On-line Convolutive Blind Source Separation of Non-Stationary Signals

We have shown previously that non-stationary signals recorded in a static multi-path environment can often be recovered by simultaneously decorrelating varying second order statistics. As typical sources are often moving, however, the multi-path channel is not static. We present here an on-line gradient algorithm with adaptive step size in the frequency domain based on second derivatives, which we refer to as multiple adaptive decorrelation (MAD). We compared the separation performance of the proposed algorithm to its off-line counterpart and to another decorrelation based on-line algorithm.     

A Mixing Matrix Estimation Algorithm for Underdetermined Blind Source Separation

This paper considers mixing matrix estimation for underdetermined blind source separation. First, we propose an effective detection algorithm to identify single source points where only one source occurs. The detection algorithm finds single source points by utilizing the time–frequency coefficients of mixed signals and the complex conjugates of the coefficients. Then, a method based on probability density is proposed in order to find more reliable single source points and cluster them. Finally, the mixing matrix is obtained through re-selecting and clustering single source points. The experimental results indicate that the algorithm can accurately estimate the mixing matrix when there are fewer sensors than sources.     

一种强鲁棒性的盲分离混合矩阵估计方法

针对传统盲分离混合矩阵估计鲁棒性差、易受初始值影响、精度不高等问题,该文将人工蜂群算法(ABC)用到盲分离中,结合稀疏信号混合矩阵估计的特点,提出一种基于不同搜索策略和编码方式的两阶段蜂群算法的混合矩阵估计方法,通过新的蜜蜂搜索行为和子蜂群之间的协同作业,明显加快了算法的收敛速度,提高了混合矩阵的估计精度。仿真实验表明,该方法在源个数较多、弱稀疏、低信噪比的情况下仍然可以很好地估计混合矩阵。相比已有方法,该方法不仅具有很强的鲁棒性和很高的估计精度,而且不需要太大的计算量。     

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。     

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.     

Mixing and Non-Mixing Local Minima of the Entropy Contrast for Blind Source Separation

In this paper, both non-mixing and mixing local minima of the entropy are analyzed from the viewpoint of blind source separation (BSS); they correspond respectively to acceptable and spurious solutions of the BSS problem. The contribution of this work is twofold. First, a Taylor development is used to show that the exact output entropy cost function has a non-mixing minimum when this output is proportional to any of the non-Gaussian sources, and not only when the output is proportional to the lowest entropic source. Second, in order to prove that mixing entropy minima exist when the source densities are strongly multimodal, an entropy approximator is proposed. The latter has the major advantage that an error bound can be provided. Even if this approximator (and the associated bound) is used here in the BSS context, it can be applied for estimating the entropy of any random variable with multimodal density     

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类（combining density-based spatial clustering of application with noise, DBSCAN）和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。     

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。     

基于时频域单源区域的延迟欠定混合非平稳信号盲分离

针对衰减-延迟欠定混合信号的盲分离问题,提出了基于子空间分解的时频域上单源区域检测方法,估计出信号在时频域上的单源区域以及相应的特征向量,然后利用系统聚类法对单源区域对应的特征向量进行聚类分析,估计出源信号数目以及混合矩阵,最后通过改进的基于子空间投影算法完成源信号的恢复.仿真结果表明本文算法提高了混合矩阵和源信号的估...     

一种信号源盲分离的神经网络算法

本文提出了一种新的盲信号分离的神经网络算法。神经网络的第一层使用奇异值分解(SVD)方法对观测信号进行预白化处理。在传感器的数目不少于源信号的情况下,预白化处理能够估计出源信号的数目,同时压缩掉冗余信息。神经网络的第二层是分离层。分离层的权值矩阵应该是正交矩阵。本文应用一个正交严格受限(SOC)算法调整分离网络的权值。其中,用恢复信号的四阶互累积量的平方构造代价函数。仿真实验验证了算法的有效性。     

混合语音信号的盲分离

重点研究了卷积混合语音信号的盲分离方法。语音信号是非平稳信号,但是它在短时间上具有平稳性。因此,本文对语音信号进行加窗傅立叶变换（FFT）将卷积混合问题转换为频域上每个频点的瞬时性BSS（blind source separation）问题,采用定点（fixed—point）ICA（independent component analysis）算法对混合语音信号进行了分离,并用matlab进行了仿真。     

一种快速的解盲源分离新算法

 针对盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的快速联合对角化算法(FJD).采用乘性迭代机制求解表征联合对角化近似程度的F-范数代价函数.对代价函数的合理近似及巧妙求解,是算法快速有效的核心原因.每步迭代得到的严格对角占优更新矩阵,保证联合对角化器严格可逆,防止收敛到平凡解.算法具有不需要预白化操作,不限定待对角化目标矩阵的正定性,并能处理复值数据等诸多优点,具有极广的适用性.详细的计算复杂度分析说明了算法的高效性及易操作性.仿真结果表明,FJD算法收敛速度快,性能良好,能有效地解决盲源分离问题.     

非平稳卷积混合信号的盲分离

传感器采集到的信号是由多目标源、环境噪声等经多途径卷积混合的形武.为有效地去除环境因素如干扰、传输延迟等的影响,提出一种新的盲信号分离方法.利用非平稳信号的多重去相关和最小二乘准则来估计混合矩阵A或解混矩阵W以及信号和噪声功率.实验结果表明,该算法具有良好的分离效果.     

MIMO雷达信号的盲源分离技术

针对MIMO雷达的信号特点,采用了一种多角度的雷达侦察方法,从不同的方位获取同一部雷达的独立信号样本。并在此基础上,运用主分量分析方法估计信号波形个数,运用独立分量分析的盲源分离方法分离出MIMO雷达信号的各个正交分量,最终以正交频分线性调频信号为例,在信噪比为0 dB的情况下对该信号进行了仿真分析,其结果验证了该方法的有效性。     

具有延迟的欠定语音盲分离

探讨具有延迟的欠定语音盲分离问题,针对语音信号的部分W-分离正交性,提出一种新的基于混叠矩阵估计的语音盲分离方法.首先对观测信号进行短时傅里叶变换,选定一个信号作为参考信号,构造幅度衰减向量和时间延迟向量,提取单源主导区间的观测信号作为观测样本;然后对观测样本进行聚类,通过估计参考信号的混叠系数来估计混叠矩阵;最后结合...     

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。     

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。     

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。      

盲信号分离的现状和展望

盲信号分离是近几年才发展起来，用于解决从混合观测数据中分离源信号的一门新技术，已在许多领域获得了广泛应用。本文介绍了盲分离的主要理论和两大类实现方法——独立分量分析和非线性主分量分析，并在此基础上介绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将来的发展方向。     

基于NPCA的盲源分离算法

主要讨论了基于非线性主分量分析(NPCA)的盲源分离,从理论与实验2个方面详细分析了算法的特性与效果。针对算法中的非线性函数选择的问题,采用了在线统计的方法,即根据不同的输入信号选择不同的非线性函数。从实验结果可以看出,该方法不仅可以很好地解决源信号为亚高斯信号混合的盲源分离问题,而且对源信号为亚高斯和超高斯信号混合的盲源分离问题也取得了很好的效果。