基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源...     

独立分量分析在模态分析中的应用

提出一种新的在只有输出条件下的基于独立分量分析（ICA）的时域模态参数识别方法。该方法首先将振动系统的各阶模态理解为相互独立的虚拟源,然后将系统响应信号进行ICA处理,得到单频可识别的信号,从而将多自由度系统模态识别转化为单自由度系统的参数识别问题,最后用有限带宽的高斯白噪声激励作用下的简支梁进行验证。结果表明基于ICA的模态识别方法可以得到较好的识别效果。     

独立分量分析及其应用

独立分量分析是近年来兴起的一种高效的信号处理方法。它主要解决的问题是如何从观测到的混合信号中分离或提取出各个源信号。简要介绍了独立分量分析的数学模型、数学原理等基本问题,分析了现有的几种独立分量分析的主要算法,最后介绍了独立分量分析的主要应用领域,并对以后的研究方向进行了展望。     

独立分量分析及其应用

独立分量分析是信号处理领域的一个研究热点,它能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号。介绍了独立分量分析的数学模型及其假设条件、求解方法,在此基础上分析了其在语音信号处理、特征提取、生物医学信号处理等领域的应用,最后指出了其发展趋势与进一步的研究方向。     

基于密度峰值和模糊聚类的欠定混叠矩阵估计

传统聚类算法进行混叠矩阵估计时存在的聚类中心个数不确定和初始聚类中心的随机选取导致陷入局部最优的问题,为此提出一种基于密度峰值的改进模糊聚类算法进行欠定盲源分离的混叠矩阵估计。通过短时傅里叶变换提取信号在频域中的稀疏特性,利用寻找密度峰值聚类算法(clustering by fast search and find of density peaks, CFSFDP)自动获取聚类簇的数目和初始聚类中心;将获得的聚类数目和聚类结果作为模糊聚类算法(fuzzy c-means clustering, FCM)的初始输入参数,提高FCM聚类结果的精度。实验结果表明,该算法可以准确估计源信号的数目,相比传统FCM、层次聚类、基于密度峰值改进的粒子群等聚类算法,可以有效提高欠定盲源分离的混叠矩阵估计精度。     

基于轨迹稀疏聚类的高速公路车辆检测

针对高速公路中车辆的实时检测问题,提出了一种基于轨迹稀疏谱聚类的高速公路车辆检测方法。使用ORB算法检测特征点并利用基于金字塔LK光流算法进行跟踪得出特征点轨迹,将轨迹逆投影至三维世界坐标系,利用轨迹三维信息构建轨迹间的相似矩阵并对其进行稀疏化处理,采用谱聚类方法对特征点轨迹进行初步聚类,对谱聚类结果进行类间合并得出车辆检测结果。实验结果表明,方法花费了更少的时间代价,有效地解决了车辆遮挡问题,车辆实时检测精度提高至93%,具有一定的有效性和价值。     

基于稀疏重构的超图谱聚类方法

超图谱聚类方法由于能很好地描述数据点间的高阶信息,近年来受到了广泛的关注。不同于传统图结构,超图结构中的超边不是两两数据点间的连接,而是一组具有某种相同特性的数据子集。在实际应用中,常用K-近邻来构建超图中的超边,因此,并没有考虑到数据内在的关联性。提出一种新的基于稀疏重构的超图构建方法。对每一样本,用稀疏表示来找到与其最有关联的近邻样本,以此形成基于稀疏重构的超图模型,使得每个超边内的样本都具有很强的关联性。最后通过对超图拉普拉斯矩阵进行谱分解得到聚类结果。在人脸数据库、手写体数据库上的实验结果验证了算法的有效性。     

独立分量分析及其在图像处理中的应用现状

独立分量分析是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,近年来作为信号处理和图像处理领域的强有力的分析处理工具得到广泛的关注和研究。在介绍了独立分量分析的基本概念和各种实现算法及其性能的基础上,综述了独立分量分析在图像处理上的应用,最后结合作者的研究探索,总结了独立分量分析的研究新进展和发展趋势。     

基于稀疏性盲源信号估计算法研究

随着欠定盲信号分离技术的日益发展,在独立分量分析的基础上发展出来许多新的算法,本文介绍了基于稀疏性的欠定盲源分离技术,其解决了欠定情况下的源信号估计问题。     

基于排序思想的高维稀疏数据聚类

针对CABOSFV聚类算法对数据输入顺序的敏感性问题,提出融合排序思想的高属性维稀疏数据聚类算法,通过计算首次聚类中两两高属性维稀疏数据非零属性取值情况确定所需要计算差异度的集合组合,减小了算法复杂度。应用结果表明,该方法能提高CABOSFV聚类的质量。     

独立分量分析的基本问题与研究进展

通过对独立分量分析最新发展的研究,对现有的独立分量分析研究理论进行了总结,介绍了独立分量分析的模型定义、数学原理和应用等基本问题,剖析了独立分量分析与盲源分离、主分量分析以及白化的关系,给出了解决独立分量分析问题的研究框架和各种基本方法,并指出了进一步的研究方向。     

独立分量分析对相关信号源的盲辨识性能分析

源信号之间统计独立是经典独立分量分析模型的基本要求。对实际信号而言,严格的统计独立是很难满足的,统计独立通常解释为尽可能的独立或者物理独立。在探讨了源信号之间存在弱线性相关后,对源信号的构成依次做出了三种假设,分析了独立分量分析对相关信号源的辨识能力。理论研究和实验表明,即使信号源之间存在弱相关性,独立分量分析方法仍然反映信号源的波形特征。     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

一种新的变学习速率自适应独立分量分析算法

学习速率的优选问题是自适应ICA算法中一个重要问题。论文建立了学习速率与相依性测度之间的一种非线性函数关系,以此为基础提出了一种新的变学习速率的自适应ICA算法,并且分析了参数a,b的取值原则及对算法收敛性能和稳态性能的影响。该算法能根据相依性测度所反映的信号分离的状态自适应地调节学习速率,克服了传统算法在稳态阶段步长调整过程中的不足。理论分析和计算机仿真结果都验证了算法的收敛性能和稳态性能。     

一种新的信息隐藏检测方法的探讨

首先建立了隐蔽通信系统模型,再对该模型进行了安全分析,最后利用信号盲分离理论中的独立组件分析等方法对隐藏对象与掩蔽载体进行了分离,并给出了隐藏信息的估计算法。     

基于Bessel函数展开的ICA语音增强

将源信号的先验知识以参考信号的形式引入到独立分量分析(ICA)学习算法中,从混合信号中仅提取期望的源信号。依据语音信号传播机理和Bessel函数展开系数对语音信号的表征能力,给出基于Bessel函数展开的参考信号构建方法,从混合语音信号中提取出期望的语音信号。仿真和性能分析结果表明,该方法能在噪声干扰的情况下达到语音增强的目的。     

频域单源区间和欠定的盲信号分离

探讨在感知器个数少于源信号个数时的盲分离问题,提出频域中的单源区间矩阵恢复方法,以实现时域检索平均法在频域中的扩展,与传统的聚类算法相比,该算法计算简单、精度高,在理论上能够无偏差地估计混叠矩阵。在源信号的恢复上,根据稀疏的原则,在仅m个源在频域中较大、其余源可近似为0的假设下,得出求解L1范数的简化方法。语音信号仿真实验展示了该方法的性能和实用性。     

基于独立分量分析的隐蔽Web领域聚类

针对隐蔽Web主题领域自动识别问题,提出一种基于独立分量分析（ICA）的聚类算法。对查询页面进行页面文本抽取和预处理,利用TF-IDF公式计算权重并选择前N个权重最大的特征词构造文档矩阵,在使用潜在语义索引（LSI）进行特征重构的基础上通过ICA分解获得类别信息。利用LSI的词共现分析和文本降噪能力提高聚类准确率。实验表明聚类平均准确率达到90％以上。     

基于RobustICA的数字调制混合信号盲源分离算法

针对含噪环境下数字调制混合信号盲源分离(BSS)误码率(BER)过高的问题,提出了一种基于RobustICA的二阶段盲源分离算法R-TSBS。该算法采用RobustICA算法对阵列响应向量构成的混合矩阵进行估计,然后利用数字调制信号的有限符号集特征,在第二阶段用最大似然估计(MLE)方法估计各个数字调制源信号发送的符号序列,达到盲源分离的目的。实验仿真表明,传统的独立成分分析(ICA)算法如RobustICA算法和FastICA算法误码率很高,在信噪比(SNR)为10 dB时,其误码率达到了3.5×10^-2左右,而基于FastICA的二阶段盲源分离算法F-TSBS和基于RobustICA的二阶段盲源分离算法R-TSBS的误码率则下降到了10^-3,分离性能得到了明显改善;在较低的信噪比(0~4 dB)下,R-TSBS算法较F-TSBS算法约有2 dB性能提升。     

基于K-SCA假设的欠定盲源分离

传统稀疏算法对信号的稀疏程度要求高、抗噪能力差。针对该问题,从K-SCA假设出发,提出一种基于超平面隶属度函数的欠定盲源分离算法。该函数基于局部统计,具有良好的抗噪性能,适用于噪声和信号稀疏程度较低条件下的信号分离。实验结果表明,相比同类算法,该算法对信号稀疏要求低、分离精度高、容噪能力强。