噪声对复值ICA算法盲源分离性能影响

语音信号进行短时傅立叶变换后,所得频域分量是复值数据。因此,频域盲分离算法需要在复数域中实现。理论上,复值ICA算法只是实值ICA算法的一种扩展,但在针对实测信号数据进行处理时,不同类型的复值ICA算法在盲分离性能方面都存在较大的差别。针对这一具体问题,利用合理的评价标准,对基于高阶统计量(HOS)的Jade算法、基于极大非高斯性盲分离方法的峭度极大不动点算法和基于信息论的infomax算法,比较不同环境下的抗噪性能和分离性能,给出了有一定参考价值和实际意义的结论。     

一种DS/SS信号盲同步算法

提出了一种DS/SS信号盲同步算法,在此基础上利用特征分析法可解决相位不确定性的缺陷。该算法简单有效、计算量小,利于硬件实时处理。理论分析及计算机仿真结果表明,该算法在低信噪比条件下可实现DS/SS信号的盲同步及PN码序列的精确估计。     

基于E-PASTd的盲扩频码序列估计算法

针对直接序列扩频信号的扩频码盲估计问题,改进了特征分解的方法,提出了一种基于压缩投影近似子空间跟踪的PN码恢复算法。该算法由两个主特征向量估计非同步延迟值,结合利用压缩投影近似子空间跟踪技术的快速收敛特性提取主分量,避免了对自相关矩阵的直接特征分解运算。计算机仿真表明该算法降低了数据的存储量,易于硬件实现,具有良好的收敛特性,性能优于已有的梯度算法和神经网络算法。     

用于宽带非平稳信源分离的一种盲波束算法

提出了一种用于分离宽带非平稳信源的盲波束算法。该算法以阵列旋转不变性为基础,利用宽带信源的非平稳特性,将传统的窄带盲波束算法扩展到频域执行;针对在扩展过程中可能出现的通道互换,利用相邻频点序列的互相关系数,对各频点的分离序列进行通道重排,以确保分离出的宽带信源在频域的一致性。该算法还消除了传统盲分离算法中普遍存在的幅度模糊问题,使得分离出的信号没有幅度失真。计算机仿真验证了算法的正确性和有效性。     

利用盲信号分离的自然梯度盲均衡算法

针对目前已有的基于盲信号分离的盲均衡算法没有利用传输信号本身的统计特性而存在的因为近似处理引起的误差的问题,该文提出一种基于盲信号分离的自然梯度盲均衡算法。该算法充分利用了信号星座图的先验知识,为解决多峰值引起的问题采用了多阶聚类的方法。这比仅仅基于盲信号分离的盲均衡算法更为精确,从而能得到更快的收敛速度和更低的码间干扰。     

基于FastICA算法的混合图像分离方法

简述了独立成分分析（ICA）的基本模型和原理,介绍了目前较为流行的基于负熵最大化定点迭代的ICA快速算法——FastICA算法。根据算法的原理在Matlab中编写了仿真程序,通过仿真实验验证了该算法在混合信号分离中的有效性。在此基础上,结合混合图像数据的特点,使之符合ICA基本模型,将FastICA算法应用到混合图像盲分离中,通过仿真实验获得了良好的分离效果．结果表明,该算法是一种行之有效的混合图像分离方法。     

传感器个数及距离对盲分离影响的分析

在使用盲分离技术进行信号处理时,分离高频信号和低频信号对传感器分布的要求是不同的,而传统的方法在处理高低频混合信号时采用了统一的模式,得不到很好的分离效果。为了在采用盲分离技术进行高低频混合信号处理时能得到更好的效果,文章对传感器个数和距离对盲信号分离的影响进行了深入的分析,并提出了一种能有效处理高频和低频混合信号的模型——分离子系统模型。该模型可以根据频段对传感器距离进行调整,分别对高、低频混合信号进行分离。通过实验证明分离效果更好。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

变学习速率在线ICA算法在雷达信号分选中的应用

已有的独立分量分析(ICA)雷达分选方法多采用FastICA算法,FastICA算法是一种离线批处理ICA算法,缺乏实时分选能力.文中将一种变学习速率的在线ICA算法应用到雷达分选中,克服了FastICA算法无法实现在线实时分选的缺点;同时,算法能根据相依性测度所反映的信号分离的状态自适应地调节学习速率,平衡了传统在线ICA算法收敛速度和稳态误差之间的矛盾,从而使得采用这种ICA算法的雷达信号分选方法具有收敛速度快,分离效果好的特点.仿真实验验证了分选方法的有效性.     

直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法。该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量。通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离。     

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。     

基于无监督学习的盲信号源分离技术研究

以独立分量分析为主要对象, 描述了盲信号源分离技术的基本模型,介绍了盲分离的主要方法和数学原理, 分析了盲信号源的可辨识性。提出基于神经网络无监督学习的盲分离方法,并改进了分离效果评判指标。在生物信息处理的背景下将人工神经网络和信息理论相结合,解决了盲信号源分离,自适应地求得分离矩阵,且可以同时分离具有正峭度和负峭度的信号源,对盲信号源分离的研究有极大的促进作用。     

带稀疏惩罚的LCNN盲目图像复原

为了加强算法的稀疏性和稳定性,在SCAD基础上提出了一种新的稀疏惩罚函数,并加入到拉格朗日约束神经网络中,以克服传统盲源分离方法和独立分量分析方法的缺陷,有效地避免了方程的病态问题,提高盲目图像复原的稀疏性、稳定性和准确性。通过人工数据和真实数据的不同复原算法对比实验,证明了带稀疏惩罚的拉格朗日约束神经网络盲目图像复原技术具有良好的图像复原效果。     

应用Khatri-Rao积分解的DS-CDMA盲多用户检测

对多用户直接序列码分多址(DS-CDMA)系统的多用户检测进行了研究,提出了一种基于Khatri-Rao积分解和连续干扰抵消的KRPSIC盲多用户检测算法。该算法充分利用DS-CDMA系统接收信号所具有的Khatri-Rao积结构性质,在用户扩频码、信道衰落系数均未知的情况下实现多用户检测,证明了算法的可辨识性和单调收敛性。仿真结果表明KRPSIC算法的误码率性能接近非盲的迫零算法,其作为一种非浅性迭代算法,在多用户检测的过程中对迭代初值的选取不敏感,当使用随机值初始化时算法依然有效。     

微弱高频CW信号的自适应滤波

高频电报(CW)是强噪声背景下战术应急通信的主要工作方式,由于高频信道是典型的随参信道,不可能事先已知干扰噪声的统计特性。该文提出了一种基于ARMA新息模型的CW信号自适应Kalman滤波方法,以解决高斯背景下高频电报系统干扰噪声方差未知的问题。根据CW信号的时频域特征定义状态空间随机信号模型,构造ARMA新息模型,通过在线辨识新息模型参数来估计Kalman滤波增益,实现CW信号的自适应跟踪滤波。仿真结果表明,该方法能够有效估计微弱高频CW信号时域波形,算法可递推实现,实时性强。     

一种基于扩展Infomax的自适应学习算法

独立向量分析根据信源统计独立特性对观测信号进行分离运算,扩展Informax算法既能分离超高斯信号,也能分离亚高斯信号,得到广泛的应用。本文基于扩展Infomax算法特点,提出了一种自适应的学习算法,该算法使得学习步长根据信号的代价函数变化而变化,克服了扩展Infomax算法在稳态步长调整过程中的不足,仿真结果证实了该算法的有效性。     

一种改进的递归神经网络盲均衡算法

提出了一种新的基于递归神经网络的快速收敛盲均衡算法。设计中采用观测信号的四阶统计量构造代价函数,简化了系统的复杂度;利用实时递归学习算法对系统参数进行动态调节。该算法具有镇定性,其收敛性能不会受到失真信道的影响,适用于均衡衰落性严重的信道。实验仿真结果表明对具有频率选择性衰落的非线性信道,该算法在收敛速度和对抗码间串扰方面都具有良好的性能。     

基于循环神经网络的OFDM系统的失真补偿(英文)

在OFDM系统的发射机部分高功率放大器常常引起发射信号的非线性失真。对角循环神经网络是一类经过修正的全连接循环神经网络,在系统动态行为的俘获方面具有明显的优势。该文引入了这类对角循环神经网络,对发射信号在高功率放大之前进行前置补偿,对网络的训练提出了梯度下降算法。该算法具有更少的RAM需求和以盲起点为初始值的更快的网络收敛速度的特点。仿真显示以该神经网络作为前置补偿,系统具有更快的收敛速度和更少的RAM。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

偏亚高斯语音信号有效分离ICA方法研究

针对扩展Infomax语音分离算法仅只对无偏信号的概率密度分布进行建模的不足,提出了一种有效分离的有偏亚高斯信号ICA算法。通过修改扩展Informix算法所基于的Pearson混合模型,使修改后的模型既能较好地逼近对称的概率密度分布,又能逼近非对称的概率密度分布,从而在源信号是非对称分布的情况下,能获得更好的分离质量和较快的收敛速度。