基于SSK的室内VLPC系统设计及性能分析

本文设计了一个多输入单输出(Multiple-Input Single-Output,MISO)的三维室内可见光定位通信一体化(Visible Light Position and Communication,VLPC)系统,该系统在接收端基于接收信号强度(Received Signal Strength,RSS)的三维可见光定位(Visible Light Position,VLP)算法获得定位数据,同时估计信道状态信息(Channel State Information,CSI)并上传给发射端进行定向通信.该系统的发射端基于空移键控(Space Shift Keying,SSK)的室内可见光通信(Visible Light Communication,VLC)技术实现系统的通信功能.另外,本方案可以完全避免通信与定位子系统之间的干扰.同时,通过推导定位误差的克拉美罗下界(Cramér-Rao Lower Bound,CRLB)和SSK-VLC的通信可达速率来评估本文提出的VLPC系统的性能.仿真结果验证了本文所提方案的有效性.

压缩感知的多重测量向量模型与算法分析

压缩感知(Compressed Sensing:CS)技术是信号处理领域中数据获取和重构的新方法,其在理论上保证了只要源信号在时域或某种变换域中具有稀疏性,可以以远低于Shannon/Nyquist采样定理的采样率对信号进行采样而不至于引起信息丢失,同时,还可以以高概率重构源信号。CS现有算法大都从单重测量信号中恢复稀疏信号源,即为单重测量向量(SMV)模型。而在实际应用中,存在大量的多重测量向量情形,从多重测量向量中恢复未知的具有相同稀疏结构的联合稀疏信号源的模型称为CS的多重测量向量(MMV)模型。本文首先对CS-SMV和CS-MMV模型的基本数学原理进行了详细介绍,讨论了两种情况下稀疏源信号恢复的存在性与唯一性,然后在此基础上重点对近年来出现的各种联合稀疏信号的恢复算法进行了综述,分析了各种算法的性能,较全面的讨论了MMV模型的应用前景。最后对CS-MMV模型的发展趋势进行了总结和展望。

非线性盲源分离的原理及算法综述

本文主要阐述了非线性盲源分离(BSS)/独立成分分析(ICA)模型的基本数学原理、分离算法、算法性能及其应用。首先对线性和非线性BSS/ICA的数学模型作了介绍,重点介绍了非线性BSS/ICA解的不确定性,然后在此基础上对近十年来出现的各种非线性BSS/ICA算法进行简单综述,着重分析了一类可解且应用比较广泛的非线性BSS/ICA模型-后非线性BSS/ICA模型及其分离算法。最后对非线性BSS/ICA存在的问题和发展趋势进行了总结。

盲信号压缩重构——模型与方法

通过分析欠定盲信号分离模型和压缩感知模型本质内涵和内在联系,建立了基于压缩感知的欠定盲信号重构问题的数学模型,该模型对于欠定盲信号分离的实现提供了一个新的解决途径。基于该模型的压缩重构方法通过两步来实现:分别利用源信号稀疏域性质实现对盲估计欠定混合矩阵的估计;利用压缩感知的重构稀疏源信号的方法,实现对欠定稀疏盲信号的分离和重构。提出的算法根据实际应用场合,具有一定扩展能力。最后通过模拟实验验证了提出模型和相应算法的有效性。

一种基于Infomax的盲分离算法及其稳定性

本文讨论具有超高斯分布与亚高斯分布的混合源信号的分离问题 ,提出了一种有效的分离算法———拓广的Infomax算法 ,并分析了该算法的渐近稳定性 ,与原有的Infomax算法相比 ,本文所提算法具有更广泛的应用范围 .

基于自然梯度的独立子空间盲信号处理方法

作为盲信号处理的独立成分分析方法的扩展,独立子空间分析具有更广阔的应用前景.本文首先给出了独立子空间分析的一般定义和正则化定义,同时把其与独立成分分析方法进行了对比.此外,讨论了独立子空间分析的可分离性与解的唯一性问题.基于极大似然估计和自然梯度方法,本文给出了独立子空间分析的自然梯度算法.仿真实验通过二维的独立子空间分析说明本文提出算法的有效性.

基于Parzen核估计的ICA算法及其性能分析

基于概率密度非参数估计的Parzen核估计,提出了一种新的独立成分分析(ICA)算法,实现了对源信号分布的全“盲”要求。该算法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且能对任意的源混合信号(包括:超高斯与亚高斯分布,对称与非对称分布)进行有效盲分离。模拟实验从统计性质和计算时间2个方面说明了所提算法的性能。

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.

基于自适应评价函数的独立成分分析算法

简要介绍独立成分分析(ICA)及其模型,然后在极大似然估计的框架下,基于两类参数模型—Gaussian混合密度模型和Pearson系统模型,研究了具有对称分布(包括超高斯分布与亚高斯分布)和非对称分布源混合信号的盲分离问题,给出了一种有效的基于灵活评价函数的ICA新算法,该算法在一定意义上实现了对源信号概率分布的真正全“盲”。与原有的ICA算法相比,该算法具有更广泛应用范围。模拟实验验证了算法的有效性。

“信号与系统”课程中关于信号相位谱的分析

"信号与系统"课程是一门历史长久的电子信息类专业本科生必修的重要课程。作为该课程的重难点之一的傅里叶分析在教学过程中更是重中之重。从傅里叶变换入手,重点分析了二维灰度图像和一维语音信号的相位谱特点及作用,让学生了解信号相位谱的表现形式及其在实际问题中的作用,从而加深对理论知识的理解和掌握。教学实践表明,该方法对于激发学生学习兴趣、提高学生分析和解决相关问题的能力效果显著。

基于时-频分布的非平稳盲信号分离算法

大多数盲信号分离算法只适用于非高斯、平稳、相互独立的源信号，因此使用高阶统计量（HOS）有效解决以上问题。然而非平稳环境在实际问题中经常出现，本文主要考虑基于Cohen类时-频分布的Wigner—Viue分布的有噪声污染的盲信号分离算法。通过联合对角化一组空间时-频分布矩阵，给出了一种选取时频点初值的选取准则，最后给出了针对非平稳混合信号的盲分离算法。仿真实验说明本文提出算法的有效性。

基于分层模型的SC-FDE系统低复杂度稀疏信道估计

针对单载波频域均衡(SC-FDE)接收机提出一种低复杂度的贝叶斯稀疏信道估计算法。该算法利用广义平均场(GMF)推理方法结合贝叶斯分层先验模型得到。在GMF推理方法中,使用辅助函数来等效未知变量的联合后验概率密度函数;然后对辅助函数进行因子分解,通过对待估计的稀疏向量的辅助函数进行不同大小的分块来实现降低复杂度的目的,而原始的高复杂度算法(SC-VMP-3L)是所提出的算法的特例。最后,将GMF推理方法用于频域均衡中。仿真结果表明,在信道估计精度和误码率方面,所提出的算法性能与SC-VMP-3L算法的性能接近,且明显优于传统的正交匹配追踪(OMP)稀疏信道估计方法。在复杂度方面,与SC-VMP-3L算法相比有显著降低。

无线网络中基于变分消息传递的分布式协作定位算法

针对基于消息传递算法的节点定位方法复杂度和通信开销较高的问题,提出一种适用于节点可移动网络的低复杂度低协作开销的节点自定位算法。为降低通信负载,该算法将消息约束为高斯型函数,网络中只需传输各消息的均值和方差,并采用适用于指数模型的变分消息传递(VMP)算法以降低计算复杂度。首先,根据节点的历史轨迹对节点位置进行预测,得到当前时刻的先验信息。然后,在因子图上按照VMP消息更新规则、通过迭代近似求解节点位置变量的后验分布。在消息更新中,对于非线性测距模型引起的非高斯置信,通过非线性项的二阶泰勒级数展开将其近似为高斯型函数。最后,根据最大后验估计准则得到位置估计。仿真结果表明,该算法的定位精度与基于非参数化置信传播的SPAWN(Sum-Product Algorithm over a Wireless Network)接近,但计算复杂度和通信负载均显著降低。

基于线性神经网络的独立成分分析算法

基于概率密度非参数估计的广义高斯密度(GGD)核估计和线性独立成分分析(ICA)神经网络,本文提出了一种新的非参数ICA算法,实现了对源信号分布的全盲要求.该算法直接由观测信号样本出发,对分离信号评价函数直接估计,可以只用一种灵活评价函数分离任意的杂系混合信号,并且GGD核可以根据源信号的高阶统计性质自适应的改变以适应不同的要求,从而在一定程度上解决了ICA算法中选取估计信号评价函数的问题.模拟实验说明了所提算法的性能优越性.

一种新的基于极大似然估计的盲分离算法

盲源分离(Blind Source Separation,BSS)或独立成分分析(Independent Component Analysis,ICA)是一种矩阵处理或数据分析技术,主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广,它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题,从观测信号与分离信号的概率密度函数(Probabihty Den-sity Function PDF)之间的关系推导出了一种新的基于极大似然估计的盲分离算法,通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF,以此来分离源信号。并通过模拟实验验证了此算法的有效性。

基于改进ICA-R算法的多用户信号盲提取

针对单通道通信系统中多用户信号盲源分离(Blind Source Separation,BSS)时出现的干扰问题,提出了一种改进的带参考向量的独立成分分析(Independent Component Analysis with Reference,ICA-R)算法。该算法通过将接近性度量函数的倒数添加到对比函数中,从而得到一个新的对比函数,然后利用拉格朗日乘子法得到最优的权向量,最后,通过线性转换提取出多用户信号。提出的改进的参考独立分量分析算法与先进的ICA-R方法相比具有更快的收敛速度和更高的提取精度。仿真结果表明,该算法能够有效地提取出多用户信号,并且提取精度高,算法的鲁棒性好。

基于ICA的谐波恢复方法

加性有色高斯或非高斯噪声中谐波恢复是信号处理中的一个常见问题,本文利用独立成分分析(ICA)来研究加性噪声中实谐波信号的恢复问题.首先建立了谐波信号的ICA数学模型,分析了谐波恢复可以由ICA方法实现的数学原理,然后提出了噪声中谐波恢复的ICA方法,最后通过仿真实验说明了基于ICA的谐波恢复算法的有效性.

基于IGA的AR序列叠加过程的分解与复原

本文研究由若干个AR信号序列叠加形成的多道时间序列的分解与复原问题.首先从信号的独立性出发,利用信号的高阶统计信息,采用独立成分分析(Independent Component Analysis,ICA)中的广义信息最大化(Infomax)算法寻找一可逆矩阵将混合信号进行分离,然后再根据AR序列的偏相关系数的截尾性,利用Levinson递推公式估计出AR序列的参数,最后通过模拟实验验证了此方法的有效性.

约束独立成分分析模型及其算法综述

约束独立成分分析(Constrained Independent Component Analysis,CICA)是在独立成分分析(Independent Component Analysis,ICA)基础上,发展起来的一类信号分离(提取)技术。CICA充分利用源信号的先验信息,从而有效地解决ICA应用中出现的不确定性、计算量大和内存空间浪费等问题。首先,简述了CICA的基本模型以及源信号较普遍的先验信息:非负性、稀疏性和时间结构;然后,重点介绍了基于每一种先验信息的CICA算法,并总结了CICA模型的应用;最后,展望CICA模型的未来改进方向。

室内可见光通信系统中基于压缩感知的空移键控信号检测方法

针对基于空移键控(Space Shift Keying,SSK)的室内可见光通信(Visible Light Communications,VLC)系统中的信号检测,本文将其转换为稀疏信号重构问题,使得具有相对较低计算复杂度的压缩感知(Compressed Sensing,CS)稀疏重构算法成为基于SSK调制的室内VLC系统中一种很有竞争力的信号检测手段.为了满足稀疏重构的测量矩阵性质,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的测量矩阵预处理方法,在理论上保证了在室内VLC系统中使用基于CS的稀疏信号检测方法的可行性.然后通过采用CS中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)和压缩采样匹配追踪(Compressive Sampling Matching Pursuit,CoSaMP)两种经典算法实现了对室内VLC系统SSK信号的检测,同时还提出了一种新的结合贪婪算法和极大似然算法的稀疏信号重构检测方法.最后,通过计算机仿真验证了该类算法在基于SSK调制的室内VLC系统中信号检测的有效性.仿真结果证实了在基于SSK调制技术的室内VLC系统中,所提的CS检测算法性能可以在实际应用场景的系统参数设置下达到比(Maximum Likelihood,ML)更好的误码率和计算复杂度.