直接序列扩频信号PN序列盲估计方法

在非协作信息侦测情况下,提出了一种实用的直接序列扩频(DS-SS)通信信号PN码序列的快速盲估计方法。该方法根据DS-SS基带信号的特点,首先采用二阶循环统计量估计PN码周期,然后利用分段互相关平均估计PN码同步始点;并在准确预估计这2个参数的基础上,将接收信号以PN码周期分成多个时段,利用多重互相关方法估计PN码序列。理论分析与仿真表明,该方法在截获信号信噪比很低的情况下有很好的估计性能,且无需任何先验知识,对PN码码型也没有任何限制,是一种有效的快速盲估计方法。     

并行伪随机序列的分析

该文推广了Ｒ．Ｓ．Ｓａｆａｖｉ－Ｎａｉｎｉ所作研究的结果。证明在任一同阶有限域上生成的指数序列的性质均相同。文中分析了各分量序列的周期和线性复杂度特性，得到各分量序列的自相关函数值的上界为２＾ｎ－２＾（ｎ－ｕ＋１）－１。由其相关值的分布说明该指数序列并不是一种密码性能较好的序列。     

多径信道的盲序列检测

为了提高接收机在检测发送序列的性能，对多径信道的盲序列检测进行了改进，建立了节点总度量的递推方程，同时定义了分枝转移度量的更新量. 改进后的算法可以同时完成信道信息的估计和发送序列的检测.其中信道信息由自适应滤波器实时估计.仿真结果表明, 新的度量递推算法在比特误码性能上接近全序列比较欧氏距离的最佳算法，但计算速度提高了.     

基于E-PASTd的盲扩频码序列估计算法

针对直接序列扩频信号的扩频码盲估计问题,改进了特征分解的方法,提出了一种基于压缩投影近似子空间跟踪的PN码恢复算法。该算法由两个主特征向量估计非同步延迟值,结合利用压缩投影近似子空间跟踪技术的快速收敛特性提取主分量,避免了对自相关矩阵的直接特征分解运算。计算机仿真表明该算法降低了数据的存储量,易于硬件实现,具有良好的收敛特性,性能优于已有的梯度算法和神经网络算法。     

低信噪比下非周期性直扩信号的盲估计

为解决低信噪比下非周期性直扩信号PN码序列的盲估计难题,提出了以两倍信息码元宽度为分段长度的分段矩阵特征分解法(SEVD)对PN码序列进行初步估计,然后对得到的各段估计序列进行拼接,再通过基于最优移位相加特性的信息码剥离算法得到原始PN码序列的盲估计方法,该方法采用并行处理以提高运算速度,并具有无需事先提取同步信息、能够消除“反码”现象的优点。仿真结果表明该方法能够在信噪比大于?17 dB条件下对扩频码码长为1 023的m序列的非周期性直扩信号做到无误码盲估计。     

带残余频偏的QPSK-DSSS信号伪码序列盲估计

针对正交相移键控(QPSK)调制的带残余频偏直接序列扩频(DSSS)信号伪码序列难以估计的问题,提出信号相关矩阵特征分解结合全数字锁相环(DPLL)进行伪码序列估计的方法。首先对接收信号进行采样和分段得到数据矩阵;根据最大化信号相关矩阵的谱范数估计出伪码序列的同步点;在同步基础上再计算信号相关矩阵的特征子空间;针对其主分量特征向量带有残余频偏且相位存在π/2跳变的问题,采用全数字锁相环跟踪和消除其残余频偏进而恢复伪码序列。研究结果表明,针对QPSK-DSSS信号,所提方法能够实现负信噪比下伪码序列的盲估计。     

未知频偏下直扩信号的扩频序列估计

针对未知频偏下的直扩信号, 通过将载频吸收至扩频波形中, 提出了一种有效的基于协方差矩阵子空间分解的扩频序列估计算法. 通过信号子空间分解, 提高了含有未知频偏信息的扩频波形估计的信噪比, 从而降低了载频估计难度. 在随机信号模型条件下, 还推导了扩频波形估计器的克拉美劳界. 在低信噪比条件下, 仿真验证了该算法的有效性.     

CCSK信号的扩频序列估计

提出了一种新的基于拟自相关矩阵的循环码移键控(CCSK)扩频序列估计算法.扩频序列估计被表示成拟自相关矩阵的0范数最小化问题,也等价于一个0范数意义下秩-1逼近.一种非迭代的算法用于求解该优化问题,它利用整个拟自相关矩阵纠正由于噪声造成的错误元素,得到数据符号的估计之后将对应的数据符号波形进行循环移位以便使其具有相同的...     

基于LFM信号信道估计的水声MPSK信号盲Turbo均衡方法

为提高水声多进制相移键控(Multiple Phase Shift Keying,MPSK)信号盲解调过程中的信道失真补偿能力,提出一种利用水声线性调频(Linear Frequency Modulation,LFM)信号进行信道盲估计的水声MPSK信号的盲Turbo均衡方法.该方法利用水声通信的前导LFM信号进行信道...     

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法,将非线性引入主分量分析算法,可以完成输入信号独立分量的分离,分析认为现有的非线性主分量分析算法能实现实数信号的分离,对复数信号无效,通过对非线性函数进行修改,提出了一种非线性主分量分析复数算法,成功地实现了复数信号的盲分离,文中还借助于计算机仿真,对实数和复数法分离亚高斯和超高斯信号混合的特性进行了分析评价。     

结合PCA和ICA的脑磁信号消噪研究

基于二阶统计特性的主分量分解(PCA)和基于高阶统计特性的独立成分分析(ICA)是盲源分离信号处理中两种最为典型的方法．针对多通道脑磁信号的消噪问题,提出一种基于PCA与ICA相结合的信号消噪新算法．首先通过对脑磁信号进行主分量分解来降低信号维数,去掉其中包含的冗余成分,使计算时间缩短到原来的10％;进而利用自适应最大熵独立成分分析算法对降维后的数据进行二次分解,提取出脑磁信号中含有的干扰分量,使信噪比从10dB提高到80dB,达到对信号进行消噪的目的．     

盲信号分离研究分类与展望

通过对盲信号分离最新发展的研究，对现有的盲信号分离研究理论进行了总结分类，提取了在盲信号分离中主要使用的优化准则，通过介绍对比函数理论和局部稳定性理论，以及算法的性能指标，给出了盲信号分离的研究框架，并对盲信号分离的进一步研究方向进行了有关展望．     

基于自适应核估计的ICA算法

在自然梯度算法的框架下,本文利用随机变量概率密度函数非参数估计的自适应核函数法,给出了一种能够对任意混合信号(超高斯和亚高斯信号,对称和非对称分布信号)进行盲分离的算法。本算法无需选择非线性函数,而是根据信号的统计特性自动地直接估计评价函数。通过仿真实验,验证了本文算法的有效性。     

基于协方差矩阵对角化的盲信号分离

将基于协方差矩阵对角化的盲分离方法用于盲分离。当信号具有时间结构且空间独立时,通过对角化独立成分的自协方差矩阵（不同时延下的协方差矩阵）对混合信号进行盲分离。首先构造白化信号的时延协方差矩阵,然后选取不同的时延,将协方差矩阵的对角化程度表示成代价函数,最后利用梯度下降法得到分离矩阵。此方法和基于极大似然估计的FastICA算法的对比试验说明了此算法的有效性。     

基于快速独立分量分析的多维混合信号盲分离

介绍了一种用于盲信号分离的快速独立分量分析方法(FastICA).该方法以信息论中的负熵作为估计输出分量之间统计独立的目标函数,通过优化该目标函数,得到快速独立分量分析的迭代算法.由于该迭代算法不需计算输出分量的高阶统计量,收敛速度快.通过线性混合时间信号分离和图像信号分离的仿真实验表明Fas-tICA算法可以快速有效地分离这些信号.     

一种基于新代价函数的盲源信号分离算法

选择两个函数的线性组合作为代价函数,基于组合的任意性,保证了加性噪声盲源信号分离的有效性,提高了信号处理的通用性.根据分离矩阵的Frobenius范数的收敛理论,在上述改进措施基础上,得出了改进的迭代规则,对混合源信号进行估计.经过仿真实验,结果显示信号分离效果较好.     

基于盲源分离与二代小波变换结合的声音信号分析

采用二代小波与盲源分离结合的信号处理技术对已知声音信号合成的信号进行试验,显著地显示出有用信号在处理过程中的处理情况.通过使用MATLAB工具箱中的小波工具箱和ICA独立分量分析工具箱对信号处理过程进行了仿真,并用性能指数和相似系数对仿真结果进行了验证.结果表明,该方法对于复杂环境下语音信号的处理有很好的试验结果.     

基于多元统计投影方法的过程监控技术研究

为克服传统过程监控方法需假设过程特征信号服从多元正态分布的缺陷,提出了一种新的基于独立成分分析(ICA)和主元分析(PCA)的过程监控方法,该方法由两步组成: 第一步: 利用独立成分分析方法从过程信息中提取非正态分布特征信号,然后用Parzen窗法估计其概率密度确定控制限进行过程监控;第二步: 利用主元分析方法对剩余过程信息提取正态分布特征信号,采用Q和Hotelling T2统计量对此正态特征信号进行过程监控.通过对双效蒸发器进料浓度和加热蒸气温度发生异常的两种故障模式仿真研究表明,该方法比传统多元统计过程控制具有更少的漏报率.     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

盲信源分离中信源动态变化的识别

基于独立分量分析(ICA)的盲信源分离技术以及小波包分解技术，提出了根据能量特征向量确定信源数的方法，定义了各输出分量的能量特征，并根据输出分量能量特征向量之间的距离，检测出冗余的输出信号，进而确定出信源数．计算机仿真结果验证了其有效性．