基于奇异值分解的欠定ICA算法研究

从奇异值分解出发,研究欠定独立分量分析(ICA)盲分离的新算法,给出了欠定ICA算法的代价函数,推导出分离矩阵的计算公式.在此基础上,提出了将基于奇异值分解的欠定ICA算法与普通ICA算法相结合的二次盲信号分离算法.利用此盲分离算法,能够较好地分离出部分源信号.仿真实验说明了此方法的有效性.     

基于新型混合模型的欠定盲分离方法

针对欠定盲分离问题,提出了一种新的源恢复方法. 在时频域局部区域采用复高斯分布对源信号进行建模,将语音信号的稀疏性和局部平稳性结合在一起,提出了一种新的混合模型来描述观测信号在局部区域的概率分布.通过该模型,将每个时频点的源信号状态的判断问题转换成模型的参数估计和后验概率的计算问题,最后通过子混合矩阵的逆恢复出源信号. 实验结果表明,该方法具有很快的收敛速度,并且比已有方法具有更好的分离性能.     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于势函数与压缩感知的欠定盲源分离

传统的基于K均值聚类算法及最小路径法的欠定盲源分离两步法存在K值难以确定,对初始值敏感,噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足,针对以上问题,提出了基于势函数及压缩感知理论的新型两步算法。该算法首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵,然后利用估计矩阵来构建传感矩阵,并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中,最终实现源信号的重构。仿真实验结果表明,混合矩阵最高估计精度达到99.13%,重构信号干扰比均高于10dB,很好的满足了重构精度的要求,验证了本文算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。     

基于奇异值分解的欠定盲信号分离新方法及应用

提出一种利用相空间重构和奇异值分解实现信号升维,从而对欠定信号进行盲分离的新方法。选择合理的时间延迟和嵌入维数对信号进行相空间重构而得到吸引子轨迹矩阵,对该矩阵进行奇异值分解,并根据不同信号的奇异值分布特性选择合适的奇异值进行逆变换,从而可以得到源信号的新的线性组合,实现了信号升维。随后对新混合信号与原混合信号之间的关系进行讨论,分析二者之间的相关性,证明了该方法的合理性。利用该方法首先分析几种常见信号如正弦信号、调频信号、调幅信号等的奇异值分布特性,研究这些信号与白噪声混合时的欠定盲分离,并将其用于实测齿轮故障信号的盲分离,研究表明该方法能够识别齿轮系统的典型故障,取得了较好效果。