基于盲信号分离的同频信号的串行分离技术

传统的时域和频域处理等方法很难分离多个频域的混叠信号,文中提出一种利用盲信号分离技术串行分离同频信号的新方法——FastICA盲分离算法。该方法充分利用盲信号分离技术不需要知道信号先验信息的特性,能正确地、一个一个地分离出在频域中混合在一起的信号,且能分离功率相差100万倍的同频信号。在存在比信号功率大得多的高斯白噪声情况下,FastICA盲分离算法具有良好的分离性能。     

基于盲信号处理的图像去噪声研究

对研究图像进行预处理,在尽量去除噪声和保持图像信息不受损前提下,提出了一种改进型快速独立分量分析（ICA）算法,结合MATLAB编程软件对快速ICA算法进行优化和实现。测试结果表明通过本文算法优化和代码优化在图像质量上取得了良好效果。     

一种适用于微弱信号盲提取的白化方法

独立分量分析(ICA)算法是解决盲信号分离(BSS)问题的最有效方法之一.ICA中,对观测信号预白化处理的作用至关重要.通常采用主分量分析(PCA)来进行预白化处理.实际中,在利用广播、电视等作为照射源的被动雷达系统中,观测信号通常被强噪声和干扰严重污染,这很大程度上降低了BSS方法的性能.然而,传统的BSS方法中没有...     

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。     

一种新的瞬时混迭信号盲分离的自适应方法

本文利用源信号的统计独立特性，推导出一种瞬时混迭信号分离的自适应方法，这种方法将预白化和正交化合二为一，仅利用观测数据迭代更新分离阵参数。计算机仿真实验结果表明，该方法是有效的，可以较精确分离线性混迭的信号。     

基于独立分量分析的混沌信号盲分离

现有的混合混沌信号分离方法一般都要利用各个混沌信号的内在性质以及一定的约束。利用混合混沌信号中各源信号的独立性，依据基本ICA估计原理中的极大非高斯性原理，采用基于峭度的不动点分离法对此类混合信号进行分离，实现了此类信号的盲分离。对多种此类混合信号进行分离仿真的结果表明，该方法可以快速有效地分离出混合混沌信号中的各个源信号。     

盲信号分离及盲信号抽取研究

盲信号分离技术是将混合信号中的源信号分离出来的一种功能强大的信号处理方法,已成为信号处理领域的研究热点。阐述了盲信号分离的发展现状,介绍了盲信号分离问题的数学模型,给出了盲源分离的基本思想。对盲信号分离算法进行了研究,阐述了盲信号分离几种典型算法的特点及性能,对与盲信号分离紧密相关的盲信号抽取算法进行了总结,并对盲信号分离的进一步研究进行了展望。     

盲源信号分离技术

盲源信号分离是一种功能强大的信号处理方法，其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号，最终目的是从混合信号中分离出独立的信号分量。本文简要介绍信号源分离的基本思想、算法、发展历程以及盲分离的应用领域。最后展望了盲信号分离问题研究的发展方向。     

一种自适应盲分离跳频信号的方法

在跳频扩频通信系统中,由于多个跳频信号在时域重叠,频域跳变,使得非合作接收条件下跳频信号的分离成为通信侦察和对抗中的一个难点问题.本文基于各源信号统计独立这一特性,采用独立分量分析的思想和技术,提出一种适合于跳频信号盲分离的自适应方法,并且针对不同频点上分离信号中出现的次序模糊问题,给出了一种跳频时刻估计算法和信号拼接的算法.理论分析和仿真实验表明,本文提出的方法能够有效地分离出多个跳频信号.     

一种基于盲源分离的雷达信号分选方法

盲信号分离是近几年才发展起来的,用于解决从混合观测数据中分离源信号的一门新技术,已在众多领域中获得了广泛的应用。文中结合高阶累积量对高斯噪声的不敏感性,给出了一种基于盲源分离的雷达信号分选方法,可以对高斯噪声背景中混合的多个雷达信号实现分选。最后给出了该方法的计算机仿真,结果证明了该方法的有效性。     

瞬时混叠信号盲分离

本文利用三阶和四阶积累量研究了瞬时混叠信号分离的问题－根据源信号通过瞬时叠加后的观测值忧愁出源信号。     

卷积混叠信号盲分离

本文讨论了卷积混叠信号盲分离问题，证明了一系列基于高阶谱的判据，指出了盲辨识和盲分离的充分条件，利用判据，发展了若干算法，模拟实验证实了判据的正确性和算法的有效性。     

源信号数目大于观察信号数目情况下的盲源分离

独立分量分析(ICA)作为一种有效的盲源分离技术(BSS）是信号处理领域的热点。传统的独立分量分析都要求观察信号数目大于或者等于源信号数目，然而对于脑电图(EEG)等的一些信号处理中存在的源信号数目大于观察信号数目的情况，传统的独立分量分析算法不能有效分离。该文针对源信号数目大于观察信号数目的情况，在传统的独立分量分析技术的基础上，给出了一个新的学习算法，并将新算法与传统的独立分量算法进行了比较。实验仿真结果证明该算法在给定2个混合信号的情况下能够较好地分离3个未知语音信号源，成功实现了源信号数目大于观察信号数目情况下的盲源分离。     

New Wavelet Threshold Denoising Method in Noisy Blind Source Separation

In general conditions,most blind source separation algorithms are established on noisy-free model and ignore the noise that affects the quality of separated sources.Firstly,this paper introduces an improved natural gradient algorithm based on bias removal technology to estimate the demixing matrix under noisy environment.Then the discrete wavelet transform technology is applied to the separated signals to further remove noise.In order to improve the separation effect,this paper analyzes the deficiency of hard threshold and soft threshold,and proposes a new wavelet threshold function based on the wavelet decomposition and reconfiguration.The simulations have verified that this method improves the signal noise ratio(SNR) of the separation results and the separation precision.     

一种新型的卷积混和盲信号分离算法

本文提出了一种新的卷积混合盲信号分离算法。首先将卷积混合模型进行等价简化,再用理论推导论证了卷积混合盲分离问题等价于最优化Wiener滤波器问题,给出了一种去相关分离准则函数。最后,对两个源信号卷积混合的情况,用标准自适应LMS算法使分离准则函数达到最小值,从而得到了两个信号混合的分离算法;然后,推广到多个源信号混合得到了相应分离算法。通过计算机仿真试验验证了本算法的有效性和可行性。     

基于小波变换和独立分量分析的含噪混叠语音盲分离

含噪混叠语音的分离是语音信号处理中的重要研究问题。该文针对语音信号的非平稳特性与不同语音源之间的相互独立性,提出用小波变换与独立分量分析相结合的方法来进行分离。首先利用小波变换分别对各含噪混叠语音进行消噪,然后用独立分量分析的方法对消噪后的混叠信号进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个语音源信号的最终估计。仿真结果表明这种方法取得了很好的分离效果。     

一种非平稳卷积混合信号的时域盲源分离算法

该文将卷积混合盲源分离模型中的向量进行重新规划并对联合近似对角化方法加以推广,提出一种非平稳卷积混合信号的时域盲源分离算法。该算法先将采集到的卷积混合信号进行重排,使之满足重新定义向量后的瞬时混合模型特征,然后考虑到信号的非平稳特性,采用空间白化和联合近似块对角化方法分离出源信号。由于没有使用域变换而是从新的角度将卷积混合问题简化为瞬时混合问题,避免了卷积运算或域映射过程,降低了算法的复杂度。仿真实验验证了该算法的有效性并就参数的变化对信号干扰比的影响进行了分析。     

盲信号分离

阵列处理和数据分析的一个典型问题是从混合的观测数据向量中恢复不可观测的各个源信号.盲信号分离是解决这一问题的一门新技术,近几年吸引了信号处理学界和神经网络学界众多学者的研究兴趣.本文将以独立分量分析和非线性主分量分析为主要对象,综述盲信号分离技术的理论、方法及应用等方面的发展,并作有关展望.     

Noisy Blind Signal-jamming Separation Algorithm Based on VBICA

Aiming at the blind signal-jamming separation (BSJS) in wireless communication environment, we propose a noisy BSJS based on Variational Bayesian Independent Component Analysis algorithm to separate the communication signal from jamming signals and noises. This algorithm takes the Kullback–Leibler divergence between the true post distributions of source signals and the approximate ones as objective function, models sources using mixture of Gaussians, and updates parameters of the model using variational-Bayesian learning method, so as to make the estimated approximate posterior distributions close to the true ones and recover source communication signals finally. The simulation results show that the proposed algorithm is effective for the BSJS in noisy environment.