基于盲均衡的水声信号波形恢复

本文针对水声信号波形恢复问题,提出基于四阶累积量的盲均衡水声信号处理方法,建立了适用盲均衡算法模型.在输入不同信号序列的情况下,分别对实系数和复系数信道进行信号均衡仿真,并用水池实验实录数据检验,其信号均恢复较好.     

基于支持向量机的水声信道盲均衡算法研究

水声信道的带宽极为有限,与需要训练序列的自适应均衡算法相比盲均衡技术节省了带宽,特别适合高速水声通信和多点通信。针对基于高阶统计量的盲均衡算法收敛速度慢的缺点,研究了一种基于支持向量机的盲均衡算法,它收敛速度快并具有全局最优解。通过对浅海信道触发通信信号的计算机仿真,证明了算法的有效性。     

基于频谱相关的时域盲分离排序算法

由于水声信道的时变性,水声信号分离后存在排序模糊性,限制了盲分离算法的应用.针对盲分离后信号存在排序模糊性的问题,提出了一种基于频谱相关的盲分离排序算法.根据水声环境中各信号的频谱差异,对分离后信号进行重新排序,来改善盲分离算法的排序模糊性.仿真实验表明,该算法可以有效消除分离信号的顺序不确定性,提高盲分离算法的性能.     

基于邻近频点相关特性的水声信号盲源分离

排序和幅度不一致性是信号频域盲源分离的主要困难。该文建立了邻近频点相关特性理论,并针对水声信号进行深入研究,结论表明单个水声信号邻近频点间相关特性良好,且性能非常稳定;而两个不同水声信号邻近频点相关性非常弱。提出基于邻近频点相关特性的盲源分离算法,用于消除卷积信号盲源分离过程中排序不确定性,实验表明该方法对卷积混合形式的水声信号能取得较好分离效果。     

一种抵抗水声信道多途干扰的新的盲均衡算法

由于在时变水声信道中会产生随机相位失真，CMA算法的误码性能严重下降。在双模式盲均衡算法的基础上，提出了一种适用于水声信道的新的盲均衡算法——NCMA算法。计算机仿真结果表明，在时变水声信道中，该算法性能优于双模式算法，能够达到对信号相位失真的恢复，并且收敛性能优于双模式算法。     

稀疏水声信道判决反馈盲均衡算法研究

针对高速水声通信中信道的稀疏特性,提出了一种基于常数模准则的稀疏水声信道判决反馈盲均衡算法。该算法将改进的常数模算法与一种变化的判决反馈均衡器结构(部分反馈均衡器)有机结合,利用水声信道的稀疏特性,不但很好地实现了稀疏水声信道的盲均衡,而且简化了计算,易于算法的硬件实现。用典型稀疏水声信道进行了计算机仿真。结果表明,该算法性能稳定,计算量小,稳态均方误差低,整体性能与基于自适应LMS的稀疏迭代算法接近。该研究为高速水声通信中稀疏信道的均衡提供了一种可实现的方法。     

盲均衡算法抵抗水声信道多途干扰的实验研究

介绍了盲均衡器对具有多途效应的BPSK相干水声通信数据均衡的实验结果。采用Matlab编程，获得了符合盲均衡要求的信源信号，通过在水池发射具有低频载波的信号，获得了具有多途水声信道特性的BPSK数据，经过解调、同步等处理后，检验了隐含和直接使用高阶统计量的盲均衡算法对实际多途水声信道的均衡效果，并与传统的自适应均衡算法进行了性能对比。结果表明，一种常数模判决反馈盲均衡算法，获得了与自适应算法很接近的性能。     

单通道混合信号盲分离算法

介绍了单通道混合信号的概念及盲源分离的现状,对实时线性混叠盲分离方法展开研究,分类探讨基于变换域滤波、多参数联合估计、符号序列与信道参数联合估计以及多维映射的单通道混合信号盲分离方法,分析比较各类盲源分离方法的处理对象、前提条件和优缺点,并进行了总结.最后通过仿真实验分析了基于粒子滤波与编码辅助的单通道盲分离方法中粒子数目、编码方式、源信号幅度比和频差等对分离算法性能的影响.     

基于单个频点的水声信号盲源分离

该文提出基于单个频点的卷积信号盲源分离方法,利用该方法不但可以有效克服频域盲分离过程中排序不确定问题,而且在分离过程中,无需考虑幅度不一致问题。将该方法用于水声信号的盲分离,仿真结果表明基于单个频点盲源分离方法能够很好地分离水声卷积混合信号。与基于两个频点盲源分离方法相比较,其分离效果更优,并且能有效节省CPU运算时间,因而更适合于对信号进行实时处理。     

基于正交小波变换的前馈神经网络盲均衡算法

针对前馈神经网络（FNN）盲均衡算法收敛速度慢、均方误差大的缺点,在分析FNN盲均衡算法和正交小波变换（OWT）理论的基础上,提出了基于正交小波变换的FNN盲均衡算法。该算法利用正交小波变换良好的去相关性,对FNN均衡器输入信号进行预处理后,降低了输入信号的自相关性,从而加快了收敛速度和减小了均方误差。水声信道盲均衡的仿真结果表明,该算法在收敛速度与均方误差方面的性能比FNN盲均衡算法优越。     

基于峰度自然对数最大化的信号盲分拣算法和盲波束形成

该文基于峰度自然对数最大化准则,提出了一种自适应一元信号盲分拣算法,提出的算法可以用于一元信号盲分离和进行盲波束形成,与基于峰度值最大化准则的KMA算法相比,收敛速度快,有较强的稳健性,将非线性函数引入学习速率的调节,算法自动选取学习步长,避免了人工选取学习速率不当而导致算法发散。同时,提出了两种复数抽气算法,配合一元信号盲分拣算法可以依次分离多个信号源,仿真试验验证了算法的有效性。用提出的算法在四元线阵上盲分离两个水声信号,结果发现,一元信号盲分离实现的盲波束形成波束图与最优波束接近。     

一类基于非线性PCA准则的复数信号盲分离算法

在阵列信号处理过程中，经常遇到复数信号盲分离问题。例如，卷积混合型的源信号的盲分离；声纳信号盲分离。本文提出了一类基于非线性准则的复数信号盲分离算法。将非线性函数引入学习过程，由算法自动调节学习速率。计算机仿真实验验证了算法的有效性，文中给出了验证结果。     

基于独立分量分析的PCMA信号盲分离算法

针对非协作通信中成对载波多址(Paired Carrier Multiple Acess,PCMA)信号的盲分离问题,提出了一种基于独立分量分析(Independent component analysis,ICA)的单通道盲分离算法。首先对接收到的单路PCMA信号进行参数估计得到其残余载波频率,再对其处理得到两路基带混合信号,最后利用ICA算法分离出源基带信号。该算法在未知两个卫星地面站发送信号的情况下,从接收到的PCMA信号中恢复出两路源基带信号。仿真实验表明,本文算法在信噪比为-10dB时仍具有良好的分离效果,两路基带信号的波形相似系数可分别达到0.94与0.86以上。     

一种源信号盲分离有效算法

本文研究接收信号维数大于源信号维数的盲分离，提出了一种基于广义特征函数的信号盲分离新方法，该方法提高了信号分离的精度，减少了计算量。文中就方法进行了理论推导，并给出了计算机仿真结果，仿真结果表明理论分析是正确的。     

基于信源数目估计的超定盲信号分离

针对盲信号分离中信道噪声大、信号分离效果差等问题,在传统主分量分析和特征值分解方法的基础上,提出了一种基于信源数目估计的超定盲信号分离方法。首先,采用主分量分析和最大似然估计方法分别对混合矩阵和噪声协方差进行估计,用于对信道噪声的估计与去除;然后,采用交叉验证法对源信号维数进行估计,实现盲信号分离。为了验证提出算法的分离效果,对轻拖尾与轻拖尾混合信号以及重拖尾与轻拖尾信号混合情况进行仿真实验验证,结果表明该算法具有良好的分离效果。     

MAXIMUM LIKELIHOOD SOURCE SEPARATION FOR FINITE IMPULSE RESPONSE MULTIPLE INPUT—MULTIPLE OUTPUT CHANNELS IN THE PRESENCE OF ADDITIVE NOISE

Blind identification-blind equalization for finite Impulse Response(FIR)Multiple Input-Multiple Output(MIMO)channels can be reformulated as the problem of blind sources separation.It has been shown that blind identification via decorrelating sub-channels method could recover the input sources.The Blind Identification via Decorrelating Sub-channels(BIDS)algorithm first constructs a set of decorrelators,which decorrelate the output signals of subchannels,and then estimates the channel matrix using the transfer functions of the decorrelators and finally recovers the input signal using the estimated channel matrix.In this paper,a new qpproximation of the input source for FIR-MIMO channels based on the maximum likelihood source separation method is proposed.The proposed method outperforms BIDS in the presence of additive white Garssian noise.