基于时频单源点的欠定混合矩阵估计

主要研究了欠定盲源分离中的混合矩阵估计问题。提出了一种检测时频单源点的新方法,通过比较归一化的观测信号时频点的实部和虚部向量来检测时频单源点。与其他时频单源点检测方法相比,该方法简单而有效,同时降低了对检测条件的要求。采用K-means方法估计混合矩阵,通过去除聚类后每一类数据中偏离中心方向较远的数据点,进一步提高了混合矩阵的估计精度。仿真实验表明,与已有欠定混合矩阵估计算法相比,提出的方法有更高的估计精度。     

基于新型混合模型的欠定盲分离方法

针对欠定盲分离问题,提出了一种新的源恢复方法. 在时频域局部区域采用复高斯分布对源信号进行建模,将语音信号的稀疏性和局部平稳性结合在一起,提出了一种新的混合模型来描述观测信号在局部区域的概率分布.通过该模型,将每个时频点的源信号状态的判断问题转换成模型的参数估计和后验概率的计算问题,最后通过子混合矩阵的逆恢复出源信号. 实验结果表明,该方法具有很快的收敛速度,并且比已有方法具有更好的分离性能.     

基于欠定盲分离的同步/异步跳频网台分选方法

研究无线通信网台分选优化问题,现有的跳频网台分选大多要求阵元数必须大于信号数,由于在实际应用中常常很难满足,为了用有限的阵元数分选尽可能多的跳频信号,提出了一种基于欠定盲分离的跳频信号分选方法.根据跳频信号具有良好的时频稀疏性,依据稀疏分量分析的“两步法”思路,首先用单源点聚类方法估计混合矩阵;然后利用子空间投影方法分离各跳频信号,从而实现了跳频信号的欠定盲分离.仿真结果表明了改进方法的有效性,为通信网分选优化提供了参考.     

一种新的基于伪提取矢量的欠定盲分离方法

针对独立信号源的欠定盲分离,通过一定的理论分析,提出了一种基于伪提取矢量的欠定盲源分离方法。该方法通过判断采样点处取值占优的源信号,然后在观测信号采样点处选取对应的伪提取矢量,以恢复取值占优的源信号采样点的值,来实现欠定盲源分离。将该算法与经典的基于线性规划的欠定盲源分离方法进行了仿真,结果表明该方法由于在信号的各采样点处无需优化,因此大大提高了信号分离的速度,信号的分离速度要比基于线性规划的方法快数十倍。     

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。     

基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源...     

基于行列式和稀疏性约束的NMF的欠定盲分离方法

非负矩阵分解（NMF）要求分解得到的左矩阵为列满秩,这限制了它在欠定盲分离（UBSS）中的应用。针对此问题,提出基于带行列式和稀疏性约束的NMF的欠定盲分离算法——DSNMF。该算法在基本NMF的基础上,对NMF得到的左矩阵进行行列式准则约束,对右矩阵进行稀疏性约束,平衡了重构误差、混合矩阵的唯一性以及分离信号的稀疏特性,实现了对混合矩阵和源信号的欠定盲分离。仿真结果表明,在源信号稀疏性较好和较差两种情况下,DSNMF都能取得良好的分离效果。     

蚁群聚类的欠定盲源分离方法

利用欠定盲源分离情况下稀疏源信号具有直线聚类的特点,提出了一种估计混叠矩阵的新方法。通过对混叠信号进行标准化处理,使混叠信号形成球形簇,将线性聚类转变成致密聚类;利用蚁群聚类算法对其进行搜索得到聚类中心,从而获得对混叠矩阵的精确估计。该方法能实现源信号数目未知情况下的欠定盲源分离,且能推广到三路或更多路观测信号的情况。对语音信号的仿真结果证明,该方法能精确地分离和恢复原始信号。     

基于改进源信号数目估计算法的欠定盲分离

两步法是解决稀疏信号欠定盲分离的一种常用方法,通常首先利用K-means聚类算法估计混叠矩阵,然后利用最短路径法恢复源信号。在使用K-means聚类算法时要求知道源信号的数目,而现实中往往不知道源信号的数目,需要对其进行估计。因此研究了聚类有效性评价指标——BWP指标,结合粒子群算法,提出了一种改进的确定源信号数目的算法,并将这种算法引入到欠定盲分离。实验表明,提出的算法在保证分离精度的同时能缩短分离时间,并可节省一定的内存,在观测信号数据量大时,这种优势更加明显。     

基于稀疏性的欠定语音盲分离方法研究

针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。同时指出了影响基于稀疏性语音盲分离方法性能的因素。仿真结果验证了上述结论。     

基于线性阵列的欠定盲源分离几何分析

采用线性阵列对欠定盲源分离问题进行建模,研究源信号的空间分布对欠定盲源分离的影响.利用二步法和稀疏分量分析解决欠定盲源分离问题,其中,混合矩阵的估计主要利用稀疏源信号的线性混合信号沿混合矩阵列向量方向线性聚类的特性.理论分析和仿真实验结果表明,当源信号在空间处于某些特定区域时,若采用线性聚类方法,混合矩阵是不可估计的,...     

欠定条件下的盲分离算法

盲信号分离中当源信号个数大于观测信号个数,且源信号不是足够稀疏时,如果利用聚类算法进行分离,分离效果将会变差。为此提出一种在此欠定条件下新的盲信号分离算法。利用源信号的“稀疏性”估计混合矩阵,然后简化混合矩阵构造新的混合模型。由于源信号间具有的独立性,使得可以在新的混合模型中从观察信号的自相关函数中估计出源信号的频谱,从而达到分离出源信号的目的,且分离效果优于聚类算法。最后给出仿真试验实例,试验结果验证了算法的有效性。     

基于ICA的相位编码信号欠定盲分离算法

针对二相编码信号时域或频城上不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵和恢复源信号的新方法.首先,利用二相编码信号成型模型的特异性,将欠定盲分离问题转化成卷积盲分离问题,然后通过抽头延时将其转化为线性瞬时混叠问题,通过独立分量分析(ICA)方法对延时后的观测信号进一步处理.为了准确地分离出源信号,利用峭度准则对...     

基于超平面法矢量的欠定盲信号分离算法

探讨欠定情况下(观测信号少于源数目)的盲信号分离. 首先给出了 m 维超平面的法矢量的计算公式, 提出了一个基于超平面法矢量的矩阵恢复算法. 其次针对语音分离, 提出了 k 源区间及其检测方法, 从而使 k-SCA 条件下的算法推广到了非稀疏信号的盲分离. 在源信号重建上, 提出了一个简化 l1 范数解的新算法. 几个仿真实验 (含语音信号实验) 证实了所提出算法的性能.     

密度空间与密度峰值聚类的欠定混合矩阵估计

针对欠定盲源分离问题, 提出了增强信号稀疏性的方法,并把具有噪声的基于密度空间聚类与寻找密度峰值聚类相结合用于估计混合矩阵。首先,把时域观测信号变换成时频域的稀疏信号,通过单源点检测突出信号的线性聚类特性,并采用镜像映射将线性聚类转变成致密聚类以便于进行密度基的聚类分析;然后,利用密度空间聚类搜寻密集数据堆中高密度的点和与之相应的邻域,以自动形成聚类簇的数量和初步聚类中心;最后,把获得的聚类数量作为密度峰值聚类的输入参数,在数据簇的范围内搜索其密度峰值以实现对聚类中心位置的进一步修正。以上方法不仅可提高混合矩阵的估计精度,而且估计量具有较高的一致性。     

基于PID神经网络的后非线性盲源分离算法

PID神经网络是一种新型的前向神经元网络,它的隐层单元包含比例（P）、积分（1）、微分（D）元,各层神经元个数、连接方式、连接权初值均按PID控制规律的基本原则确定。本文研究了一种新的后非线性盲源分离算法,用最大熵值方法推导了PID神经网络算法的后非线性分离学习公式,该算法可用于线性或后非线性的混叠信号。对输入2个混叠信号时,用单个PI神经网络分离;对输入3个混叠信号时,用单个PID神经网络分离;对输入更多的混叠信号时,可采用多个独立的PID神经网络来分离。仿真结果验证了单个PID神经网络算法,能分离线性或后非线性混叠信号。     

一种基于盲源分离的DOA估计方法

方位估计和信号恢复分别是水下目标跟踪和识别的前提. 基于平均时间延迟相关矩阵提出了一种复数域盲源分离方法, 在此基础上实现了DOA估计和信号恢复. 实验结果表明, 该方法在同等条件下完成同样的方位分辨要优于多重信号分类(Multiple signal classification, MUSIC)方法.     

弱稀疏性下的欠定语音盲分离方法

针对语音信号的弱稀疏性,提出一种新的基于混合矩阵估计的欠定语音盲分离方法。该方法通过主成分分析检测只有一个源信号存在时的时频点并用于估计混合矩阵,从而克服语音信号稀疏性变弱时的影响,提高混合矩阵估计精度。结合子空间法重构源信号,进一步提高分离性能,并从几何角度证明子空间方法,仿真结果表明该方法的分离性能优于Cluster-UBSS,且鲁棒性更好。     

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.