一种基于人工蜂群优化的有序盲源抽取方法

提出了一种基于人工蜂群优化的盲源抽取方法,该方法首先根据源信号的高阶统计特性构造了用于估计分离向量的目标函数,然后通过人工蜂群算法优化其函数获得最佳分离向量,并达到逐次恢复源信号的目的。仿真实验结果表明,该方法不仅能依4阶累积量绝对值降序地实现源信号的盲分离,还能同时分离服从亚高斯分布的图像信号和超高斯分布的语音信号。     

基于WPT分层和独立子波函数的单路心音混合信号BSS新方法

提出了一种基于小波变换分层和独立子波函数的单路混合信号的盲源分离新方法。首先讨论了单路混合信号分离模型,以及如何利用WPT进行窄带分层和获取独立子波函数的技术;然后通过结合独立子波函数进入单路混合信号,使单路混合信号由一维向量转化成为多维向量,以实现其盲分离;最后通过心音信号的分离实验,验证了本方法的有效性和可行性。     

动态变化混叠模型下盲源分离中的源数估计

在进行欠定盲分离时,特别是对于源信号数目及混合矩阵动态变化的情况,常规的欠定盲分离及源数估计方法不能对源信号数目的变化时刻做出判断,因此很难实现动态变化的源信号数目实时和准确的估计。针对这个问题,提出了一种动态变化混叠模型下欠定盲源分离中的源数估计方法。首先,建立动态变化混叠情形下盲源分离的数学模型及动态标识矩阵。其次,基于构建的动态标识矩阵统计和判断动态源信号数目的变化情况。最后,通过分段时间内多维观测矢量采样点聚类区间局部峰值统计,实现动态变化混叠模型下盲源分离中的源信号数目的有效估计。仿真结果表明,该方法能有效实现动态变化混叠模型下欠定盲源分离中的源数估计,并且信号估计效果良好。     

基于EMD和ICA的单通道语音盲源分离算法

针对单通道语音信号盲分离的问题,结合盲源分离和经验模式分解的优点．提出了一种基于经验模式分解的单通道语音信号源数估计和盲源分离方法。对语音混合信号进行经验模式分解,利用贝叶斯算法估计语音源数目,根据源信号数目重组多通道语音混合信号,并采用独立分量分析实现语音信号的盲分离。仿真实验表明,使用此法能有效地估计通道语音信号源数和分离盲源。     

Kalman滤波下的多信号单通道盲源分离

窄带物联网环境中,接收机收到的信号通常为多路混合信号,对单通道接收来说,利用常规盲源分离方法很难实现混合信号的分离和源信号提取。针对这一问题,本文提出了一种利用Kalman滤波算法进行信号估计,解决单通道盲源分离的方法。该方法利用信号间的时序结构,通过Kalman滤波算法对多信号混合中的源信号不断估计并迭代更新,最终得到分离信号。仿真实验结果表明,该方法能有效估计并分离出源信号。      

基于智能单粒子与信号变化度的盲源分离算法

提出了一种新的基于智能单粒子优化的有序盲源分离算法。采用信号变化度作为分离的目标函数,利用球坐标变换方法对分离向量进行变换,使用智能单粒子优化算法对目标函数进行求解,通过去相关方法从混合信号中去除已分离出的源信号成分,最终实现按照信号变化度降序分离出各源信号。仿真结果表明,本算法能够有效实现对源信号的有序分离,且分离精度很高。     

基于细菌趋药性算法的盲图像分离方法

提出了一种新的基于细菌趋药性(BC)算法的盲图像分离方法,利用图像信号的规范四阶累积量作为目标函数,使用BC算法对目标函数进行优化以实现图像的盲分离。每分离出一幅图像后,从混合图像中消除该幅图像成分后再进行下一次分离,从而最终实现所有源图像的逐次分离。仿真结果表明,本文算法能够有效实现对多幅混合自然图像的盲分离,且具有较好的分离效果。     

一种充分利用变量结构的解卷积 混合盲源分离新方法

 针对卷积混合盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的联合块内对角化方法.为了求解表征联合块内对角化近似程度的基于最小二乘的三二次代价函数,给出基于梯度下降法的三迭代算法.该算法在充分利用混迭矩阵的块Toeplitz结构和源信号相关矩阵的块内对角化结构的基础上,交替估计代价函数中的三组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现信道的盲均衡和源信号的盲分离.分析了三迭代算法的收敛性能,证明即使存在估计误差时,该算法依然全局渐进收敛.仿真结果表明,与其他经典的两步算法相比,提出的一步算法能够更好地估计混迭矩阵并恢复出源信号,有效地解决了卷积混合盲源分离问题.     

盲源信号分离方法研究

盲源信号分离是信号处理和神经网络领域的研究热点问题。介绍了盲源信号分离的概念、分类和基本数学模型;探讨了盲源分离中源信号和信道的假设条件,目标函数的建立,代价函数的优化,以及一般盲源分离算法实现步骤。给出了几种常见的目标函数和算法,并分析了它们的特点。     

基于单分量提取的卷积盲分离算法

针对卷积盲分离问题,利用源信号之间相互独立的性质,提出一种基于单分量提取的联合块对角化算法依次估计各源信号对应的传输信道,以实现源信号分离.利用白化后观测数据相关矩阵的酉正交块对角化结构,改进最小二乘代价函数,将原函数中关于传输矩阵的四次函数转换为一组相互独立的子代价函数.每个子代价函数为三组待定参数的二次函数,用于估计一个独立信号块到达接收阵的子混迭矩阵.提出单分量提取的联合块对角化算法,交替估计各子代价函数中的三组待定参数,得到子信道混迭矩阵的估计,实现源信号的分离.实验结果表明,与经典的类Jacobi算法相比,所提算法收敛步骤大约减少20步,且收敛性能提高至少3dB,可快速有效地解决卷积盲分离问题.     

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。     

基于清晰图像先验知识的盲复原算法

图像采集系统在获取图像时,受到各种干扰,使图像变模糊并含有噪声。为此,提出了一种基于清晰图像先验知识的图像盲复原算法。首先通过统计分析大量的清晰图像梯度域的概率分布特性,将图像划分为具有较多复杂纹理的区域和平坦区域,拟合概率分布函数,得到清晰图像的先验知识,并加入图像局部约束条件,即复原图像平坦区域与退化图像的平坦区域的概率分布变化较小,避免产生振铃现象。然后,建立图像噪声模型,将图像噪声划分为高斯噪声和均匀分布噪声,防止退化图像中的灰度过饱和像素点在复原过程中产生异常值。最后,利用最大后验概率模型,构造代价函数,将图像盲复原问题转变为求代价函数最小化问题,并用最大期望算法和快速迭代收缩算法求解代价函数,恢复出清晰图像。实验结果表明,该算法能有效恢复图像细节,锐化图像边缘,抑制噪声,避免产生振铃效应。     

一种时频域加权张量分解的欠定盲源分离方法

针对欠定瞬时混合模型,提出了一种基于时频域加权张量分解的欠定盲源分离方法。该算法利用短时傅立叶二次分布无交叉项及Wigner-Ville分布高分辨率的特性,在传统最小二乘代价函数基础上对WVD自由项时频点所构成张量进行加权调整,解决可能存在的数据丢失问题,同时施加Tikhonov准则处理由二次分布的边缘聚集性所引起的负值,采用LM算法最小化代价函数估计出混合矩阵,实现源信号的有效分离。     

基于遗传算法和时频分布的跳频信号盲分离

根据跳频信号的非平稳特性,采用一种基于时频分布的跳频信号盲分离算法,通过合理选择符合＂单个自项＂要求的时频点,将盲源分离问题转化成对一组时频分布矩阵联合对角化的数学优化问题,由于遗传算法具有良好的全局寻优能力,因此利用遗传算法对能够表征矩阵联合对交化效果的代价函数进行优化求解,寻找能将矩阵组联合对角化的权矩阵。仿真结果...     

快速NMF盲源分离算法

将秩一非负矩阵分解应用于盲源分离问题,把基于欧式距离的目标函数转化成二次函数的形式;施加稀疏性约束和正交性约束保证信号可分离性;利用二次函数的性质分别推得混合矩阵和源信号的迭代公式,从而得到一种基于秩一分解的快速NMF盲源分离算法（NMF-R1)。分析得到一次迭代更新NMF-R1算法比传统NMF盲源分离算法（NMF-BM)所需乘法次数少约30%,NMF-R1算法无矩阵求逆运算,NMF-BM算法还需2次矩阵求逆运算。图像信号的超定和欠定盲源分离仿真结果表明,NMF-R1算法都能分离出源信号, NMF-BM算法只能分离超定混合信号;NMF-R1算法与NMF-BM算法比,分离性能好、收敛速度快。      

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。     

一个图像质量盲评估的统计测度

本文提出了一个图像质量盲评估的统计测度.该测度首先根据自然图像的统计性质与失真图像的模型,实现对图像小波系数分布参数的盲估计;再利用估计的分布参数来计算失真图像与参考图像之间的互信息,以量化失真图像对参考图像的保真度,进而实现对图像质量的评估.本文提出的测度避免了对参考图像的依赖,且克服了现有图像质量盲评估对特征选择与提取、机器学习等过程的依赖.LIVE图像质量评估数据库的总体评估结果表明：本文提出的盲评估统计测度对图像质量评估结果与数据库的主观评估结果高度一致,且优于文献中报道的盲评估测度.     

Simple, Robust, and Memory-Efficient FastICA Algorithms Using the Huber M-Estimator Cost Function

The goal of blind source separation is to separate multiple signals from linear mixtures without extensive knowledge about the statistical properties of the unknown signals. The design of separation criteria that achieve accurate and robust source estimates within a simple adaptive algorithm is an important part of this task. The purpose of this paper is threefold: (1) We introduce the Huber M-estimator cost function as a contrast function for use within prewhitened blind source separation algorithms such as the well-known and popular FastICA algorithm of Hyvärinen and Oja. The resulting algorithm obtained from this cost is particularly simple to implement. We establish key properties regarding the local stability of the algorithm for general non-Gaussian source distributions, and its separating capabilities are shown through analysis to be largely insensitive to the cost function’s single threshold parameter. (2) We illustrate the use of the Huber M-estimator cost as a criterion within the winning algorithm entry for the blind source separation portion of the first Machine Learning for Signal Processing Workshop Data Analysis Competition, describing the key features of the algorithm design for successful separation of large-scale and ill-conditioned signal mixtures with reduced data set requirements. (3) We show how the FastICA algorithm can be implemented without significant additional memory resources by careful use of sequential processing strategies.