基于多步分解算法的解盲源分离新方法

在利用二阶统计量实现盲源分离问题中,混迭矩阵经过白化以后转变成了酉矩阵。针对酉矩阵各列之间相互正交的特性,提出一种关于酉矩阵某一列的最小二乘对称代价函数。通过基于梯度下降法的三迭代算法,交替估计三二次代价函数中的各组待定参数,搜索代价函数最小点,从而得到对应能量最大信号源的酉矩阵的一列。利用系统化的多步分解算法（MSA）,依次估计酉矩阵的一列,最终得到整个酉矩阵的估计。仿真结果表明,与经典的通过连续Givens旋转求酉矩阵的SOBI算法相比,该算法全局拒噪水平至少改善了9 dB,而所需计算时间仅为SOBI的二分之一,更有效地解决了盲源分离问题。     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

基于核估计的超定混合共轭盲信号分离方法

当混合信号的个数多于源信号时,盲源分离模型中的混合矩阵被描述为一个超定矩阵,因此不能直接通过估计逆矩阵的方法来得到分离矩阵。针对该线性超定混合情况提出了一种基于共轭梯度的盲源分离方法。该方法基于最小互信息准则,通过对行满秩分离矩阵的奇异值分解而引入了超定盲源分离的代价函数。利用共轭梯度优化算法推导出了迭代计算分离矩阵的更新公式。在每次迭代计算中,利用随机变量概率密度估计的核函数法在线估计分离信号的评价函数。避免了诸多传统盲分离算法中只能凭经验选取特定的非线性函数来代替评价函数的问题。仿真结果验证了所提算法的有效性。     

基于二阶统计和时间结构的盲信号分离方法

盲源分离(BSS)的目标就是在混合过程未知的情况下,仅仅依据观测得到的混合信号,恢复出不能直接观测的源信号。针对具有时间结构的源信号,即各个源信号分量满足空间上不相关但时间上相关,提出了一种基于二阶统计量的盲源分离方法。该方法首先对混合信号进行鲁棒预白化处理,其中依据最小描述长度准则对源信号的维数进行估计;然后通过对白化信号的时延协方差矩阵进行奇异值分解(SVD),从而实现源信号的盲分离。仿真中通过对一组语音信号的分离验证了算法的效果,并利用信号干扰比(SIR)和性能指标函数(PI)两个指标定量地对算法的性能进行了度量。     

病态混叠下语音信号的盲源分离

针对稀疏信号盲源分离势函数法需要过多参数,以及聚类算法需要知道源信号个数的缺陷,采用基于拉普拉斯模型的势函数法估计源信号数目和混合矩阵。将混合信号重新聚类,对每一类信号的协方差矩阵进行奇异值分解,混合矩阵得到更精确的估计,进而源信号也得到更精确的估计。通过计算机仿真,表明了该算法的优越性。     

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。     

基于改进DBSCAN算法估计欠定混合矩阵的应用研究

针对欠定盲源分离（Underdetermined blind source separation, UBSS）问题,采用基于密度的空间聚类（Density based spatial clustering of applications with noise, DBSCAN）算法估计聚类中心时易陷入局部最优,因此由聚类中心坐标构成的混合矩阵的精度降低,导致信号分离结果不理想。本文在DBSCAN基础上提出布谷鸟自适应搜索群优化算法（Cuckoo adaptive search swarm optimization of density based spatial clustering of applications with noise, CASSO-DBSCAN）,该算法依据Levy飞行策略增强全局自适应搜索能力,并利用群体学习思想精细寻优得到最优解,从而更加精准地估计聚类中心。通过语音信号的盲源分离仿真实验对该算法进行验证,结果表明,该算法能够有效改善欠定混合矩阵的估计精度,具有良好的鲁棒性,证明了其可行性。     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

一种加权增强的欠定盲辨识方法

针对欠定盲源分离混合矩阵问题,提出了一种基于二阶统计量平行因子分解,加权增强最小二乘法的欠定混合盲辨识方法。该算法不需要源信号满足稀疏性要求,仅在源信号满足相互独立和最多一个高斯信号的条件下,将独立源信号的空间协方差矩阵构建三阶张量,采用加权增强最小二乘法实现张量的标准分解,完成混合矩阵的估计。由于平行因子分解的唯一性在欠定条件下依然成立,该算法可以解决欠定盲源分离问题。仿真实验结果表明:提出的算法在计算欠定混合时具有很好的辨识效果,而且实现简单,可满足实际应用的要求。     

基于Hough变换的时频盲源分离算法

1998年,Belouchrani,A和Amin,M.G基于时频分布提出了一种经典的时频盲源算法,不足是当有噪声存在时,性能会下降。主要考虑源噪声的盲源分离问题,以Wigner分布计算观测信号的时频阵并将其看做图像,利用Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,运用自项点理论选择合适的矩阵进行联合近似对角化估计源信号。该方法扩展了盲源分离的限制条件,且通过把噪声能量扩展到整个参数平面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。     

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。     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

EEMD的非平稳信号降噪及其故障诊断应用

针对往复机械振动信号的瞬时非线性、非平稳特性,提出一种基于总体平均经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）与过零率分析相结合的自适应降噪方法,并与能量矩、支持向量机（Support Vector Machine,SVM）结合应用于故障诊断。利用EEMD对非平稳振动信号进行自适应的分解,有效抑制经典经验模式分解的可能出现的模式混叠现象,再以所得的各固有模式分量（Intrinsic Mode Function,IMF）的过零率作为噪声评判准则,重构过零率阈值范围内的非噪声分量以实现信号降噪。另外,计算非噪声分量的能量矩作为故障特征提输入二叉树支持向量机实现的柴油机故障诊断验证了该方法有效性。     

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

盲源分离的一种时频比方法

在M.Puigt和Y.Deville提出的时频盲源分离算法基础上,引入S变换来获取非平稳信号的多分辨率特性。首先通过S变换将一维混叠信号映射到二维时频平面,然后构造不同混叠信号的时频比矩阵,通过在时频比矩阵范围内搜索单源分析域计算混合阵的每个元素,进而估计源信号。该方法能有效分离非平稳信号且具备多分辨率特性。     

Blind source separation based on high-resolution time-frequency distributions

Blind source separation (BSS) based on time-frequency distributions (TFDs) exploits the underlying diagonal or off-diagonal structure of TFD matrices to separate the source signals. In this paper, we propose a new signal-independent kernel which is defined in both the time-lag and the Doppler-lag domain and satisfies most of the desirable properties of a TFD. The main objective of this research is to achieve the high resolution and the maximum cross-term reduction with the preferable diagonal or off-diagonal structure of TFD matrices in BSS applications. Moreover, a BSS approach is developed which includes first whitening mixed signals, then constructing a set of TFD matrices using the proposed TFD and the Hough transform, finally a joint diagonalization of a combined set of TFD matrices to estimate the mixing matrix and the source signals. By use of the techniques proposed in this paper, the improved performance of BSS of nonstationary signals has been achieved.     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。