一种强鲁棒性的盲分离混合矩阵估计方法

针对传统盲分离混合矩阵估计鲁棒性差、易受初始值影响、精度不高等问题,该文将人工蜂群算法(ABC)用到盲分离中,结合稀疏信号混合矩阵估计的特点,提出一种基于不同搜索策略和编码方式的两阶段蜂群算法的混合矩阵估计方法,通过新的蜜蜂搜索行为和子蜂群之间的协同作业,明显加快了算法的收敛速度,提高了混合矩阵的估计精度。仿真实验表明,该方法在源个数较多、弱稀疏、低信噪比的情况下仍然可以很好地估计混合矩阵。相比已有方法,该方法不仅具有很强的鲁棒性和很高的估计精度,而且不需要太大的计算量。     

最小误码率准则盲源分离算法

针对通信混合信号的盲分离问题,结合通信系统中的误码率性能指标,本文提出一种基于最小误码率准则的盲源分离算法。本算法基本原理是,将推导的最小误码率准则结合最大似然原则建立盲源分离代价函数,形成一种最小误码率约束的代价函数,接着借助于自然梯度下降搜索,最小化代价函数实现盲源分离。仿真实验分析表明提出的最小误码率约束代价函数得到的盲源分离算法,比原有的最大似然原则代价函数得到的盲源分离算法,具有更好的收敛性能和分离精度。      

回溯式在线EASI盲源分离算法

针对现有的在线盲源分离算法在时变混合矩阵突变后初始阶段分离精度低的问题,提出一种改进的在线盲分离算法。该算法通过检测误差函数的变化来确定时变混合矩阵的突变点,并利用突变前收敛较好的分离矩阵对之前的观测数据进行回溯分离。仿真结果表明,对于具有间歇式突变的时变混合环境的场景,相较于传统在线盲分离算法,提出的回溯式在线EASI盲源分离算法能提高分离初始阶段的分离精度,有效地跟踪混合矩阵的突变。      

基于峰度的盲源分离算法研究与应用

在复杂电磁环境中,检测和分离频谱混叠信号的分析是极为重要且困难的研究课题.提出了一种基于独立分量分析(ICA)模型的改进盲源分离算法,探讨了信号的相关性和参数变化对算法分离效果的影响.利用峰度绝对值函数作为目标函数,采用改进的牛顿法寻优目标函数,实现了信号的盲源分离.理论分析和实验结果表明,该方法应用于雷达信号盲源分离时可以荻得比较好的分离效果,新算法能有效提高收敛速度,避免了传统算法中收敛的不均匀性.     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

一种快速高效的人工蜂群算法

针对人工蜂群算法收敛速度慢和易陷入局部最优的缺点,在雇佣蜂搜索阶段提出了一种基于多维搜索和一维搜索的混合搜索策略,能克服单一一维搜索下收敛速度慢的缺点,有效加快收敛速度;提出了新的跟随蜂蜜源选择策略,可保证种群多样性,增强算法全局搜索能力。通过对12个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和精度上均优于人工蜂群算法。     

一种充分利用变量结构的解卷积 混合盲源分离新方法

 针对卷积混合盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的联合块内对角化方法.为了求解表征联合块内对角化近似程度的基于最小二乘的三二次代价函数,给出基于梯度下降法的三迭代算法.该算法在充分利用混迭矩阵的块Toeplitz结构和源信号相关矩阵的块内对角化结构的基础上,交替估计代价函数中的三组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现信道的盲均衡和源信号的盲分离.分析了三迭代算法的收敛性能,证明即使存在估计误差时,该算法依然全局渐进收敛.仿真结果表明,与其他经典的两步算法相比,提出的一步算法能够更好地估计混迭矩阵并恢复出源信号,有效地解决了卷积混合盲源分离问题.     

改进的信息最大化语音盲分离算法

提出一种改进的基于信息最大化的语音盲分离算法,克服了以往算法收敛速度慢,串音误差大的缺点.新算法分析了多种非线性函数的转换特性,采用一种新的更合适的非线性函数,并依此推导出分离算法的学习规则.实验表明,改进的算法有效实现了混叠语音信号的盲源分离,收敛速度更快,串音误差更小,取得了良好、稳定的分离效果.     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

改进的变步长维纳系统盲源分离方法

基于非线性盲源分离的维纳系统算法中,采用固定步长导致算法的收敛速度和稳态误差之间存在矛盾,直接影响分离算法的性能。为了解决该问题,提出了基于非线性函数的变步长维纳系统盲源分离方法。该方法将更新的步长以非线性函数的形式引入到分离算法中,使得稳态时参数更新的步长尽可能小,以避免发生振荡。变步长算法在分离过程中的每次更新都会使步长自动进行合理的调整,使得收敛速度提高了53%,误差减小了45%。实验仿真表明,相对原算法,提出的维纳系统盲源分离方法可以更好地分离出信源信号,而且具有较小的误差和较快的收敛速度。     

Blind Signal Separation Using Steepest Descent Method

A method that significantly improves the convergence rate of the gradient-based blind signal separation (BSS) algorithm for convolutive mixtures is proposed. The proposed approach is based on the steepest descent algorithm suitable for constrained BSS problems, where the constraints are included to ease the permutation effects associated with the convolutive mixtures. In addition, the method is realized using a modified golden search method plus parabolic interpolation, and this allows the optimum step size to be determined with only a few calculations of the cost function. Evaluation of the proposed procedure in simulated environments and in a real room environment shows that the proposed method results in significantly faster convergence for the BSS when compared with a fixed step-size gradient-based algorithm. In addition, for blind signal extraction where only a main speech source is desired, a combined scheme consisting of the proposed BSS and a postprocessor, such as an adaptive noise canceller, offers impressive noise suppression levels while maintaining low-target signal distortion levels.     

动量项盲源分离算法及其性能优化策略

动量项技术是用来改善自适应盲源分离算法分离性能的有效手段,但算法在融入动量项后,其收敛特性对于动量因子的选取数值较为敏感,且算法的稳态性能仍要受到步长参数的限定.本文首先给出了动量项盲源分离算法的设计原理,分析了现有算法存在的两个缺陷性问题;然后利用梯度下降法构造了具有在线调整特性的动量因子自适应迭代规则,通过对动量因子的实时更新以消除固定动量因子算法的性能缺陷;在此基础上,基于凸组合理论设计了不同步长参数下两个变动量因子算法的自适应优化组合方案,从而在一定程度上缓解了步长参数对于算法性能的限定.在不同环境下进行的仿真实验表明,本文针对动量项盲源分离算法所设计的优化策略能够有效消除其所存在的缺陷问题,在确保快速收敛的同时,又能获取较小的稳态误差.     

Convolutive blind source separation based on joint block Toeplitzation and block-inner diagonalization

This paper takes a close look at the block Toeplitz structure and block-inner diagonal structure of auto correlation matrices of source signals in convolutive blind source separation (BSS) problems. The aim is to propose a one-stage time-domain algorithm for convolutive BSS by explicitly exploiting the structure in autocorrelation matrices of source signals at different time delays and inherent relations among these matrices. The main idea behind the proposed algorithm is to implement the joint block Toeplitzation and block-inner diagonalization (JBTBID) of a set of correlation matrices of the observed vector sequence such that the mixture matrix can be extracted. For this purpose, a novel tri-quadratic cost function is introduced. The important feature of this tri-quadratic contrast function enables the development of an efficient algebraic method based on triple iterations for searching the minimum point of the cost function, which is called the triply iterative algorithm (TIA). Through the cyclic minimization process in the proposed TIA, it is expected that the JBTBID is achieved. The source signals can be retrieved. Moreover, the asymptotic convergence of the proposed TIA is analyzed. Convergence performance of the TIA and the separation results are also demonstrated by simulations in comparison with some other prominent two-stage time-domain methods.     

New natural gradient algorithm for cyclostationary sources

A new natural gradient type algorithm (NGA) for the separation of cyclostationary sources is introduced. Based on the interpretation of blind source separation (BSS) as a two-stage process, including prewhitening and rotation, the cyclostationary NGA (CSNGA) algorithm is constructed such that it also ensures that the recovered sources are decorrelated in the cyclostationary sense. The method is generalised to the case of complex valued source signals, and modified so that adequate algorithm performance is attained even when only one source cycle frequency is known. The properties of the new algorithm are investigated when additive white Gaussian noise is present, and it is found that, in general, the CSNGA approach improves the convergence properties of the natural gradient algorithm. Computer simulations support the validity of the approach.     

结合ICA和复数神经网络的二麦阵列盲源分离技术

为了降低语音信号盲源分离算法的延时,提高其准确性和稳定性,本文结合传统盲源分离技术和深度神经网络的优势,提出了一种基于ICA独立分量分析和复数神经网络的二麦阵列盲源分离技术。本文将复数递归神经网络和独立分量分析方法有机融合,提出一种基于时频域的双通道复数神经网络,同时解决了独立分量分析中的排列问题。所提方法利输入混合信号利用复数域神经网络计算初始化分离矩阵,神经网络输出采用复数域形式,利用复数学习标签估计复数矩阵,然后采用独立分量分析方法获得目标分离矩阵。实验数据表明,所提方法相较于其它独立分量分析方法提高了盲源分离的实时性和准确性。      

基于滑窗递归广义特征分解的盲源分离方法

针对混迭矩阵发生突变的盲源分离（BSS）问题,提出一种基于二阶统计量的滑窗递归BSS方法。首先滑窗递归更新两个不同时延的自相关矩阵,然后结合幂迭代法和压缩处理在线计算矩阵束的广义特征向量以求得分离矩阵。与已有递归型盲源分离算法相比,该方法收敛速度快,追踪性能好,仿真结果验证了所提算法的有效性。     

基于二阶矩的雷达信号盲分离

针对雷达接收机在现代战场复杂电磁环境下接收到的混叠信号,提出了一种基于二阶矩的信号盲源分离方法。在混合信号球化过程中,对于具有加性白噪声的模型,构造了一组新的协方差矩阵,在信噪比不是很高的情况下,使其不会影响分离结果。在协方差矩阵对角化过程中,采用自然梯度的方法,避免分离矩阵更新过程中的求逆问题,提高了算法的实时性。仿真实验证明,在信噪比为-10 dB的条件下,对比FastICA算法,所提算法分离精度高,收敛速度快,为进一步的信号识别提供可靠依据。     

语音信号识别基于盲源信号分离的实现

为了识别两路频谱混叠语音信号,多采用盲信号分离的方法。但是该方法在工程实践中实现较困难。因此给出了一种利用盲源信号分离的原理及特点的实现方法,具体说明了用FastICA算法在ADSP_BF533平台上实现盲源信号分离时的具体流程。该设计方案所需时间短,效率高,而且占用内存较少。