基于独立分量分析的单通道语音增强算法

传统的独立分量分析要求观测信号的个数不能小于源信号的个数,无法直接对单路信号进行独立分量分析。为了能够利用独立分量分析分离加性噪声,须构造一路观测信号。基于语音信号的短时平稳的特性,该文提出一种构造噪声信号的算法,实现了信号与噪声的分离。仿真结果表明,利用该算法可得到很好的消噪结果,提高信号的信噪比。     

盲源分离在单通道语音增强算法中的应用

提出一种单通道语音增强算法。首先由接收到的单声道语音信号的含噪部分构造一个假想噪声源,将这一噪声源和含噪的信号作为多通道自适应去相关（MAD）盲分离算法的输入,得到增强的语音信号。进一步将这一增强的语音作为输入,利用Daubechies小波对其进行分解,在小波域中选取合适的阈值函数进行滤波,然后合成时域语音信号。根据以上步骤得到的增强语音有较高的信噪比及可懂度。     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

PCA与ICA相结合的语音信号盲分离

针对ICA用于语音信号盲分离时,由于数据量过大、迭代次数过多引起的收敛速度慢的问题,采用一种PCA和ICA相结合的盲分离算法PCA-ICA。通过PCA对混合语音信号进行白化处理,消除了原始各道数据间的二阶相关性。在仿真实验中,采用相似系数矩阵作为评价混合语音信号分离效果的标准,结果表明PCA-ICA算法与ICA算法相比,在达到几乎相同的相似系数矩阵的情况下,迭代次数减少了90%,从而分离速度提高了3倍,有效地解决了ICA分离算法收敛速度慢的问题。     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

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.     

基于麦克阵列的实时盲语音分离系统

通过使用多波束形成器对盲分离系统进行预处理滤波,结合频域内独立分量分析的方法,提出了一种基于麦克阵列的快速实时盲语音分离系统,它能够有效地分离在真实环境中的卷积混叠语音信号。     

盲源分离技术及其发展

盲源信号分离是一种功能强大的信号处理方法,在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用.简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法,综述了盲源分离的发展及研究现状,提出了其未来的发展方向.     

Fast ICA算法在语音信号盲分离中的应用

盲信号处理算法主要有批处理算法和自适应算法两类,导出了一种批处理和自适应相结合的快速独立分量分析(fast independent component analysis,Fast ICA)算法.将该算法应用于语音信号盲分离处理,通过综合实验,从分离前后的波形、频谱图和主要评价参数说明该算法具有良好的信号分离效果.与扩展联合对角化(joint approximative diagonalization of eigenmatrix,JADE)算法和自然梯度(natural gradient,NG)算法比较,Fast ICA算法具有更好的分离效果.     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

盲信号分离技术研究与算法综述

盲信号分离技术是从接收信号中恢复未知源信号的有效方法,已经成为神经网络和信号处理等领域新的研究热点。首先介绍盲信号分离的发展状况,然后在介绍了盲信号分离的线性瞬时模型、线性卷积模型和非线性模型的基础上,对相应模型求解算法的基本原理、特点进行了阐述,接着还对与盲信号分离紧密相关的盲信号抽取技术进行了综述,最后指出盲信号分离技术的研究方向和广阔的应用前景。     

涡轮喷气发动机噪声源的盲分离

讨论了基于噪声监测的飞机发动机故障诊断技术的可行性.由于涡轮喷气发动机噪声信号中不同源信号之间的混叠,使得噪声信号分析和特征提取更加凼难.根据声源信号的相互独立性质,针对涡轮喷气发动机噪声信号,阐述了利用盲分离技术对涡轮喷气发动机噪声信号进行分离的原理和实现.利用自然梯度算法对涡轮喷气发动机转子产生的噪声信号进行了肓分离实践,分离结果验证了方法的可行性和有效性,并从分离的信号中提取了有效的发动机状态信息.为发动机状态监测与故障诊断提供了一种可行的信号处理方法.     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

语音信号频域盲分离算法

盲信号分离算法广泛应用于信号处理领域,本文介绍了一种基于互相关的盲分离频域算法,并且通过计算机仿真验证了本方法的有效性。     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

盲信号分离技术在高光谱混合像元分解中的应用

盲信号分离(BSS)是现代信号处理的一种前沿基础技术,近年来在高光谱混合像元分解领域展示了很好的应用前景。通过比较系统地介绍独立成分分析(ICA)、非负矩阵分解(NMF)、复杂度分析(CA)和稀疏成分分析(SCA) 4种BSS方法的基本原理、基本概念及数学模型,重点阐述4种方法在高光谱混合像元分解中的应用现状及各自的优缺点,旨在进一步探讨BSS技术应用于高光谱混合像元分解面临的挑战与存在的潜力。     

基于仿射投影-非线性主分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离收敛速度慢的问题,以盲源分离的非线性主分量分析(PCA)为基础,结合仿射投影算法,提出了盲源分离的非线性APA-PCA准则,并设计出盲源分离的APA-Kalman,APA-RLS,APA-LMS新算法。在这些新算法中,预白化后的观测向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了盲源分离的收敛速度。仿真结果表明,非线性APA-PCA准则是有效的。