基于改进源信号数目估计算法的欠定盲分离

两步法是解决稀疏信号欠定盲分离的一种常用方法,通常首先利用K-means聚类算法估计混叠矩阵,然后利用最短路径法恢复源信号。在使用K-means聚类算法时要求知道源信号的数目,而现实中往往不知道源信号的数目,需要对其进行估计。因此研究了聚类有效性评价指标——BWP指标,结合粒子群算法,提出了一种改进的确定源信号数目的算法,并将这种算法引入到欠定盲分离。实验表明,提出的算法在保证分离精度的同时能缩短分离时间,并可节省一定的内存,在观测信号数据量大时,这种优势更加明显。     

盲分离中LMS和RLS两种算法的比较

盲源分离试图从给定的一组混合观察数据中恢复未知的独立信源：本文简要阐述LMS和RLS两种自适应算法,用Matlab对一组混合通信信号进行分离实验,考察算法的特性和效果,并进行比较分析。结果表明：LMS算法与RLS算法相比,RLS算法的收敛性能更好一些,而在RLS算法中,自然梯度RLS法又是最优的。     

基于稀疏性盲源信号估计算法研究

随着欠定盲信号分离技术的日益发展,在独立分量分析的基础上发展出来许多新的算法,本文介绍了基于稀疏性的欠定盲源分离技术,其解决了欠定情况下的源信号估计问题。     

一种基于盲源分离的DOA估计方法

方位估计和信号恢复分别是水下目标跟踪和识别的前提. 基于平均时间延迟相关矩阵提出了一种复数域盲源分离方法, 在此基础上实现了DOA估计和信号恢复. 实验结果表明, 该方法在同等条件下完成同样的方位分辨要优于多重信号分类(Multiple signal classification, MUSIC)方法.     

一种新的用于语音分离的盲源分离算法

提出了一种基于自然梯度的语音盲分离改进算法。该算法首先使用奇异值分解（SVD）的方法对观测信号进行预白化处理,而后使用自然梯度算法对预白化处理后的观测信号进行分离。通过计算机模拟试验,结果显示该算法能够有效地分离随机混合的自然语音信号。     

盲源分离自适应算法的改进

指出了盲源分离自适应算法之间的联系,在满足多种性能择优标准前提下,引入了改进的非线性函数,该函数有效地实现了语音信号的盲分离,同时也提高了算法的收敛速度,实验表明该方法能够更快速地分离混迭语音。     

一种采用云自适应粒子群算法的盲源分离

针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整.仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好.     

一种基于NPCA的自适应变步长盲源分离算法

收敛速度和稳定误差是在线盲源分离算法的两个重要的性能指标。为了加快算法的收敛速度,提高算法的跟踪性能,提出一种基于NPCA的自适应变步长盲源分离算法。该算法的迭代步长随着输入信号和混合矩阵的变化而变化,因而具有更好的跟踪性能。仿真结果表明,该算法提高了NPCA算法的收敛速度和跟踪性能。     

基于遗传算法的盲源信号分离技术研究

提出一种采用遗传算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法基于迁移策略,应用交叉和变异方法,生成新一代的染色体,对由多个源信号混合而成的信号进行盲信号分离。实例表明了该方法的有效性。     

基于神经网络的含噪动态源分离算法

针对含噪声且源信号数目动态变化条件下的混合信号分离问题进行了研究,提出了一种新型在线盲源分离算法,该算法包括两部分:一是基于最小描述长度(MDL)的动态源数目估计算法,该算法能实时精确地估计出瞬时源数目;另一个是基于偏差去除的变步长神经网络算法,该算法采用前馈神经网络结构,在学习准则中加入了相应于噪声的偏差去除项,并在此基础上给出了变步长策略。仿真实验表明,新型算法在含噪静态源和动态源中都具有优异的分离性能,并且优于现存的针对动态源的盲源分离算法。     

基于RLS算法的DPSK解调方法

本文研究了一种基于自适应算法的解调差分相移键控(DPSK)信号的方法。采用常用的递归最小二乘法(RLS)自适应算法．研究了自适应解调方法对DPSK信号的解调及其性能。计算机模拟结果表明，基于这种算法的自适应DPSK解调完全可行且性能优越．而且便于用数字信号处理技术实现，期望该设想能起到一定的作用。     

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.     

基于偏度的低空目标声信号盲抽取算法

针对盲源分离信号顺序的不确定性以及基于峭度的盲抽取算法运算量大的问题,本文提出一种基于偏度的低空目标声信号盲抽取算法.该算法利用偏度的非对称性,将其作为信号非高斯性的度量,抽取出的信号可以按偏度绝对值的降序排列.与基于峭度的盲抽取算法相比,该算法大大减小了运算量,同时具有较好的分离效果,且对于噪声具有鲁棒性.声音信号及...     

基于峭度的BSS开关算法的语音信号盲分离*

盲信号处理算法主要有批处理和自适应算法两类,导出了一种基于峭度的自适应盲源分离（blind source separation,BSS）开关算法,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。与批处理中的典型算法,如扩展联合对角化（joint approximative diagonalization of eigenmatrix,JADE）和四阶盲辨识（fourth orther blind identification,FOBI）算法比较,该算法具有更好的分离效果。     

基于奇异值的信源数估计方法

信源数估计是空间谱估计中的重要内容,在估计采用不同的判决准则时,往往需要利用信号协方差矩阵的特征值来进行信源数估计。新算法采用数据矩阵的奇异值分解,通过奇异值建立不同判决准则的判决函数。该算法无需进行协方差矩阵估计,也不需要利用奇异值求解特征值,减少了运算量和估计误差。同时,对数据矩阵进行平滑操作,可以解决信号相干性问题。通过数学推导和计算机仿真,证明了算法的正确性。     

JADE盲信号分离算法失效问题研究

分离（或解混合）矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法.本文在分析该算法原理的基础上,从理论上找出了算法失效的原因,即源信号相关性越强,JADE盲信号分离算法失效问题越严重,并通过仿真实验证明了理论分析结果的正确性.     

基于门诊号源的均匀分布算法的设计与研究

文章主要为了解决在已设置好的基础号源中均匀地设置给定数量的"网上开放"号源,从而达到网上限号的目的.解决方法:假设基础号源数为M,需要设置的"网上开放"号源数为N,将N与M进行约分,得到最小分子(FZ)和分母(FM),然后将基础号源数M分成多个FM,然后在每个FM中取FZ个号源设置成"网上开放"号源.这种方法的好处是让...     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.     

一种具有快速跟踪能力的改进RLS算法研究

为了改善固定遗忘因子BLS(Recursive least-square)算法在时变系统中的跟踪性能,提出了一种改进的BLS算法.改进的BLS算法结合了可变遗忘因子的BLS算法和自扰动BLS算法,既克服了固定遗忘因子RLS算法中跟踪速度和参数失调的矛盾,而且也避免了当参数估值趋向于参数真值时,卡尔曼增益趋于零,从而BLS算法失去对时变系统的跟踪能力的问题.最后,在MATLAB平台下,对改进后的RIS算法进行了仿真验证.仿真结果表明,算法具有较快的收敛速度和跟踪速度以及较小的稳态误差.