基于稳健联合分块对角化的卷积盲分离

针对卷积盲分离问题,提出一种新的矩阵联合分块对角化(Joint block diagonalization, JBD)算法. 现有的迭代非正交联合分块对角化算法都存在不收敛的情况,本文利用分离矩阵的特殊结构确保其可逆性,使得算法的迭代过程稳定. 在已知矩阵分块结构的条件下,首先,将卷积盲分离模型写成瞬时形式,并说明其满足联合分块对角化结构; 然后,提出联合分块对角化的代价函数,依据代价函数的最小化等价于矩阵中每个分块的范数最小化, 将整个分离矩阵的迭代更新转化成每个分块的迭代更新;最后,利用最小化条件得到迭代算法. 实数和复数两种情况下的算法都进行了推导.基本实验验证了新算法在不同条件下的性能; 仿真实验中对在时域和频域都重叠的信号的卷积混合进行盲分离,实验结果验证了新算法具有更好的分离性能和更稳定的分离能力.     

基于多信号模型和盲源分离的复合故障诊断方法

利用多信号模型可简明表征系统因果关系以及盲源分离算法可提取系统本源信息的特点, 提出一种新颖有效的复合故障诊断方法. 首先, 针对复合故障下多信号模型出现冗余测试和故障模糊组的情况, 应用盲源分离算法实现测点信息的盲分离, 基于盲信号重建多信号模型的因果结构; 其次, 理论分析了该方法对复合故障具有良好的可诊断性. 轧制过程AGC系统的实验结果表明, 所提出方法对双复合故障和部分多复合故障的隔离和定位准确率可达100%.

     

两正定矩阵联合对角化盲分离算法

针对具有时间结构的盲分离问题,提出了一种基于两正定矩阵精确联合对角化的盲分离算法。利用多个不同时延统计量构造了两个正定矩阵,以提取出数据的时间结构;再利用所提算法联合对角化构造的两个正定矩阵,得到分离矩阵,进而估计出源信号。所提算法克服了已有算法因采用多个矩阵联合对角化导致的计算量大和采用单个矩阵导致的分离精度低的缺点。计算机仿真结果表明了在有或无噪声情况下,所提算法性能均优于其他对比算法。     

一种新的联合块对角化卷积盲分离时域算法

提出一种基于高阶累积量联合块对角化的时域算法求解卷积混合盲信号分离问题。引入白化处理,将混叠矩阵转变成酉矩阵,混合信号转变为互不相关的,进而计算出其对应的一系列高阶累积量矩阵,通过最小化代价函数来实现高阶累积量矩阵联合块对角化的目的,在时域中解决超定卷积盲分离问题。实验表明,相比于经典的自然梯度算法,所提方法的分离精度更高,且运算速度也更快。     

一种新的卷积混合信号的盲分离算法

研究了一种新的线性卷积混合信号的盲分离算法。该算法通过计算预白化观测数据的零时延和多时延自相关协方差矩阵,获得了多时延处理的二阶解相关统计信息。利用得到的二阶统计信息构建了两个对称正定矩阵,通过使用Cholesky分解和奇异值分解等一系列变换,得出了惟一存在的矩阵。理论分析表明,该矩阵可以使两个正定矩阵同时精确对角化。计算机仿真表明,该算法与已有算法相比,运算时间短,盲分离性能更优。     

基于矩阵联合分块对角化的通信信号监测

在非协作通信和军事通信对抗中,接收机需要对接收到的多个通信信号进行分离,以提取出有用的信号,这可以归为通信信号卷积盲分离问题。首先构建信号模型,并将问题转化为多个矩阵的联合分块对角化。然后提出一种新的非正交矩阵联合分块对角化算法,使用最速下降法得到迭代算法,并分析了算法的可能优化策略和计算复杂度。最后仿真实验验证了新算法的有效性和可靠性,在无须计算最优步长等条件下能够获得比现有算法更快的收敛速度。     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

基于小波域的非平稳卷积混合 语音信号的自适应盲分离

一些卷积混合信号的盲分离算法是迭代性的，不适于实时应用．为此提出一种基于小波域的算法，用于卷积混合信号的自适应盲分离．对基于小波域的算法进行仿真，并与频域盲信号分离算法进行对比，结果表明所提出的算法能提高盲信号分离的性能。     

一种前馈结构的卷积混合盲分离算法

1998年，Torkkola提出了反馈分离结构的信息最大化算法，该算法对应于稳定的IIR滤波器。只能用于最小相位混合。而真实的环境往往包括非最小相位传输系统。本文在分析反馈分离算法的基础上，提出了一种在频域上用前馈结构的信息最大化算法，该算法对应于非因果FIR滤波器。为非最小相位系统的盲分离问题提供了一个解决方案。最后，我们将演示用这种方法分离实际环境下的两个自然信号。     

一个用于卷积混合模型的时频分析盲分离算法

提出一种基于时频分析的卷积混合盲分离算法.由于信号源与各传感器的距离不同,在传播的过程中会产生不同的幅度衰减和时间延迟.该算法用短时傅里叶变换对语音信号进行时频分析,将其中一个传感器信号作为参考信号,构造了源信号的幅度衰减向量和时间延迟向量.根据语音信号的时频域稀疏性,以这两个向量为特征,在时频域上对传感器信号进行聚类,再通过估计参考信号混合系数来获得源信号时频域表示,进一步得到源信号.该方法可以用于源信号数目大于传感器信号数目的情况.仿真实验证明,算法可以完成欠定情况下卷积混合信号的盲分离,分离结果令人满意.     

基于频域卷积信号盲源分离的乐曲数据库构建*

将通过频域卷积信号盲源分离算法从MP3歌曲音频信号中分离出人声主唱信号,再从人声主唱信号中提取出能够表征歌曲的旋律特征构建哼唱检索系统的歌曲数据库。盲源分离要求观测信号数目不小于源信号数目,因此先用小波多分辨率分析构造一路观测信号,再用频域独立成分分析(FDICA)实现MP3歌曲音频信号的盲源分离(BSS)。实验证明,采用FDICA-based BSS从歌曲MP3中分离出的人声主唱信号的旋律特征与待检索的人声哼唱信号的旋律特征有较高的相似度,可以用歌曲MP3构建哼唱检索系统的歌曲数据库。     

基于卷积盲分离神经网络的过程信号去噪算法

研究了一种基于卷积混叠盲信号分离的简约神经网络算法,简称RCMNN.可使线性静态或动态传输通道中混叠的多源信号实现分离,从而可有效应用于传输通道中过程信号上的去噪,是控制工程中去噪的新方法.对多类不同信号组合仿真表明,该算法是有效的,网络性能是稳定的.     

基于回溯搜索优化的卷积混合语音盲分离

针对独立矢量分析（IVA）算法初始分离矩阵取值对分离性能影响较大的局限性,提出了基于回溯搜索优化的卷积混合语音盲分离算法。采用频域各频率点IVA分离信号的复数峭度和作为目标函数,利用回溯搜索优化算法（BSA）对初始分离矩阵进行优化调整,更好地实现了语音信号的盲分离。在分离过程中,采用复Givens旋转变换原理将对分离矩阵的求解转化为对旋转角度的求解,有效减少了BSA的参数编码维数,降低了优化求解难度。针对语音信号的卷积混合分离实验表明,该算法具有良好的分离效果,其分离性能较之基本IVA算法显著提升。     

一种非平稳环境下的自适应变步长盲源分离算法

提出一种基于不完整自然梯度的变步长约束算法,用来处理非平稳环境下的瞬时盲源分离问题.该算法利用系统上的扰动对代价函数进行约束,对算法中的约束因子采用自适应形式,根据分离情况对约束因子进行自适应调整,以加快收敛速度.同时,引入基于代价函数梯度的变步长,使其具有更好的跟踪性能.仿真结果表明,在非平稳环境下,所提出的算法在提高收敛速度的同时可以有效分离源信号而不产生严重的稳态误差.     

An approach for solving the permutation problem in blind source separation based on microphone sub-arrays

In this paper, we present a new algorithm for solving the permutation ambiguity in convolutive blind source separation. Transformed to the frequency domain, existing algorithms can efficiently solve the reduction of the source separation problem into independent instantaneous separation in each frequency bin. However, this independency leads to the problem of correctly aligning these single bins. We present a new method for solving the permutation problem using microphone sub-arrays. It is based on the combination of two approaches： direction of arrival （DOA） estimation for sources and the inter-frequency correlation of signal envelopes. The performance of the algorithm will be demonstrated on real-world data.     

Sparse representation and blind source separation of ill-posed mixtures

Bofill et al. discussed blind source separation (BSS) of sparse signals in the case of two sensors. However, as Bofill et al. pointed out, this method has some limitation. The potential function they introduced is lack of theoretical basis. Also the method could not be extended to solve the problem in the case of more than three sensors. In this paper, instead of the potential function method, a K-PCA method (combining K-clustering with PCA) is proposed. The new method is easy to be used in the case of more than three sensors. It is easy to be implemented and can provide accurate estimation of mixing matrix. Some criterion is given to check the effect of the mixing matrix A . Some simulations illustrate the availability and accuracy of the method we proposed.     

估计盲信源分离混合矩阵的通用方法

混合矩阵的估计是解决盲信源分离问题的关键一步,但现有研究中缺乏一种同时适用于适定、超定及欠定情况下混合矩阵估计的通用方法。根据张量标准分解的因子矩阵和盲信源分离混合矩阵的估计均存在幅值和排列顺序的不确定性这一性质,将混合矩阵的估计转化为观测信号统计量所组成张量的标准分解问题,标准分解采用循环最小化方法,通过交替最小二乘算法实现。理论分析和仿真实验表明,所提方法可有效解决适定、超定和欠定混合矩阵的估计,是一种估计盲信源分离混合矩阵的通用方法。     

统计相关源信号分离模型与算法综述

统计相关源信号分离理论不仅有着广泛的应用背景, 也为深入了解数据的本质结构提供了有效的分析工具. 首先, 重点分析和讨论一类特殊的相关源信号分离模型—–独立子空间分析模型的可分离性; 其次, 分别介绍基于源信号稀疏性、统计测度、独立子空间分析、源信号时序结构、源信号有界性和非负性的各种相关源信号分离算法; 再次, 通过将加性噪声中的盲源分离和高光谱解混问题建模为统计相关源信号分离模型, 表明了该方法的应用价值; 最后, 总结了相关源信号分离中存在的问题, 并对下一步的研究思路进行了分析和展望.