一种非平稳环境下的自适应变步长盲源分离算法

提出一种基于不完整自然梯度的变步长约束算法,用来处理非平稳环境下的瞬时盲源分离问题.该算法利用系统上的扰动对代价函数进行约束,对算法中的约束因子采用自适应形式,根据分离情况对约束因子进行自适应调整,以加快收敛速度.同时,引入基于代价函数梯度的变步长,使其具有更好的跟踪性能.仿真结果表明,在非平稳环境下,所提出的算法在提高收敛速度的同时可以有效分离源信号而不产生严重的稳态误差.     

变步长自适应盲源分离算法综述

主要阐述了变步长自适应盲源分离算法中变步长选取的基本原理及其性能。首先,简单介绍了经典自适应盲源分离算法;然后,在此基础上对近年来出现的各种变步长盲源自适应盲分离算法进行归类,并一一分析了每类算法中各个算法的原理和性能;最后,对变步长盲源分离算法目前存在的问题和发展趋势进行了总结和展望。     

一种基于NPCA的自适应变步长盲源分离算法

收敛速度和稳定误差是在线盲源分离算法的两个重要的性能指标。为了加快算法的收敛速度,提高算法的跟踪性能,提出一种基于NPCA的自适应变步长盲源分离算法。该算法的迭代步长随着输入信号和混合矩阵的变化而变化,因而具有更好的跟踪性能。仿真结果表明,该算法提高了NPCA算法的收敛速度和跟踪性能。     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

基于符号算子的变步长不完整自然梯度算法

通过引入不完整约束使不完整自然梯度算法有效克服传统自然梯度算法的缺点和不足,即当源信号幅度随时间快速变化或在某段时间为零时,不完整算法仍能较好地工作.同时,从一般动态分离模型中推导出的符号算子可改善算法的收敛性.结合上述两种思想提出一种基于符号算子的不完整自然梯度算法,增加基于代价函数梯度的变步长运算以平衡算法中收敛速度和稳态误差之间的矛盾.仿真结果表明,改进算法的性能明显优于传统算法,在保持良好稳态误差的基础上大大加快收敛速度.     

基于串音误差与分离度的变步长EASI盲源分离算法

当源信号各分量差异较大或全局矩阵为非行元素优势矩阵时,基于串音误差的变步长等变自适应分离(EASI)算法难以正确评价分离效果,导致步长选取错误。针对该问题,提出一种改进的变步长EASI算法。通过计算基于串音误差的步长平方根适当增大步长,同时定义信号分离度对步长做进一步调整,减小因串音误差分离结果评价不准确而导致步长错误变小的影响。仿真结果表明,该算法具有较好的步长调节能力,相对传统EASI算法和基于串音误差、基于串音误差步长平方根、基于分离度的变步长EASI算法分离效果更佳。     

一种改进的自适应不完整自然梯度盲源分离算法

与自然梯度盲源分离算法相比,不完整自然梯度算法避免因源信号非平稳或幅值快速变化而引起的数值不稳定.在深入分析和推导该算法的基础上,针对其中非线性激活函数难以确定的困难,提出一种利用峰度对激活函数进行自适应选择的改进算法.该算法无需已知源信号的先验信息,既保留了不完整自然梯度算法恢复非平稳源信号的优势,又可使其适用于服从任意分布的源信号.仿真比较结果表明,该方法性能优于选择正切函数作为激活函数的不完整自然梯度算法,分离效果较好.     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.     

改进的步长自适应小波ICA图像盲分离方法

介绍了独立分量分析基本原理,阐述了自然梯度算法以及小波ICA方法。采用性能指数（PI）的思想,设定一个新的评判目标函数[L(w)]达到最优的标准,并且根据此标准,提出了一种改进的基于双曲正切函数步长自适应方法。通过计算机仿真实验,证实了其各方面的优越性能。     

一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析（ICA）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离,并针对算法中的非线性函数与源信号概率分布密切相关,而源信号的分布却是未知的先验信息的问题,利用算法输出信号的峰度对非线性激活函数进行自适应选择,提出了一种改进的自适应不完整自然梯度算法,并将其应用于模糊图像的盲分离,分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比,计算耗时更少、性能指标明显优越。     

基于模糊神经网络控制的变步长盲均衡算法

文章提出了一种新的模糊神经网络(FNN:FuzzyNeuralNetwork)控制的变步长盲均衡算法,利用模糊神经网络控制盲均衡算法的迭代步长,以得到更好的均衡性能。该文设计出模糊神经网络控制器的结构并给出状态方程,提出了新的代价函数,推导出控制器参数的迭代公式。计算机仿真表明,该算法与传统恒模(CMA:ConstantModulusAlgorithm)盲均衡算法相比,具有稳定性好的优点。     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

时变步长恒模医学CT图像盲均衡算法

提出一种基于误差信号峰度的自适应时变步长恒模医学CT图像盲均衡算法,通过降维处理将图像的恢复过程等效为一维盲均衡运算,构建行列等效变换的降维医学CT图像恒模盲均衡代价函数,利用误差信号峰度控制步长因子,加快算法的收敛速度。仿真结果表明,该算法能改善恢复效果,减小稳态剩余误差。     

基于独立成分分析的跳频信号盲分离

近年来,ICA（Independent Component Analysis,独立成分分析）已成为处理BSS（Blind Source Separation,盲源分离）问题的主要手段,同时也受到人们越来越多的关注。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度算法所得的仿真结果进行对比分析。通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

一种前馈结构的卷积混合盲分离算法

1998年，Torkkola提出了反馈分离结构的信息最大化算法，该算法对应于稳定的IIR滤波器。只能用于最小相位混合。而真实的环境往往包括非最小相位传输系统。本文在分析反馈分离算法的基础上，提出了一种在频域上用前馈结构的信息最大化算法，该算法对应于非因果FIR滤波器。为非最小相位系统的盲分离问题提供了一个解决方案。最后，我们将演示用这种方法分离实际环境下的两个自然信号。     

基于ICA新算法的图像盲分离

提出了一种基于非参数熵的图像盲分离新算法。该方法根据K—L散度作为信号之间独立性优化准则，不利用概率密度函数知识，由观测向量直接估计m—spacing熵，通过穷举搜索法寻找目标函数的最小值从而获得最佳旋转矩阵进行盲源分离，适合图像像素分布多样性特点。大量实验证实，该算法鲁棒性好、分离指标高、性能优于传统FASTICA、自然梯度等自适应算法。     

基于分值函数估计的自然梯度盲分离算法

分值函数估计的准确性是影响自然梯度盲分离算法收敛速度和稳定性的一个重要因素.提出了一种通过函数逼近直接估计分值函数的方法.用一组正交多项式的线性组合来逼近分值函数,其性能用均方误差来衡量.线性组合的系数向量可运用分值函数的性质,通过最小化均方误差自适应学习得到.将估计到的分值函数代入自然梯度迭代公式中就得到新算法.实验...     

JADE盲信号分离算法失效问题研究

分离（或解混合）矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法.本文在分析该算法原理的基础上,从理论上找出了算法失效的原因,即源信号相关性越强,JADE盲信号分离算法失效问题越严重,并通过仿真实验证明了理论分析结果的正确性.     

信源数动态变化的自适应盲分离算法

分析了信源数未知或信源数目动态变化时，超定盲信号分离(源信号个数n<观测信号个数m)问题中自然梯度算法发散的原因。在此基础上，构造了一种新的自适应盲分离算法。该算法不仅克服了已有算法不能稳定收敛的缺点，而且在信源数动态变化的情况下，无须根据输出分量间的关系去除冗余分量，大大简化了算法的计算量与复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。