一种新的基于极大似然估计的盲分离算法

盲源分离（Blind Source Separation，BSS）或独立成分分析（Independent Component Analysis，ICA）是一种矩阵处理或数据分析技术，主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广，它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题，从观测信号与分离信号的概率密度函数（Probability Densitv Function PDF）之间的关系推导出了一种新的基于极大似然估计的盲分离算法，通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF，以此来分离源信号。并通过模拟实验验证了此算法的有效性。     

基于Parzen核估计的ICA算法及其性能分析

基于概率密度非参数估计的Parzen核估计，提出了一种新的独立成分分析（1CA）算法，实现了对源信号分布的全“盲”要求。该算法由观测信号样本出发，实现了对分离信号评价函数的直接估计，从而在一定程度上解决了1CA算法中如何选取估计信号评价函数的难题且能对任意的源混合信号（包括：超高斯与亚高斯分布，对称与非对称分布）进行有效盲分离。模拟实验从统计性质和计算时间2个方面说明了所提算法的性能。     

统计相关源信号分离模型与算法综述

统计相关源信号分离理论不仅有着广泛的应用背景, 也为深入了解数据的本质结构提供了有效的分析工具. 首先, 重点分析和讨论一类特殊的相关源信号分离模型—–独立子空间分析模型的可分离性; 其次, 分别介绍基于源信号稀疏性、统计测度、独立子空间分析、源信号时序结构、源信号有界性和非负性的各种相关源信号分离算法; 再次, 通过将加性噪声中的盲源分离和高光谱解混问题建模为统计相关源信号分离模型, 表明了该方法的应用价值; 最后, 总结了相关源信号分离中存在的问题, 并对下一步的研究思路进行了分析和展望.

     

无线网络中基于变分消息传递的分布式协作定位算法

针对基于消息传递算法的节点定位方法复杂度和通信开销较高的问题,提出一种适用于节点可移动网络的低复杂度低协作开销的节点自定位算法。为降低通信负载,该算法将消息约束为高斯型函数,网络中只需传输各消息的均值和方差,并采用适用于指数模型的变分消息传递(VMP)算法以降低计算复杂度。首先,根据节点的历史轨迹对节点位置进行预测,得到当前时刻的先验信息。然后,在因子图上按照VMP消息更新规则、通过迭代近似求解节点位置变量的后验分布。在消息更新中,对于非线性测距模型引起的非高斯置信,通过非线性项的二阶泰勒级数展开将其近似为高斯型函数。最后,根据最大后验估计准则得到位置估计。仿真结果表明,该算法的定位精度与基于非参数化置信传播的SPAWN（Sum-Product Algorithm over a Wireless Network）接近,但计算复杂度和通信负载均显著降低。      

基于IGA的AR序列叠加过程的分解与复原

本文研究由若干个AR信号序列叠加形成的多道时间序列的分解与复原问题.首先从信号的独立性出发,利用信号的高阶统计信息,采用独立成分分析(Independent Component Analysis,ICA)中的广义信息最大化(Infomax)算法寻找一可逆矩阵将混合信号进行分离,然后再根据AR序列的偏相关系数的截尾性,利用Levinson递推公式估计出AR序列的参数,最后通过模拟实验验证了此方法的有效性.     

非线性盲源分离的原理及算法综述

本文主要阐述了非线性盲源分离(BSS)/独立成分分析(ICA)模型的基本数学原理、分离算法、算法性能及其应用。首先对线性和非线性BSS/ICA的数学模型作了介绍,重点介绍了非线性BSS/ICA解的不确定性,然后在此基础上对近十年来出现的各种非线性BSS/ICA算法进行简单综述,着重分析了一类可解且应用比较广泛的非线性BSS/ICA模型-后非线性BSS/ICA模型及其分离算法。最后对非线性BSS/ICA存在的问题和发展趋势进行了总结。     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．     

基于ICA的谐波恢复方法

加性有色高斯或非高斯噪声中谐波恢复是信号处理中的一个常见问题,本文利用独立成分分析(ICA)来研究加性噪声中实谐波信号的恢复问题.首先建立了谐波信号的ICA数学模型,分析了谐波恢复可以由ICA方法实现的数学原理,然后提出了噪声中谐波恢复的ICA方法,最后通过仿真实验说明了基于ICA的谐波恢复算法的有效性.     

压缩感知的多重测量向量模型与算法分析

压缩感知（Compressed Sensing:CS）现有算法大都从单重测量信号中恢复稀疏信号源,即为单测量向量（SMV）模型。而在实际应用中,存在大量的多重测量向量情形,从多重测量向量中恢复未知的具有相同稀疏结构的联合稀疏信号源的模型称为CS的多重测量向量（MMV）模型。本文首先对CS-SMV和CS-MMV模型的基本数学原理进行了详细介绍,讨论了两种情况下稀疏源信号恢复的存在性与唯一性,然后在此基础上重点对近年来出现的各种联合稀疏信号的恢复算法进行综述,分析了各种算法的性能,较全面的讨论了MMV模型的应用前景。最后对CS的MMV模型的发展趋势进行了总结和展望。      

基于朴素贝叶斯的室内VLC网络天线选择方法

在室内多天线多用户可见光通信(VLC)网络中,为了改善在发射天线和用户数量增多的情况下,最优天线选择算法存在时间复杂度过高问题,将朴素贝叶斯(NB)方法应用于室内多用户VLC网络下行链路发光二极管(LED)选择问题中.首先,将该LED选择任务建模为多分类问题,利用用户已知信道状态信息生成训练样本集,并通过VLC网络多用户通信和速率最大生成对应类标签;其次,利用生成的训练样本集,通过NB方法得到分类器模型;最后,将训练得到的分类器模型应用于新用户的LED选择.仿真分析表明,与最优多用户VLC网络LED选择算法相比,所提出的基于NB的LED选择方案可以有效地降低时间复杂度,在算法复杂度和用户传输和速率之间实现了较好的平衡.