脉冲噪声下基于NAT函数的LFM信号多径时延估计

针对脉冲噪声环境下无法准确估计线性调频(LFM)信号多径时延的问题,分析非线性幅值变换法抑制脉冲噪声的原 理,设计了一种新的非线性幅值变换函数 P-NAT(piecewise-NAT)函数,证明了任意随机变量经该函数变换后存在有限二阶矩, 提出了基于 P-NAT 函数的 LFM 信号多径时延估计方法。 分别对发射信号和 P-NAT 函数变换后的含噪多径接收信号进行最佳 阶次 FRFT,根据 FRFT 域的峰值位置偏移量和时延的关系,实现 LFM 信号的多径时延估计。 仿真结果表明,该方法在广义信噪 比为 0 dB、噪声特征指数大于 0. 2 的情况下,时延估计归一化均方根误差小于 10 -4 ,适用于低信噪比和强脉冲噪声环境下的 LFM 信号多径时延估计。     

基于盲源分离的弱信号检测方法研究

本文对基于盲源分离技术的弱信号检测方法进行了研究,构造了弱信号检测模型.采用基于高阶累积量的独立分量分析算法来对弱信号进行检测.为了证明模型和算法的有效性,对弱语音信号进行实验仿真检测.实验表明,盲源分离技术应用在弱信号检测中是可行的,算法能够有效地提高输出信噪比.随着输入信噪比的降低,输出信噪比的改善效果越明显.当输入信噪比不低于-82dB时,该算法能有效地检测到弱信号源.     

基于小波变换ICA盲源分离

独立分量分析(ICA)是90年代中期发展起来的一种统计信号处理的新技术,其在盲源信号分离中越来越显示其魅力,但在实际应用中必须考虑线性混合矩阵的时变性问题.同时,由于ICA输出结果在排序上的不确定性,使各段数据分离结果之间没有同一的对应关系,因此需要通过"试听"才能完成各数据分离结果的前后连接,这是一项烦琐的工作,尤其在声源比较多的情况下,工作量非常大.针对这些问题,文中提出一种将小波变换和ICA结合的方法.     

一种小样本情况下的盲源分离算法

本文首次提出了一种小样本情况下的盲源分离算法,这种方法是在常用的自然梯度串行更新算法基础上,通过均匀递减步长并经重复迭代实现.这种算法充分利用了已有的数据,不断变换初始矩阵,达到小样本收敛的结果.这种算法不同于其他自适应步长调整算法的是不需要计算每一步迭代后信号的分离度,不需要在线调整参数,不需要经验参数.仿真结果表明:在采样点较少的情况下,该算法对于已有算法能够更快速的收敛而且算法精度较高.     

空调电机振声信号的盲源分离故障特征提取

电机振声信号蕴涵着丰富的电机状态信息,文中提出利用电机振声信号对电机进行故障诊断,实现噪声出厂检测.由于观测信号信噪比较小,难于提取电机振声信号故障特征.应用肓分离技术从观测信号提取独立的声源信号,提出了基于峭度的盲源分离开关算法,可以在源信号概率密度函数未知时提取独立分量,消除相邻部件辐射噪声的干扰.实验证明该算法成功分离电机振声信号,有效提取故障特征.     

改进的FastICA在盲图像分离中的应用

盲源分离（BSS）是信号处理领域的一个热点问题。独立分量分析（ICA）是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已广泛应用于信号处理领域。为了有效地对混合图像进行盲源分离,介绍了一种基于改进的快速固定点算法（FastlCA）,对经过随机线性混合后的模糊图像进行盲源分离。仿真结果显示,该算法可以很有效地对线性混合图像进行盲源分离。     

盲源分离在振动机械故障诊断中的应用

采用了盲源分离的方法对机械振动信号进行了研究。首先简要地介绍了盲信号分离基本原理。基于最大负熵的原理,建立了用独立分量分析方法估计分离矩阵的FastICA的模型,并给出了实现步骤,编制了相应的程序。对实际振动传感器采集到的信号并进行盲分离实验,不同特征的信号可以被分离开来,分离出的信号极大地保留了源信号的信息特征。实验结果表明此方法是有效的,可作为振动机械故障诊断的信号预处理方法.     

一种心音信号盲源分离方法

为了有效实现单路心音混合信号的盲分离,本文提出了一种基于EMD分解和独立成分函数的单路含噪心音信号盲源分离的方法。首先讨论了单路混合信号的分离模型,含噪信号预处理的方法,以及如何利用EMD变换进行窄带分层和获取独立成分函数的技术;然后通过独立成分函数作为基函数对单路含噪心音信号进行分解,使单路心音信号由一维向量转变为多维向量,从而实现心音信号的盲源分离;最后通过实际的心音分离实验,验证了本方法的实用性,其分离结果的相似度达到0.9792。     

A new blind source separation method based on fractional lower‐order statistics

We proposed neural network structures related to multilayer feed‐forward networks for performing blind source separation (BSS) based on fractional lower‐order statistics. As alpha stable distribution process has no its second‐ or higher‐order statistics, we modified conventional BSS algorithms so that their capabilities are greatly improved under both Gaussian and lower‐order alpha stable distribution noise environments. We analysed the performances of the new algorithm, including the stability and convergence performance. The analysis is based on the assumption that the additive noise can be modelled as alpha stable process. The simulation experiments and analysis show that the proposed class of networks and algorithms is more robust than second‐order‐statistics‐based algorithm. Copyright © 2006 John Wiley & Sons, Ltd.     

Fixed-point blind source separation algorithm based on ICA

This paper introduces the fixed-point learning algorithm based on independent component analysis (ICA); the model and process of this algorithm and simulation results are presented. Kurtosis was adopted as the estimation rule of independence. The results of the experiment show that compared with the traditional ICA algorithm based on random grads, this algorithm has advantages such as fast convergence and no necessity for any dynamic parameter, etc. The algorithm is a highly efficient and reliable method in blind signal separation. __________ Translated from Journal of Taiyuan University of Technology, 2007, 38(1): 35–37 [译自: 太原理工大学学报]     

基于独立分量分析的工频通信中的谐波干扰消除

双向工频通信系统是一种基于配电网络的通信系统。通信信号在配电网中传输时,其背景信号中必然含有大量的谐波成分,这会给通信信号的检测带来极大的困难。该文根据双向工频通信的信号特征,提出了基于独立分量分析的谐波消除方法。该方法在消除谐波干扰的同时,有用信号成分几乎不被破坏。通过Matlab对此方法进行了验证,取得了良好的效果。