L-DACS中的信号分离算法的研究

L波段数字航空通信系统(L-DACS)是未来20年乃至更长时间航空通信需求的航空通信系统。为了解决接收机更好地区别有用信号,通过研究固定步长EASI算法和变步长EASI(VS-EASI)算法,提出一种基于优选估计函数的EASI峭度变步长(Q-EASI)算法。该算法根据信号的分离状态与峭度方差的关系,使步长随峭度方差的变化而变化,从而使收敛速度与稳态误差之间的矛盾得以缓解,并在信号分离的不同阶段使用不同的估计函数,使稳态误差得以减小。仿真验证,新算法相对于传统算法在稳定性和收敛速度上都有较大提高。     

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。     

基于串音误差与分离度的变步长EASI盲源分离算法

当源信号各分量差异较大或全局矩阵为非行元素优势矩阵时,基于串音误差的变步长等变自适应分离(EASI)算法难以正确评价分离效果,导致步长选取错误。针对该问题,提出一种改进的变步长EASI算法。通过计算基于串音误差的步长平方根适当增大步长,同时定义信号分离度对步长做进一步调整,减小因串音误差分离结果评价不准确而导致步长错误变小的影响。仿真结果表明,该算法具有较好的步长调节能力,相对传统EASI算法和基于串音误差、基于串音误差步长平方根、基于分离度的变步长EASI算法分离效果更佳。     

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。     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

一种改进的自适应混合神经网络盲分离算法

传统的前馈神经网络盲源分离算法由于步长固定存在许多缺点,而基于Sigmoid函数的自适应步长算法虽然能够克服固定步长算法的缺陷,但其稳态性能较差。针对这个问题,提出一种改进的自适应步长算法,该算法可灵活地控制步长因子函数的形状,在近零点处变化较Sigmoid函数更加缓慢,性能更加优越;同时针对前馈神经网络的不足,在前馈神经网络结构中引入递归结构,利用改进的自适应步长算法控制学习速率。仿真分析表明该算法具有更快的分离速度和更加优越的分离效果。     

一种动量因子自适应自然梯度的盲分离方法

自然梯度算法是处理盲源分离问题的一个重要方法。基于信号分离度的概念以及BP算法中的动量因子,在自适应步长的基础上加入了基于分离度自适应变化的动量因子,提出了一种改进算法来更好处理速度和分离之间的矛盾;通过仿真验证了改进算法的优越性。     

盲源信号分离EASI算法研究与改进

研究EASI算法,以串音误差为衡量盲源信号分离效果的指标,给出EASI算法的仿真结果及性能分析。验证EASI算法的有效性,总结EASI算法应用于盲信号分离的优点与不足,并提出利用模拟退火策略有效地结合两种步长的优点,在初期快速下降,在后期精确收敛。结果表明,在本实验中使用模拟退火策略来调整学习率是简单有效的。     

一种快速收敛的变步长自适应谐波检测算法

为解决传统固定步长LMS自适应算法在电网谐波检测中存在的收敛速度和稳态误差之间的矛盾,本文提出了一种快速收敛的变步长自适应谐波检测算法。该算法以误差反馈信号、误差信号在总误差信号中所占的比率以及负载电流的相邻两个采样值之差的和作为自适应反馈量,并通过自适应反馈量的相干平均估计来控制步长的更新;同时对系统权值迭代公式进行改进提高收敛速度;并改传统的固定步长变化范围为时变范围,使步长变化更加平滑。该方法在负载突变的情况下有很好的跟踪性能,可有效的提高初始收敛速度、减小稳态失调。仿真分析及实验证明了该算法在谐波检测中的有效性和准确性。     

一种改进的变步长自适应谱线增强算法

传统的变步长最小均方误差(VS-LMS)算法在自适应稳态阶段步长变化较大,为有效解决这一问题,对算法中的参数进行了修改,提出了一种改进的变步长自适应谱线增强算法.新算法根据步长调整原则,通过改进步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大、稳态阶段步长减小.经理论分析和仿真实验验证,新算法的时域和频域波形信息均优于原算法,具有良好的降噪性和稳定性以及较快的收敛速度,可更好地应用于自适应系统中.     

提高盲源分离算法有效性的研究与应用

基于信息最大化（Informax）的独立分量分析（independent component analysis-ICA）盲源分离（blind source separation-BSS）算法中,采用现有的非线性转换函数,算法的收敛速度慢、串扰大,分离结果不确定。针对这些不足,本文设计了新的分离函数、推导出新的分离矩阵,并进行了仿真,实验结果验证了：采用新算法可使BSS速度加快、分离后语音信号串扰减小,并在一定程度上解决了BSS排序不确定的问题。     

基于改进蜂群聚类的欠定盲源分离

针对欠定盲分离中混合矩阵估计精度不高的问题,采用了改进的人工蜂群（ABC）聚类算法。从观测信号的线性聚类特点和蜂群的多样性考虑,改进雇佣蜂的搜索策略,从而加快算法的收敛速度。同时,引入基于Levy飞行的局部搜索方法,进一步对当前最优解的邻域进行搜索,提高ABC算法局部开发能力。仿真结果表明,该方法在源个数较多的情况下仍然有较高的混合矩阵估计精度。     

基于有理非线性函数的Fast-ICA算法

利用Fast-ICA算法进行超高斯信源盲分离时，计算其目标函数所选取的非线性函数主要是双曲正切函数（tanh）和高斯函数（gauss）。由于tanh和gauss函数的计算负担较大，从而增加了分离混合信号的运行时间。为了提高Fast-ICA算法的收敛速度，提出两个有理非线性函数用于代替tanh和gauss，使得改进的Fast-ICA算法在提高计算速度的同时保持或提高信号的分离性能。仿真实验验证了改进算法的有效性。     

融合极点对称模态分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离的观察信号少于源信号,且传统的盲源分离方法往往忽视信号非平稳性的问题,提出一种基于极点对称模态分解和时频分析的盲分离算法（ESMD-TFA-BSS）。首先,采用极点对称模态分解方法将观察信号分解成不同的模态,采用贝叶斯信息准则（BIC）估计源信号个数并利用相关系数法选取最优观察信号,由原观察信号与最优观察信号组成新的观察信号;其次,根据新的观察信号计算白化矩阵并将其白化,利用平滑伪Wigner-Ville分布将白化后的信号拓展到时频域,采用矩阵联合对角化方法计算酉矩阵;最后,根据白化矩阵和酉矩阵估计源信号。在盲源分离仿真实验中,ESMD-TFA-BSS的估计源信号与仿真信号的相关系数分别为0.9771、0.9784、0.9660,基于经验模态分解和时频分析的盲分离算法（EMD-TFA-BSS）的相关系数分别为0.8697、0.9706、0.8548,ESMD-TFA-BSS比EMD-TFA-BSS的相关系数分别提高了12.35%、0.80%、13.00%。实验结果表明,ESMD-TFA-BSS在实际工程中能够有效地提高源信号分离精度。     

盲源分离与波束形成融合抑制方向性强干扰研究

针对强干扰严重影响线列阵声纳弱目标检测的问题,融合盲源分离（Blind source separation,BSS）与波束形成提出了一种抑制方向性强干扰的方法.首先在干扰方位形成波束得到干扰信号估计,然后对阵列接收信号的每个子带采用盲源分离方法得到分离信号和解混矩阵估计,并通过对分离信号和干扰信号进行子带谱相关抑制干扰,再将抑制干扰后的分离信号重构回阵元域信号,最后采用波束形成方法完成目标方位估计.利用模拟器数据和海试数据对方法进行了验证,结果表明,该方法能有效地抑制方向性强干扰,明显提高了弱目标信号的空间谱能量,增强了声纳检测弱目标的能力.     

稀疏盲源信号分离的新算法

针对以往通常采用线性规划或最短路径法计算相对复杂这一稀疏盲信号分离瓶颈,提出了一种新的算法,通过方向投影合理设置迭代初始值,结合最速下降法寻优估计源信号。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。     

小波变换结合盲源分离的EEG情感识别

由于脑电信号独立源数目的不确定性以及其他噪声的干扰,使得采集的脑电信号各导信号之间产生串扰、源信号难以估计以及噪声混杂等问题,严重影响了对脑电信号的分析研究。将小波变换与盲源分离算法相结合,并对盲源分离算法中维格纳分布存在的交叉项干扰现象进行重排处理。主要思路是首先将每一导信号进行小波变换,提取出特征波β波,然后对这些β波信号进行基于重排光滑伪维格纳分布的盲源分离,分离出关联性极大的β波成分。实验结果表明,所用方法分离出了各导信号中关联性大的脑电信号成分,并在一定程度上解决了源信号难以估计等问题,使识别结果有明显的提升。     

一种波束域子带盲源分离新方法

针对传统时域盲源分离算法对宽带不适用、计算量较大和对信噪比(SNR)变化敏感这三个问题,提出了一种波束域子带盲源分离(BSS)方法：它以子带分解的方法实现了时域盲源分离算法在宽带情形下的扩展;利用波束转换实现降维运算,大大减少了运算量和提高了算法的稳健性。仿真结果表明,与阵元域盲源分离算法相比,新方法具有低信噪比时较好的源信号波形估计能力。在源数目等先验信息未知的情况下,与Root-Music高分辨算法具有近似的角度估计性能。     

Blind separation of non-stationary sources using continuous density hidden Markov models

Blind source separation (BSS) has attained much attention in signal processing society due to its ‘blind’ property and wide applications. However, there are still some open problems, such as underdetermined BSS, noise BSS. In this paper, we propose a Bayesian approach to improve the separation performance of instantaneous mixtures with non-stationary sources by taking into account the internal organization of the non-stationary sources. Gaussian mixture model (GMM) is used to model the distribution of source signals and the continuous density hidden Markov model (CDHMM) is derived to track the non-stationarity inside the source signals. Source signals can switch between several states such that the separation performance can be significantly improved. An expectation-maximization (EM) algorithm is derived to estimate the mixing coefficients, the CDHMM parameters and the noise covariance. The source signals are recovered via maximum a posteriori (MAP) approach. To ensure the convergence of the proposed algorithm, the proper prior densities, conjugate prior densities, are assigned to estimation coefficients for incorporating the prior information. The initialization scheme for the estimates is also discussed. Systematic simulations are used to illustrate the performance of the proposed algorithm. Simulation results show that the proposed algorithm has more robust separation performance in terms of similarity score in noise environments in comparison with the classical BSS algorithms in determined mixture case. Additionally, since the mixing matrix and the sources are estimated jointly, the proposed EM algorithm also works well in underdetermined case. Furthermore, the proposed algorithm converges quickly with proper initialization.     

盲源分离在机械振动信号分析中的应用

设备状态信号的处理是状态监测及故障诊断的基础。在实际运行环境中,信号检测传感器采集的机械振动信号必然包含设备各个部件的信号以及周围环境的强烈干扰。传统的振动信号处理方法抗扰去噪效果并不理想。盲源分离技术由于自身独特的盲处理优势,可以有效去除外来干扰并分离出源信号,有助于提高诊断的准确性。针对直升机齿轮箱振动信号进行盲源分离仿真,分离出了轴承故障振动信号,并将分离信号的功率谱与原始信号的功率谱相比较,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法。