行深入研究,结论表明单个水声信号邻近频点间相关特性良好,且性能非常稳定;而两个不同水声信号邻近频点相关性非常弱。提出基于邻近频点相关特性的盲源分离算法,用于消除卷积信号盲源分离过程中排序不确定性,实验表明该方法对卷积混合形式的水声信号能取得较好分离效果。     

一种频域盲分离算法在语音分离中的应用

频域分离算法将时域计算复杂的解卷积问题变换为频域简单的瞬时分离问题。采用基于自然梯度的迭代函数实现瞬时盲分离,在频域用瞬时盲分离解决时域卷积盲分离问题时,遇到的两个难点就是频点间幅度和排列次序不确定性,为此我们分别采用归一化方法和分阶段分离方法来解决上述两个问题,仿真实验证明了算法的有效性。     

一种有效的语音信号盲分离方法

频域盲语音信号分离存在着排序模糊问题,提出一种基于相邻频点幅度相关和DOA估计相结合的解排序模糊方法,并且通过对一系列预处理（白化）、独立分量分析和后处理算法的优化和有机组合,很好地实现了卷积混合语音信号的盲分离。用真实录制的语音信号进行了仿真实验,恢复出来的源信号的信干比较分离之前提高了约13dB,证明了算法的有效性。     

A Novel and Fast Algorithm for Solving Permutation in Convolutive BSS,Based on Real and Imaginary Decomposition

In this paper, a new fast method for solving the permutation problem in convolutive BSS is presented. Typically, by transferring signals to the frequency domain, the convolutive BSS problem is converted to an instantaneous BSS, and deconvolution takes place in each frequency bin. However, another major problem arises which is permutation ambiguity in the frequency domain. Solving the permutation ambiguity for N sources in frequency domain needs N! comparisons between adjacent frequency bins. This drastically increases the overall computational complexity of the convolutive BSS. In our new approach, the complex-valued signals are decomposed into real and imaginary parts in each frequency bin. We show that the ideal mixing matrix has to possess a simple and symmetric structure. Accordingly, the structure can be exploited for solving the permutation ambiguity in frequency domain. Although separation in subband is accomplished by the FastICA algorithm, the proposed method requires modification of the separation algorithm, and a new structure is imposed on the mixing matrix. After that signals are separated by means of the FastICA, the permutation correction takes place only by N comparisons, decreasing the computational complexity. Comparing to five competitive methods, we experimentally demonstrate that permutation ambiguity is resolved accurately by this very fast approach while substantially decreasing the order of calculations. In terms of the separation performance and signal quality, the proposed method is superior to four of the compared methods and almost similar to the best of them.     

语音信号频域盲分离中一种频率对准方法

混合语音信号可以使用盲分离频域解法,对观测信号在每一个频点分别进行复值独立分量分析（CICA）算法来解混并得到分离信号,但带来了幅值和次序不定问题（后者又称频率对准）。讨论了频率对准算法中基于DOA估计的方法,并提出了一种基于分离矩阵初始化的频率对准方法,此方法易于实现。通过仿真表明,该方法较好地解决了次序不定问题．对卷积混合语音信号有较好的分离效果。     

基于区域增长校正的频域盲源分离排序算法

卷积盲源分离可以在频域得到有效解决,但频域盲源分离必须解决排序模糊问题。该文提出一种基于区域增长校正的频域盲源分离排序算法。首先对卷积混合信号短时傅里叶变换,在频域的各个频点处建立瞬时模型进行独立分量分析,在此基础上使用分离信号功率比的相关性,对所有频点进行逐点排序置换。其次根据阈值将排序后的结果划分为若干个小区域。最后按区域增长方式进行区域置换与合并,最终得到正确的分离信号。区域增长校正可最大限度地减少频点排序错误扩散现象,从而改善分离效果。在模拟和真实环境中分别进行语音盲源分离实验,结果表明所提算法的有效性。     

结合ICA和复数神经网络的二麦阵列盲源分离技术

为了降低语音信号盲源分离算法的延时,提高其准确性和稳定性,本文结合传统盲源分离技术和深度神经网络的优势,提出了一种基于ICA独立分量分析和复数神经网络的二麦阵列盲源分离技术。本文将复数递归神经网络和独立分量分析方法有机融合,提出一种基于时频域的双通道复数神经网络,同时解决了独立分量分析中的排列问题。所提方法利输入混合信号利用复数域神经网络计算初始化分离矩阵,神经网络输出采用复数域形式,利用复数学习标签估计复数矩阵,然后采用独立分量分析方法获得目标分离矩阵。实验数据表明,所提方法相较于其它独立分量分析方法提高了盲源分离的实时性和准确性。      

基于多信道信号增强的卷积混迭语音信号盲分离的后处理方法

由于频域盲源分离方法无法精确解决排列模糊问题,分离出的信号质量受到很大影响.本文提出一种后处理方法以进一步消除不同信源间的空间干扰和噪声且无需增加额外的先验信息.首先在频域盲分离方法中利用分裂语谱技术把一个M×N的多输入多输出(MIMO)混迭系统分裂成N个单输入多输出(SIMO)系统,再对每个SIMO系统分别利用传递函数比和广义旁瓣相消器来重构源信号.仿真实验表明该算法具有良好的性能.     

基于步长自适应的独立向量分析卷积盲分离算法

独立向量分析(IVA)是解决频域卷积盲分离排序模糊性最好的方法之一,但存在迭代次数较多、运算时间较长、分离效果易受分离矩阵初值影响的局限性。该文提出一种基于步长自适应的IVA卷积盲分离算法,该算法使用特征矩阵联合近似对角化(JADE)算法对分离矩阵进行初始化,并对步长参数进行了自适应优化。JADE初始化能够使分离矩阵具有合理的初值,避免局部收敛的情况;步长的自适应优化能够显著提升算法的收敛速度。仿真结果表明,该算法进一步提升了分离性能,并显著缩短了运算时间。