基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于FIR滤波器矩阵代数的多通道盲解卷积算法

通过FIR滤波器矩阵代数将盲源分离算法扩展为多通道盲解卷积算法,得到了多通道盲解卷积的自然梯度算法和等变自适应算法.然后,分别对两纯亚高斯信号的卷积混合信号和两纯超高斯信号的卷积混合信号进行盲解卷积分离,给出了分离滤波器和全局滤波器的脉冲响应以及描述算法性能的ICI、ISI和MC-ISI指标,仿真结果表明基于滤波器矩阵代数的多通道盲解卷积自然梯度算法对同系信号的分离和解卷积均具有很好的效果.     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

一种功能增强的信号源盲分离新算法

提出了一种新的信号源盲分离算法，该算法不仅能够有效地求解源信号中同时存在超高斯信号和亚高斯信号的杂系混合（hybrid mixture)的信号源盲分离问题，而且能够准确地估计未知信号源的数目，因而具有比一般盲分离算法更广得多的应用范围，对于杂系混合盲分离问题，一般的盲分离算法往往不能求解，现有的绝大多数盲分离算法总是假设信号源的数目是已知的，这在多数背景下是不适用的，从而大大限制了信号源盲分离这一信号处理方法的实际应用范围，通过利用概密度函数估计的核函数法对信号源盲分离算法中的评价函数（score function)直接进行估计，并利用混合信号样本自相关矩阵的秩数与未知信号源数目的内在联系，使这两个关键性的问题在所提出的盲分离新算法中都得到了非常成功地解决，算例证实了算法的有效性。     

基于最大方差旋转的因子分析算法

为探索因子分析中因子旋转的性能和提升因子分析计算的效率,研究因子分析的原理并提出基于最大方差旋转的因子分析算法．从线性表示的角度分析,因子分析模型与稀疏表示情况下的独立分量分析相似,独立分量分析模型是忽略了噪声因子的因子分析模型．目标函数关系分析表明,传统的因子旋转方法,如最大方差方法和一般直交法,与独立分量分析的峭度估计方法条件等价,但并不再适用于源信号中既包括超高斯源又包括次高斯源的情况．基于以上分析,提出了一种基于最大方差旋转的因子分析算法,其中的源信号可以是混合类型,而不限定单纯的次高斯源或者超高斯源．此外,这种算法还可以作为Fastica算法的简单模式并适用于高阶统计分析．仿真结果表明,在混合矩阵为稀疏的情况下,所提出的基于最大方差旋转的因子分析算法具有简易高效等优异性能．和独立分量分析的Fastica算法比较,新算法的估计精度相近,平均值达到0．9753,但是效率高得多,时耗仅占25％．     

基于凸包优化的盲源分离在图像去噪中的研究

目的针对高斯-脉冲混合噪声图像中难以有效去除大量奇异点或离群数据的问题,提出一种基于凸包优化的盲源分离方法来去除图像中的混合噪声。方法该方法把混合噪声和原图均看作未知的源信号,依据噪声图像中混合噪声与原图内容的加性关系建立盲源分离的模型,并利用凸包优化的方法构建源信号(凸包极点)的仿射包,然后通过最小化仿射包到凸包(噪声图像)上的投影误差,求解混合噪声和原图2个源信号,实现去噪混合噪声、复原原图的目的。结果实验结果发现,无论高斯-脉冲混合噪声强弱,该方法去噪复原后的峰值信噪比和平均结构相似性分别在39.9129 d B和0.9以上。结论由实验数据证实该方法可有效地从盲源分离的角度去除图像中高斯-脉冲混合噪声、复原原始图像。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

基于Gabor变换和盲源分离的旋转机械故障诊断方法

传统的盲源分离方法要求源信号相互统计独立,但是实际机械设备很难满足这个条件。为此,提出了一种基于Gabor变换和盲源分离相结合的旋转机械故障诊断方法。首先通过不同混合信号的Gabor变换系数之间的相互关系,得到源信号间的公共频率成分,然后对观测信号进行滤波处理,得到新的观测信号,最后利用矩阵联合对角化方法进行分离,实现相关源信号盲分离。该方法突破了传统盲源分离方法中要求源信号相互统计独立且最多只能有一个高斯信号的限制,仿真和实验结果验证了该方法的有效性和可行性。     

基于Gabor变换的盲信号分离方法

提出了一种基于Gabor变换的盲信号分离方法。与传统的盲信号分离方法相比,该方法考虑到了不同类型信号的时频分布特点,通过估计混合矩阵从而能够较为准确地对源信号进行分离,而且突破了传统盲信号分离方法中要求源信号相互独立以及源信号最多只能有一个高斯信号的限制。仿真结果验证了该方法的有效性,为盲信号分离技术提供一种新的研究方向。     

用慢特征分析算法实现水声信号盲分离

在常规的水声信号盲处理研究中,通常都是用独立成分分析算法分离线性混合信号,而对于较复杂的非线性混合信号,独立成分分析算法无能为力。针对这种情况,提出将慢特征分析(Slow Feature Analysis,SFA)算法应用于水声信号非线性盲源分离领域。一般而言,对源信号做非线性混合变换后输出混合信号较源信号变化较快,而采用SFA算法可以从复杂的非线性混合信号中提取出变化缓慢的信号,通过仿真实验,分别对简单信号和复杂水声信号的非线性混合信号进行分离,通过将源信号与分离信号对比,发现SFA算法输出信号与源信号高度相似,验证了SFA算法在非线性盲源分离领域应用的有效性和可行性。     

支管流致噪声干扰下的复值域EFastICA管道泄漏声定位技术研究EI北大核心CSCD

供水管网存在大量分支接头,流体在分支接头的分流作用下产生支管流致噪声,并通过管道与泄漏声信号进行耦合。针对支管流致噪声存在下的供水管道泄漏定位问题。提出一种基于高效快速独立主成分分析(efficient fast independent component analysis,EFastICA)技术的复值域高效快速独立主成分分析(complex efficient fast independent component analysis,C-EFastICA)技术,该算法将时域瞬时线性EFastICA技术的代价函数、约束函数、迭代规则等有效地扩展到复数域,实现对含支管流致噪声的泄漏声信号分解处理。与其他主成分分析(independent component analysis,ICA)类算法固定选择非线性函数不同的是,C-EFastICA根据声信号的广义高斯性特征,自适应地选择非线性函数建立代价函数和迭代学习规则,使得算法对混合信号的分离程度更高。试验结果表明,泄漏信号和支管流致噪声均是超高斯信号,经C-EFastICA分解得到的源泄漏信号对漏点的定位相对误差低于12%,低于传统同类的C-FastICA技术。     

一种新的非高斯随机振动数值模拟方法

在振动工程领域,采用蒙特卡洛仿真方法求解复杂随机动力学问题时需要精确模拟各种随机振动激励信号。当随机振动激励具有显著的非高斯特征时,用传统的高斯振动去近似将产生较大的分析误差,需要研究精确的非高斯振动数值模拟技术。现有各种非高斯随机模拟方法一般只能模拟具有高峰值特征的随机振动,即超高斯随机振动,并且算法复杂不够直观,需要进行多次反复迭代,模拟精度和效率都有待提高。本文提出了一种新的基于幅值调制和相位重构的非高斯随机振动数值模拟方法,算法简洁直观,并充分利用快速傅里叶变换算法提高模拟效率,不仅可以模拟具有指定统计特性和频谱特性的超高斯随机振动,还能模拟亚高斯随机振动,具有广泛的适应性。数值仿真实验验证了该方法的有效性和精确性。     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

基于相空间重构的浮标搜潜信号盲源分离算法研究

航空反潜是目前最主要的反潜手段之一,相比水面和水下探测手段具有无可比拟的优势.反潜机搭载的被动全向声纳浮标是在大面积海域实现对潜被动探测最主要的搜潜装备.针对单枚被动声纳浮标接收到多个水声目标信号的情况,提出了基于相空间重构的浮标搜潜信号盲源分离算法,该算法首先通过相空间重构和奇异值分解,构造了源信号不同线性叠加的虚拟观测信号,然后与原混合信号作为两路观测信号进行盲源分离.在分离出一个源信号后,重复上述步骤进行盲源分离运算直至分离出全部源信号,最后利用该方法进行盲源分离仿真试验,结果表明该方法对于浮标搜潜信息的盲源分离性能较好.     

基于功率谱密度的盲信号分离

提出一种新的基于功率谱密度的盲信号分离方法。该方法在传感器数与源数关系不明确情况下,且源信号相互独立时,直接通过混合信号功率谱密度函数比值求解混合阵,并通过混合阵判定观测信号是完备混合、超定混合还是欠定混合,由此进一步分离信号。理论分析、仿真数据证明了算法的有效性。同时还仿真了噪声对分离性能的影响。     

基于小波包和RobustICA的无线电混合信号分离

针对复杂电磁环境下无线电混合信号分离困难的问题,提出将小波包和鲁棒性独立分量分析(Robust ICA)算法应用于较低信噪比且频率接近的无线电混合信号的分离。首先用小波包分析方法对混合信号进行降噪预处理,然后采用盲源分离算法中的鲁棒性独立分量分析算法对降噪后的混合信号进行分离,通过观察分离后信号的波形和频率以及相似系数对分离结果进行定性和定量分析。所提算法与单独采用Robust ICA算法的结果对比表明:所提算法分离出的信号在波形和频率以及相似系数方面均比单独采用Robust ICA算法取得的效果好,从而证明所提算法可以较好地应用于无线电混合信号的分离。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含噪混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态．空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF＋FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。     

基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。