基于频域盲解卷的噪声信号分离

由于机械噪声传播过程中存在反射等多种因素影响，大多数情况下混合噪声分离更适合采用卷积模型，为此提出了一种多频点盲解卷算法。有别于传统的频域盲解卷算法，新算法利用有限的少数几个频率点直接从频域模型恢复出时域噪声信号。算法为瞬时混合盲分离。主成分分析一瞬时混合盲分离结构，首先对给定的每一个频率点执行瞬时混合盲解卷算法，获得噪声源的基本估计，然后再经过主成分分析和第二次盲源分离。提高分离性能和增加算法鲁棒性。由于算法不需要对所有频率点执行瞬时混合分离，计算量小，同时也不存在传统频域盲解卷算法排列顺序不确定性的缺点，具有较好的应用价值。仿真实验证实了新算法能有效地分离机械噪声信号。     

噪声环境下水声信号瞬时盲源分离方法研究

噪声环境下大多数盲源分离算法性能大大降低。提出了一种适用于噪声环境的基于子带分解的瞬时盲源分离算法。通过修正白化矩阵和选取合理子带降低盲源分离过程中由噪声产生的不利影响。仿真实验表明,采用基于子带分解的瞬时盲源分离算法能够较好地实现噪声环境下水声混合信号的分离;进一步研究表明,该算法在噪声环境下表现出良好的稳健性。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

基于单通道算法的内燃机油底壳辐射噪声分离

通过对内燃机的辐射噪声源进行分离和识别,得到的各独立噪声可为其减振降噪和监测诊断提供依据。在内燃机噪声源识别中,燃烧噪声和活塞敲击噪声在时域和频域上均有混叠,很难准确地将其进行分离。在半消音室中进行内燃机振动噪声试验,采集一路内燃机油底壳近场辐射噪声,先对其进行消除趋势项及滑动平均等预处理,减少随机误差成分,然后用集合经验模态分解得到IMF分量,用主分量分析降维,最后用快速独立分量分析进行盲源分离,并结合连续小波时频分析等方法进行识别。研究结果表明:通过采用单通道算法对内燃机油底壳辐射噪声进行分离和识别,可得到各独立分量,分别为内燃机的燃烧噪声和活塞敲击噪声。     

宽带盲波束形成与卷积混合盲源分离

盲波束形成是在不知道阵形，目标方位以及阵元响应等信息的情况下，只根据阵元输出恢复源信号。现有盲波束形成对窄带信号研究比较多。而对宽带信号盲波束形成论述较少。本文从信号模型，系统框图。处理的三方面说明盲波束形成与盲源分离近似，并指出卷积混合模型盲源分离完全可以作为解决宽带信号盲波束形成问题的一种通用方法。     

基于独立分量分析的重盲源分离方法

基于独立分量分析(ICA)的盲源分离(BSS)是一种多源信号分离的优化方法。针对ICA通道数目必需不少于源信号数目的限制条件,提出一种基于频谱识别的重盲源分离(R e-BSS)方法,利用虚拟通道实现通道数目的增加。单通道测量信号的仿真实验和实际信号处理结果表明,该方法简单可行,为盲源分离的进一步工程应用提供了新的思路与方法。     

盲源分离技术及其水声信号处理中的应用

本文首先阐述盲源分离的基本概念,简述了盲分离技术的基本要点和目前分离算法的利弊,围绕水声信道环境的特殊性,提出了一种改进的频域盲分离算法,给出了一种解决频域次序不确定性的方法.进行了两种背景下的仿真实验,得到了比较理想的分离效果.     

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中，不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设，因此现有的盲源分离算法如基于矩阵联合对角化的算法等，无法从混有相关源的传感观测中准确分离源信号(不相关源信号和相关源信号)。本文在基于矩阵联合对角化的盲分离算法的基础上，提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明：修正后的基于矩阵联合对角化的盲分离算法，能有效地分离包含相关源的混合观测信号。     

复杂声场中的频谱分离

工厂里多台机器同时运行时发出的声音和环境噪声一起构成复杂声场，每台机器的声学诊断都受到其它机器的严重干扰。用一组传声器在不同位置测得声音信号，利用盲源分离思想并结合声学故障诊断特点对混合信号进行频谱分离，得到各台机器的特征频谱结构图，使得对每台机器进行声学故障诊断成为可能。经过仿真测试和实验研究，证明了该算法的有效性，并通过讨论指出进一步研究的方向。     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

二阶统计量的盲源分离研究

介绍一种基于二阶统计量的盲源分离方法。该方法不必估计源信号的高斯特性,利用样本数据的二阶统计量和源信号的时序结构来实现信号的盲分离,因此其计算量小,适合于工程数据的分析。仿真结果表明,在有一定噪声的情况下,此种方法仍能较好地实现信号的分离。通过对电机振动信号分析发现,基于二阶统计量的盲源分离方法能有效地实现特征信号的提取和分离,这为今后将盲源分离技术进一步应用于机械振动信号的分析提供可借鉴的方法。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于凸包优化的盲源分离在图像去噪中的研究

目的针对高斯-脉冲混合噪声图像中难以有效去除大量奇异点或离群数据的问题,提出一种基于凸包优化的盲源分离方法来去除图像中的混合噪声。方法该方法把混合噪声和原图均看作未知的源信号,依据噪声图像中混合噪声与原图内容的加性关系建立盲源分离的模型,并利用凸包优化的方法构建源信号(凸包极点)的仿射包,然后通过最小化仿射包到凸包(噪声图像)上的投影误差,求解混合噪声和原图2个源信号,实现去噪混合噪声、复原原图的目的。结果实验结果发现,无论高斯-脉冲混合噪声强弱,该方法去噪复原后的峰值信噪比和平均结构相似性分别在39.9129 d B和0.9以上。结论由实验数据证实该方法可有效地从盲源分离的角度去除图像中高斯-脉冲混合噪声、复原原始图像。     

改进的二阶统计量盲分离算法

利用二阶统计量(不同时延相关矩阵)的非平稳性和信号时序结构特征,能简单估计出线性瞬时混合的盲源信号。但随时延[τ]增大,仅利用某一个时延协方差均衡化,忽略了信号的时间变化特性,很难保证算法的性能。通过分析矩阵的平均特征,提出一种改进的基于二阶统计量盲源分离算法,对一组均衡化的时延相关函数进行等时延分段,并对等间隔段的两个时延矩阵分别求取均值,采用类似联合近似对角化,估计出最优化的酉矩阵,最终得到信源的稳健估计。性能指标分析和仿真实验证明,算法很好地解决原算法的不足,并成功分离出信号。     

基于小波变换和盲源分离的P300识别算法研究

提出一种P300脑电信号识别的新方法,克服了多导联、多特征造成的操作繁琐、数据冗杂等问题。首先,针对P300小波变换中小波基如何优选缺乏必要的理论依据,提出结合电极分布特性,依据SNR和RMSE量化指标选择最优小波基,并结合SPWD时频分析对相干平均后的原始信号进行去噪处理,利用JADE盲源分离算法对得到的观测信号进行分离;其次,针对P300盲源分离后如何自动优选有效分量避免过度分解,提出结合G1法构建时空分析模型,最优化自动提取P300分量并映射回头皮电极处;最后,为改善BCI系统的在线应用,将EA和SFFS法相结合优选特征,构建具有6维特征向量的训练模型,利用C-SVM进行识别。实验结果表明,相对于传统的数据处理方法,P300成分的提取效果、系统分类精度和速度均有显著提高。     

基于EMMD的欠定旋转机械振动信号盲源分离

传统盲源分离算法通常基于观测信号数不小于源信号数的假设, 当观测信号数小于源信号数时, 盲源分离效果较差, 而欠定的甚至单通道信号的盲源分离问题普遍存在于旋转机械中, 针对该问题, 提出一种基于极值域均值分解的欠定旋转机械振动信号盲源分离算法。首先把欠定的观测信号进行极值域均值分解得到一系列本征模函数, 将欠定观测信号和其本征模函数组成多维信号, 作为新的观测信号实现升维;然后利用奇异值分解和贝叶斯准则进行源数估计, 最后利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离。仿真结果表明, 该方法能够有效地解决欠定观测信号的盲源分离问题。     

基于盲源分离去噪和HHT的旋转机械故障诊断

在利用Hilbert-Huang变换对旋转机械的故障信号进行特征提取时,传感器所获得的信号往往受到不同类型的噪声干扰,而忽略噪声的影响常常产生很差的分析效果。为克服此不足,结合盲源分离,提出了一种解决HHT分析中模态裂解现象的方法,即基于快速独立分量分析消噪的HHT分析方法。仿真与实例结果表明,该方法能有效抑制HHT过程中的模态裂解现象,有效提取信号的特征频率,进而实现旋转机械故障诊断。     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于盲源分离的P300脑电信号特征提取方法的研究

P300脑电信号被广泛应用于脑认知、脑机接口,该信号强度弱,容易受到环境及眼动伪迹、心电、肌电和自发脑电信号的干扰,淹没在采集脑电信号中。为了将P300与各种干扰快速高效地分离开来,通过分析P300在时域、频域和头皮空间域的特征,提出了以相干平均和小波变换与盲源分离相结合的算法,从时频域和空域对P300进行特征提取,针对多导联脑电信号盲源分离后选取P300成分对应分量的问题,提出了一种新的方法,并且通过实验比较了Informax、FastICA和AMUSE等3种盲源分离算法在P300特征提取中的性能。实验结果表明,从时频空域对P300特征提取的性能较仅从时频域进行特征提取有明显提高。