采用二阶特征窗的语音盲分离方法

利用语音信号的短时平稳特性,提出了一种二阶特征窗语音盲分离方法。该方法采用新的联合差分相关矩阵白化算法去除有色噪声影响;用长度等于语音信号基音周期的等距特征窗连续分割预白化观测数据,在每个加窗的数据帧计算不同的时滞协方差矩阵。利用联合近似对角化时滞协方差矩阵集合得到旋转参数,最终达到语音信号的盲分离。该方法消除了有色噪声的影响,只需用到二阶信息就能很好地分离语音信号。仿真实验验证了该方法的有效性。     

基于时频分析的非平稳机械振动信号的盲解卷积方法

将盲源分离技术应用于机械振动信号处理,为故障诊断技术提供了一个新的途径.针对传统BSS方法忽略机械振动信号的非平稳和卷积混合的特性,文章将基于二阶统计量的BSS推广至盲解卷积模型,并结合时频分析这一有力工具,给出了针对机械振动信号的二阶盲解卷积方法.仿真和实测数据实验结果表明,该方法为有效方法.与传统盲源分离算法比较,该算法分离精度至少提高了一倍左右,该算法更适合于机械振动信号的分析.     

基于相关熵的盲源分离算法

提出了基于相关熵的盲源分离算法。与传统独立成分分析(ICA)方法利用四阶统计量或时间结构的盲源分离不同,该算法从信息理论学习中的相关熵概念出发,利用相关熵中蕴涵的各偶数阶统计信息,通过参数化中心相关熵与独立性测度的关系,建立代价函数,并通过优化算法对其进行寻优,从而得到解混矩阵并分离出源信号。仿真结果表明,在分离超高斯混合源和次高斯混合源时,分离性能优于传统的ICA方法。     

基于经验特征函数的盲源信号分离法及应用

从盲源信号分离后非高斯性最大化出发,提出了一种基于经验特征函数的盲源信号分离方法.该方法把经验特征函数与概率密度函数一一对应,并以混合信号与高斯信号的经验特征函数的欧氏距离最大化作为判据,以固定点算法为优化算法进行盲源分离.该方法克服了FastICA算法中选取不同的近似函数对不同概率密度分布的信号效果不佳的问题.仿真实验结果表明,与常用的几种FastICA算法相比,该方法具有更好的收敛效果.采用新的盲源信号分离方法对管道破坏产生的实际声发射信号进行分离,可将破坏点互相关定位精度提高到3%以上.     

基于时频特征检测的网络入侵信号盲源分离算法

网络入侵信号是一种非平稳随机信号,传统的检测算法难以有效提取信号的冲激响应特征,盲分离性能不好,故提出了一种基于时频分析和干扰滤波匹配的网络入侵信号盲源分离算法.采用时频特征检测方法进行信号的盲源分离处理,构建网络入侵信号时频分析处理模型,使用WVD时频分布结合Hough变换进行时频分析,设计盲分离滤波器实现对入侵信号的检测滤波,提取三阶统计量、四阶统计量及高阶谱作为信号的时频特征,估计信号的瞬时频率,得到入侵信号的盲源参数估计结果,基于时频特征检测实现对信号的盲源分离改进.仿真结果表明,采用该算法进行网络入侵信号的盲源分离和检测,准确检测概率较高,实现了对入侵信号的盲源分离和准确拦截.     

盲信道辨识与均衡基于二阶统计量的递推算法

利用通信信号超采样后所具有的循环平稳性，给出了一种新的基于二阶统计量的算法来完成对非最小相位系统的辨识和估计，利用了一组特征矩阵所包含的信息来进行估计，使估计性能得到了提高．与基于二阶统计量的非邀推盲均衡算法相比，这种方法给出求解所定义的代价函数的最优解的有效递推算法，可以逐个地得到所有特征矢量，最终得到解析解．该算法在低信噪比的环境下仍然可以有效地完成估计，克服了传统的盲均衡算法抗噪性能差的缺点，而且其运算复杂度仍然比较小．     

滚动轴承复合故障的混合协同诊断方法

针对传统复合故障诊断方法存在故障难以完全分离的缺点, 提出了滚动轴承复合故障的混合协同诊断方法。首先对观测信号的协方差矩阵进行奇异值分解, 求出白化矩阵并对复合故障信号进行白化处理; 然后, 利用联合对角化方法对白化后的故障矩阵进行对角化变形, 通过最小化对角化程度函数得到正交矩阵; 最后, 通过正交矩阵估计故障源信号矩阵, 实现复合故障的分离; 由于二阶盲辨识方法分离出的故障信号间存在无序性以及相似性, 导致分离信号故障类型难以确定, 因此将分离后的故障信号进行短时傅里叶变换, 通过分离信号的时频谱图与原信号时频谱图进行比较, 并根据趋势一致性确认所对应的故障类型。最终, 以广东省石化装备故障诊断重点实验室的轴承数据进行实验论证, 结果表明, 二阶盲辨识协同短时傅里叶变换能有效将滚动轴承的复合故障信号分离出来, 工程上具备可操作性和极大的应用价值。     

高阶累积量的FIR系统辨识方法综述

二阶统计量由于不包含相位信息,具有不等价性,不能用来辨识非最小相位系统,且对噪声敏感,所以只能处理白噪声,对于有色噪声不能够进行理想的数据观测．为克服二阶统计量的缺点,利用参数化的方法可以进行高分辨率的多谱估计,采用高阶累积量对FIR系统的闭式解、线性代数方程以及优化解方法对系统辨识的性能进行比较,为进一步研究FIR系统辨识提供参考．     

一种均匀线阵的信号分离方法研究

为了进一步改善阵列信号处理中盲源分离算法的分离性能,本文提出了一种基于DOA估计的阵列信号分离方法。该方法的基本思想是利用MUSIC算法实现对阵列信号DOA的预先估计,构建一预估计方向加载矩阵W,使加载后的混合信号在该预估计DOA上的信号能量最大化,最后利用传统的盲源分离算法分离接收到的混合信号,得到原始信号波形。仿真结果表明,该方法分离效果优于直接的盲分离算法,原始信号与分离信号相关系数接近于1,但同时牺牲较大运算量。     

回波对消中盲源分离算法的研究与仿真

盲源分离因为可以仅根据接收到的观测信号来估计还原源信号,成为近年来在信号处理领域的研究热点.针对盲源分离中的基于峭度的独立分量分析算法在源信号还原的过程中计算量较大的问题,采用共轭梯度方法对独立分量分析法进行优化,优化后的算法收敛速度更快,稳态误差变小.Matlab仿真实验表明,优化后的独立分量分析算法收敛更快,实际分离效果更好.