基于协方差矩阵对角化的盲信号分离

将基于协方差矩阵对角化的盲分离方法用于盲分离。当信号具有时间结构且空间独立时,通过对角化独立成分的自协方差矩阵（不同时延下的协方差矩阵）对混合信号进行盲分离。首先构造白化信号的时延协方差矩阵,然后选取不同的时延,将协方差矩阵的对角化程度表示成代价函数,最后利用梯度下降法得到分离矩阵。此方法和基于极大似然估计的FastICA算法的对比试验说明了此算法的有效性。     

欠定盲分离时变混合矩阵的估计

针对欠定盲分离中时变混合矩阵的估计问题,在稀疏域二维最小偏差角算法的基础上,提出了一种改进的欠定盲分离时变混合矩阵估计算法。该算法通过判断原始阵各列上是否都有观测点聚集和聚集在原始阵上的观测点以外的点的聚集方向,来检测变化时刻;并利用基于点密度大区域检测算法估计混合矩阵。改进算法对于混合矩阵发生某些列增加、消失和变化时均能检测出变化,并且在大幅提高变化时刻检测概率和混合矩阵估计精度的同时,降低了复杂度。实验仿真结果表明,在20 dB信噪比时,混合矩阵估计精度提高了60%以上。     

基于采样协方差矩阵的频谱感知算法仿真分析

为了克服噪声不确定度的影响,实现真正意义上的盲检测,该文介绍了3种基于协方差矩阵的感知算法,并通过基于MATLAB的仿真实验,综合对比并验证3种算法的感知性能。仿真结果表明,与基于最大最小特征值之比算法(Maximum-Minimum Eigenvalue,MME)和基于协方差矩阵绝对值算法(Covariance Abosute Value,CAV)相比,基于协方差矩阵Cholesky分解的感知算法(Covariance Cholesky Factorization,CCF)避免了对采样大小和采样维数的渐进假设,从而可以精确地设置判决门限,具有更高的检测性能。     

欠定盲源分离算法的研究现状及展望

针对盲源分离技术中欠定线性瞬时混合盲源分离的问题,基于"两步法"思路,从混合矩阵估计和源信号恢复算法两方面总结了国内外的研究现状,剖析了限制算法应用的理论问题,对欠定盲源分离下一步的研究工作进行了展望.     

一种最大密度检测欠定混合矩阵估计算法

针对源数未知条件下欠定盲源分离混合矩阵估计问题,提出了最大密度检测混合矩阵估计算法。在观测信号稀疏表示的基础上,首先对观测信号进行预处理;然后寻找观测信号的最大密度点;接着在此基础上确定有效样本点集合,再聚类得到辐射源数和混合矩阵。为验证算法的有效性,在时频单源点检测法和小波变换法下开展了仿真实验。结果表明,所提出算法的源数和混合矩阵估计效果优于参考算法,计算复杂度远低于参考算法。进一步实验表明,所提出算法对于正定、超定和欠定盲源分离混合矩阵的估计都具有较好的适用性。     

欠定模型下源信号及混合矩阵动态变化时的盲分离

提出了一种改进的两步法实现欠定模型下信源及信道动态变化时的盲分离。首先通过实时的观测信号,基于稀疏域二维最小偏差角判断混合矩阵的变化时刻,进而估计动态变化的混合矩阵并获得实时的源数目;再采用基于伪提取矢量的方法恢复动态的源信号。在源信号的恢复中,使用常规的基于线性规划的欠定盲分离方法,以进行对比。结果表明,该方法能处理信源及信道动态变化时的欠定盲分离,并且分离速度比基于线性规划的方法快数十倍。仿真结果表明了该算法的良好性能。     

基于EEMD的地声信号单通道盲源分离算法

针对只有一个观测通道时,基于矩阵运算的盲源分离算法将会失效的问题,提出一种适用于单观测通道的地声信号盲源分离方法.首先采用总体经验模态分解方法将观测信号分解为固有模态矩阵,使单通道的欠定问题转化为多通道的正定问题,再利用已有的盲源分离算法进行分离.仿真实验说明该方法可以抑制宽频及瞬态干扰,有效地提取源信号,而且对频带有...     

基于相似度检测的欠定混合矩阵盲估计

针对现有欠定盲分离混合矩阵估计方法中存在的估计精度低以及时间复杂度高等缺点,提出一种基于相似度检测的欠定混合矩阵估计方法.该方法能够在没有任何先验信息的条件下自适应地估计出源信号数目以及混合矩阵,而且不需要进行迭代,时间复杂度低.仿真结果表明,与现有的一些混合矩阵估计方法,如改进K-均值聚类法和拉普拉斯势函数法相比,所提出的方法在源信号数目估计准确率、混合矩阵估计精度以及时间复杂度等方面都具有明显优势.     

基于VMD-PARAFAC的轴承故障欠定盲源分离

针对传统的轴承故障欠定盲源分离方法需要施加约束的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和平行因子(parallel factor,PARAFAC)分析的欠定盲源分离方法.利用VMD算法将振动信号分解为多个带限本征模态函数(band-limited intrinsic mode functions,BLIM Fs),将这些BLIM Fs构造成三阶张量作为PARAFAC模型的输入,利用三线性交替最小二乘算法对模型分解,从而在宽松条件下实现复合故障信号的分离.仿真和实验结果表明,提出的方法是有效的,与传统的故障盲源分离方法比较,提出的方法在多故障盲源分离中更具有适应性和实用性.     

基于二阶统计量的盲辨识方法研究

在信号的预处理阶段,可简化盲源分离或独立分量分析方法,采用基于二阶统计量的盲辨识方法,分离不同功率谱的有色源信号,以改善自适应系统的收敛特性,消除冗余或减少噪声污染。提出了一种基于特征值分解的二阶统计量的盲辨识方法,可以较好地识别混合矩阵,对有色源信号进行盲源分离。通过不同时滞t的比较,以及不同算法的比较,证明了该辨识方法对不同的时滞在t=1时的分离效果最好,且该方法比其他方法的分离效果更好。     

Tensor decomposition of generalized generating function-based blind identification of underdetermined mixtures

Aimed at the problem of underdetermined blind identification, an algorithm based on generalized generating function decomposition is proposed, which no longer imposes sparsity restrictions on source signals. First, the second derivative matrices of the generalized generating function are stacked to the third-order tensor form, from which the number of source signals can be blindly estimated. Then the tensor is decomposed with singular value decomposition, and the mixture matrix is estimated by the joint diagonalization method. Simulation results validate the effectiveness of the proposed algorithm, and show that the proposed algorithm can acquire a better estimation precision than other classical algorithms with the same SNRs in the conditions of well-posed and underdetermined mixtures, meanwhile it extends the field of blind source separation application via the generalized generating function restricted only to the well-posed case.     

张量典型相关分析及其在人脸识别中的应用

针对源数据向量化常导致很高的数据维数,易使向量型学习算法陷入维数灾难和样本个数远小于特征维数的小样本问题,提出了一种新的张量典型相关分析算法,能直接对张量数据进行典型相关分析,由于其特征值分解的协方差矩阵维数大幅度减少,能有效降低计算复杂度和协方差矩阵奇异的问题。在Yale、ORL人脸数据库上验证了本文方法的有效性。     

基于张量域降噪的宽带DOA估计

针对低信噪比条件下远场宽带信号波达方向(DOA)估计精度低的问题,提出了一种基于张量域降噪的宽带DOA估计算法。首先,联合各子频带数据构造张量信号;然后进行高阶奇异值分解,并利用最小描述长度准则分离信号与噪声;其次,改进协方差矩阵拟合算法,利用L1范数对信号功率进行约束,获得L1约束问题模型并求解;最后,对所有窄带估计结果进行融合得到宽带信号DOA。仿真结果表明,该算法可有效地降噪,同时较求根多重信号分类算法和旋转不变子空间参数估计算法,该算法对DOA估计无需预知信源数目,且在低信噪比条件下具有较小的均方根误差。     

基于奇异值分解的多载波调制信号盲识别算法

针对高斯白噪声背景条件下,IFFT实现的多载波调制信号类内盲识别问题,提出了一种基于对构造数据矩阵进行奇异值分解的多载波调制信号盲识别算法。在无需知道任何多载波调制信号数据信息和扩频码类型及其长度等先验知识的条件下,根据构造数据矩阵的较大非零奇异值个数,按照简单的判定准则,即可准确判断多载波信号的类型,并取得了良好的效果。无需传统识别算法中特征提取之后复杂的分类器设计,简化了识别流程。理论分析和仿真均验证了算法的正确性和有效性。     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

一种计算复杂度低收敛速度快的递推Capon谱估计算法

基于递推最小二乘方法实现对观测信号自相关矩阵的逆R-1L的估计,研究了一种计算复杂度低和收敛速度快的Capon谱估计算法。该算法避免了用Cholesky分解、奇异值分解、QR分解或目前文献中见到的其他方法所带来的Capon谱估计算法计算复杂的缺点。同时,在信号自相关矩阵条件数不好时,该算法仍然可以进行信号的谱估计。仿真结果表明,尽管该方法的谱估计分辨率不如修正协方差谱估计法,但是两者相差不多,该方法非常有利于谱估计算法的实时实现和实际应用,并且还可以实现Capon幅值估计。