回波对消中盲源分离算法的研究与仿真

盲源分离因为可以仅根据接收到的观测信号来估计还原源信号,成为近年来在信号处理领域的研究热点.针对盲源分离中的基于峭度的独立分量分析算法在源信号还原的过程中计算量较大的问题,采用共轭梯度方法对独立分量分析法进行优化,优化后的算法收敛速度更快,稳态误差变小.Matlab仿真实验表明,优化后的独立分量分析算法收敛更快,实际分离效果更好.     

一种快速在线盲源分离方法

传统的独立分量分析方法大多采用批处理的方式,不能满足时变混合系统中盲源分离的需要.文章通过修改基于负熵的代价函数,导出了一种快速在线盲源分离算法,并采用一种基于函数估计的自适应变步长方法优化了算法的性能.通过真实录制语音信号的仿真试验,说明算法的收敛速度和稳态性能均优于自然梯度变步长算法.     

一种按块递归的盲源分离方法

自然梯度算法比随机梯度算法有更好的收敛性能和数值稳定性,块递归算法需要较少的运算时间． 结合这两者的优点,提出一种基于块递归的盲源分离算法． 首先基于自然梯度和非线性主分量分析,构造出按块递归更新的矩阵方程, 然后用QR分解和回代法逐块求解该矩阵方程得到最优分离矩阵． 与已有递归型盲源分离算法相比, 数值仿真实验表明本方法运行一次所需平均时间减少了65％, 所求矩阵的正交性能指标改善了10dB．     

基于负熵极大的独立分量分析方法

独立分量分析（Independent Component Analysis,ICA）是近年来发展起来的一种有效的盲源分离技术（Blind Source Separation,BSS）．本文介绍了独立分量分析的基本理论,用基于最大熵原理的对负熵的估计方法得出了ICA的目标函数,并介绍了基于负熵极大的FastICA算法．MATLAB仿真试验表明：该算法可以较好地分离混合声音信号,具有良好的稳定性,收敛速度较快.     

基于时频独立分量分析的Wigner-Ville分布交叉项消除法

由于信号混合引起的交叉项严重降低了Wigner-Ville分布的时频分辨率，为此提出一种基于独立分量分析的Wigner-Ville分布交叉干扰项消除法.在无须了解信号混合系数的情况下，通过盲源分离法提取各独立分量信号，给出盲源分离结果不确定的解决方法.建立了包含自项与交叉项的时频分布矩阵，利用时频分布矩阵的联合对角化算法消除独立分量信号之间的交叉干扰项.通过独立分量自项求和重构Wigner-Ville分布，重构的Wigner-Ville分布具有良好的时频分辨率.数值仿真结果验证了算法的有效性.     

一种适用于复信号的盲源分离新算法

针对复数字通信信号盲源分离中存在相位模糊的问题,提出了一种新的快速盲分离算法,该算法将只适用于实信号的FastICA盲分离算法推广到复数字通信信号中,同时还可以消除同相和正交分量相互独立的复信号的相位模糊性.该算法不用考虑步长的选择问题,不仅收敛速度快,而且具有与实FastICA算法一样的稳定性.仿真结果表明,该算法既可以分离不同载频的数字通信信号,也可以分离同载频的数字通信信号;既可以分离不同调制方式的数字通信信号,也可以分离相同调制方式的数字通信信号.     

基于核独立分量分析的混合语音信号分离

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核函数ICA的原理和基本算法,然后利用该方法分离混合语音信号.实验结果表明：利用基于核独立分量分析的方法可以得到较为理想的波形.     

基于部分独立分量分析的盲源分离

独立分量分析是近年来发展起来的一种可有效应用于盲源分离的多通道信号处理方法，对从观测信号中分离出信源信号有较好的性能．但独立分量分析方法的主要限制之一是信源信号统计独立，而大多数实际应用问题都不能保证这一点，使运用独立分量分析进行盲源分离的效果受到极大的影响．因此．提出了利用特征选择的方法近似获得信源信号中的独立分量，对这些分量上的观测信号运用已有的独立分量分析方法进行盲源分离，获得了较好的分离结果．     

白化处理的自然梯度盲源分离统一算法

分析了基于自然梯度的信号白化处理和白化后的盲信号分离,提出了一种基于白化处理的自然梯度盲源分离算法.算法统一了信号的白化和分离,而不需要单独再对信号进行白化预处理,通过采用自然梯度学习规则提高了算法的性能,并理论证明了算法的可分离性、等变化性和分离矩阵的非奇异性.仿真表明,算法能够有效地分离和重构源信号,相比信号未白化的随机梯度算法以及传统的FastICA算法,收敛速度快、分离效果好,更适合盲源分离.     

具有任意分布时间相关源的盲分离自适应算法

常用的盲分离算法假定源是独立同分布的随机信号，这种假定在实际应用中受到限制。中把盲分离算法扩展到具有时间相关特性的源信号，给出了盲分离的模型。以最大似然估计为基础，用MA模型来消除源的时间相关特性，推导了MA模型参数和混合参数的自适应梯度学习算法。为了提高该算法的适用性，采用高斯混合模型(GMM)来拟合源的概率密度函数，并给出了GMM模型参数的自适应算法。计算机仿真结果表明：算法的性能良好，收敛速度快。     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．     

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。     

独立分量分析在心房纤颤检测中的应用研究

为了从心房纤颤患者的动态心电图记录中抽取心房活动信号并对其进行特征分析，提出了一种无损型心房纤颤自动诊断方法.证明了应用独立分量分析（ICA）必须满足的3个基本条件：源间独立性、瞬时线性混合和至多一个高斯源，并建立了盲源分离的数学模型.采用快速固定点优化算法分析仿真试验和临床数据，计算各被分离分量的峰度值，有效提取了心房纤颤信号，定性和定量地表明了该方法的准确性和鲁棒性.     

基于相关熵的盲源分离算法

提出了基于相关熵的盲源分离算法。与传统独立成分分析(ICA)方法利用四阶统计量或时间结构的盲源分离不同,该算法从信息理论学习中的相关熵概念出发,利用相关熵中蕴涵的各偶数阶统计信息,通过参数化中心相关熵与独立性测度的关系,建立代价函数,并通过优化算法对其进行寻优,从而得到解混矩阵并分离出源信号。仿真结果表明,在分离超高斯混合源和次高斯混合源时,分离性能优于传统的ICA方法。     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

具有等变化性的最小二乘盲信源分离方法

因为等变化自适应盲信源分离要求分离矩阵采用序列更新法则,所以从Cardoso 等提出的相对梯度出发,通过优化非线性主分量代价函数,提出了一种采用序列更新法则的自适应递归最小二乘盲分离算法． 由于算法实现了分离矩阵的序列更新,因此必然具有等变化特性． 在每一步迭代中对分离矩阵进行奇异值分解,然后将其投影到stiefel流形,加快了算法的收敛速度． 计算机仿真结果验证了算法的有效性．     

一种针对复值信号的独立分量分析方法

利用独立分量分析方法对相互独立的复值信号进行盲提取,即从统计特性出发,通过变换观测信号,能够获得尽可能相互独立的信号．并在广义EHA准则基础上进行了变化,通过直接挑选非线性函数的方法,实现盲复值信号的提取．利用梯度下降法实现算法学习,仿真实验验证了算法的有效性．