基于核密度最大熵方法的杂系混合信号盲分离*

传统的独立分量分析方法普遍存在的非线性评价函数只能凭经验选取,当混合信号同时包含超高斯和亚高斯信号时,算法难以取得很好的分离效果。利用基于随机变量矩的核密度最大熵方法对非线性函数进行直接估计,提出了基于核密度最大熵方法的杂系混合信号盲分离算法,成功地分离了杂系混合信号。仿真结果验证了算法的有效性。     

一种改进牛顿法的盲源分离算法

针对盲信号分离中超高斯信号亚高斯信号混叠难以分离的问题,提出一种基于改进牛顿法的盲源分离算法.该方法引入开关准则,利用随机变量的峭度来区分信号的类型,不同的信号选择不同的非线性函数,通过牛顿迭代方法求出分离矩阵,实现同时含有超高斯信号和亚高斯信号的杂系混合信号的盲源分离.仿真实验表明了该方法计算量小,易于实现,对于杂系...     

基于品质函数估计的非线性盲源分离算法

研究非线性盲源信号分离优化问题。由于混合信号同时包含超高斯和亚高斯信号且混合信号具有很强的非线性时,传统的非线性盲源分离算法中对于品质函数的选取一般都是通过经验,现有算法难以取得理想的分离效果。在Pearson模型的基础上提出了一种新的估计品质函数的方法,算法能够成功地估计出次高斯(sub-Gaussian)和超高斯(super-Gaussi-an)混合信号的品质函数,同时克服了Pearson模型对同类信号只能估计得到相同的品质函数的缺陷,提高了算法的估计精度。通过在MATLAB仿真验证了算法的可行性和有效性,成功估计出源信号的品质函数且实现了非线性盲源分离。     

基于核估计的超定混合共轭盲信号分离方法

当混合信号的个数多于源信号时,盲源分离模型中的混合矩阵被描述为一个超定矩阵,因此不能直接通过估计逆矩阵的方法来得到分离矩阵。针对该线性超定混合情况提出了一种基于共轭梯度的盲源分离方法。该方法基于最小互信息准则,通过对行满秩分离矩阵的奇异值分解而引入了超定盲源分离的代价函数。利用共轭梯度优化算法推导出了迭代计算分离矩阵的更新公式。在每次迭代计算中,利用随机变量概率密度估计的核函数法在线估计分离信号的评价函数。避免了诸多传统盲分离算法中只能凭经验选取特定的非线性函数来代替评价函数的问题。仿真结果验证了所提算法的有效性。     

基于信号稀疏特性和核函数的非线性盲信号分离算法

文章结合核函数,把基于信号稀疏特性的线性盲分离方法应用于非线性混叠情况而给出了一种非线性混叠信号盲分离算法。该算法首先将混叠信号映射到高维核特征空间,其次,在核特征空间中构造一组正交基,通过这组正交基将高维核特征空间的信号映射到这组正交基张成的参数空间中,从而把非线性混叠信号盲分离问题转化为参数空间的线性混叠信号盲分离问题。最后,在参数空间中,应用基于信号稀疏特性的线性盲分离方法对信号进行分离。该算法收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。     

一种基于后非线性盲分离的图像解混技术研究

文中将一种后非线性盲分离算法应用于图像解混,该算法不需要额外的附加源信号信息,实现了非线性混合图像的全盲分离.首先,对后非线性混合模型进行微分变换,形成如同线性瞬时混合模型的形式,经论证源信号的微分形式仍保留了源信号的统计特性,达到简化的目的;其次,依据信号的相关特性来建立相应的目标函数及其递推方式,实现盲信号分离目的;最后,通过仿真试验来验证文中算法的有效性、可行性.实验证明,所采用的算法计算量小、收敛速度快、分离指标高,实现了混合图像的全盲分离,扩大了盲分离算法在图像解混技术中的应用范围及影响.     

一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析（ICA）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离，并针对算法中的非线性函数与源信号概率分布密切相关，而源信号的分布却是未知的先验信息的问题，利用算法输出信号的峰度对非线性激活函数进行自适应选择，提出了一种改进的自适应不完整自然梯度算法，并将其应用于模糊图像的盲分离，分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比，计算耗时更少、性能指标明显优越。     

基于时变自回归模型的FAJD盲源分离算法

为实现多高斯源和相关源信号的盲分离,在快速近似联合对角化(FAJD)算法的基础上,将故障诊断领域的时变自回归理论成功地应用于相关源信号的盲分离和多高斯源信号的盲分离.首先采用时变自回归模型(TVAR)对源信号建模,并通过白化预处理使得建模后的源信号具有可联合对角化的结构;然后,通过基函数加权和的方法将时变参数近似为已知基函数的加权和的形式,将其变成时不变的参数,再通过递推最小二乘法求解出模型系数矩阵组;最后,将所求出的系数矩阵组作为快速近似联合对角化的目标矩阵组,通过FAJD算法实现混合信号的分离.Matlab仿真实验验证了所提出的算法对于相关源信号和多高斯源信号的分离是行之有效的.由于算法中TVAR模型的优良特性,此算法非常适用于混合通信信号的盲分离.     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

基于核方法的工频干扰消除算法

提出了一种新的基于核方法的工频干扰消除算法。利用构造参考信号的方法,将工频干扰消除问题转换为盲信号分离问题。通过核方法向高维特征空间的数据映射克服信号采集传感器的非线性畸变效应,利用信号的时间可预测性实现对输入信号的分离,从而得到不含工频干扰的有用信号。仿真实验结果表明,算法能够有效克服传感器的非线性畸变影响,很好地消除心电信号和地震信号中的工频干扰。     

组合核支持向量机的模式分析新方法

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和多项式核函数进行有效的线性组合,给出一种新的支持向量机的组合核函数,提出一种基于再生核的组合核函数支持向量机的模式分析方法,该方法兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低。仿真实验结果表明：支持向量机的核函数采用基于再生核的组合核函数是可行的,且此核函数不仅具有核函数的非线性映射特征,而且也继承了核函数对非线性逐级精细逼近的特征,模式分析的效果比单核函数可以更加细腻。     

Nonlinear blind source separation using kernels

We derive a new method for solving nonlinear blind source separation (BSS) problems by exploiting second-order statistics in a kernel induced feature space. This paper extends a new and efficient closed-form linear algorithm to the nonlinear domain using the kernel trick originally applied in support vector machines (SVMs). This technique could likewise be applied to other linear covariance-based source separation algorithms. Experiments on realistic nonlinear mixtures of speech signals, gas multisensor data, and visual disparity data illustrate the applicability of our approach.     

EM‐based adaptive divided difference filter for nonlinear system with multiplicative parameter

This paper is concerned with application of expectation maximization (EM) algorithm for deriving an adaptive version of divided difference filter for joint state estimation and multiplicative parameter identification of nonlinear system with the colored measurement noise. Owing to the fact that there exist a mutual coupling and interaction of state and parameter on each other, it requires a joint or simultaneous estimation of both state and parameter by a mutual iteration, and justly, EM iterates Expectation (E‐)step and Maximization (M‐)step to meet such requirement. Firstly, E‐step involves state filtering and smoothing issues under knowing the previous parameter identification results, which is well solved by resorting to the Gaussian approximation with a trade‐off between accuracy and complexity. Further, such Gaussian approximation estimators are applied for evaluating the condition expectation of complete‐data likelihood function, nonlinearly characterized by the multiplicative parameter needed to be optimized. Secondly, M‐step deals with the maximization of the condition expectation by directly making its derivative as zero to obtain the current general parameter identification equation as the nonlinear integral. Thirdly, by iteratively operating E‐step and M‐step, an adaptive divided difference filter is proposed for joint state estimation and parameter identification by using the second‐order Stirling interpolation to compute the associated nonlinear integral. Finally, the robust performance of the EM‐based adaptive version of divided difference filter to the unknown or time‐varying multiplicative parameter, as compared with the standard augmentation method, is demonstrated by a maneuvering target tracking example. Copyright © 2016 John Wiley & Sons, Ltd.     

基于KRLS的非均匀采样非线性系统辨识

利用提升技术可将非均匀采样非线性系统离散化为一个多输入单输出传递函数模型,从而将系统输出表示为非均匀刷新非线性输入和输出回归项的线性参数模型,进一步基于非线性输入的估计或过参数化方法进行辨识.然而,当非线性环节结构未知或不能被可测非均匀输入参数化表示时,上述辨识方法将不再适用.为了解决这个问题,利用核方法将原始非线性数据投影到高维特征空间中使其线性可分,再对投影后的数据应用递推最小二乘算法进行辨识,提出基于核递推最小二乘的非均匀采样非线性系统辨识方法.此外,针对系统含有有色噪声干扰的情况,参考递推增广最小二乘算法的思想,利用估计残差代替不可测噪声,提出核递推增广最小二乘算法.最后,通过仿真例子验证所提算法的有效性.     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

Linear fixed-point smoothing by using functional analysis

A new approach to the fixed-point smoothing problem for linear stochastic distributed parameter systems is proposed by using functional analysis. The number of sensor locations is assumed to be finite and the error criterion is based on the unbiased and least-squares estimations. The algorithm for an optimal fixed-point smoothing estimate is derived by using Itô's stochastic calculus in Hilbert spaces. By applying the kernel theorem to these results, a family of partial differential equations for the optimal fixed-point smoothing estimate is derived. The existence and uniqueness theorems concerning the solutions for both the smoothing gain and the smoothing estimator equations are proved. Finally, usefulness of the algorithm is illustrated with a numerical example.