基于RobustICA的数字调制混合信号盲源分离算法

针对含噪环境下数字调制混合信号盲源分离（BSS）误码率（BER）过高的问题,提出了一种基于Robust ICA的二阶段盲源分离算法R-TSBS。该算法采用Robust ICA算法对阵列响应向量构成的混合矩阵进行估计,然后利用数字调制信号的有限符号集特征,在第二阶段用最大似然估计（MLE）方法估计各个数字调制源信号发送的符号序列,达到盲源分离的目的。实验仿真表明,传统的独立成分分析（ICA）算法如Robust ICA算法和Fast ICA算法误码率很高,在信噪比（SNR）为10 d B时,其误码率达到了3.5×10-2左右,而基于Fast ICA的二阶段盲源分离算法F-TSBS和基于Robust ICA的二阶段盲源分离算法R-TSBS的误码率则下降到了10-3,分离性能得到了明显改善;在较低的信噪比（0~4 d B）下,R-TSBS算法较F-TSBS算法约有2 d B性能提升。

基于CEEMD和RobustICA的机械设备故障特征提取方法研究

为有效提取复杂背景噪声条件下的滚动轴承故障特征,提出一种基于互补集合经验模态分解(CEEMD)和鲁棒性独立成分分析(RobustICA)相结合的方法。该方法先通过CEEMD分解故障信号并得到若干个不同频率的信号分量。然后依据所构建的组合权重指标体系完成有效信号分量的筛选与重构,并引入虚拟噪声通道。最后,通过RobustICA方法完成信号和噪声的分离,并将降噪后的信号进行包络解调。结果表明,所提出的方法不仅对强噪声干扰有很好的降噪效果,而且能够准确地提取出故障特征。

基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明:在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。

基于健壮性独立分量分析的胎儿心电分离

独立分量分析(ICA)旨在将观测的随机向量分解为相互独立的变量,其中快速定点算法(FastICA)及其变种以其快速简单的分离效果得到日益关注。健壮性独立分量分析(RobustICA)采用最优步长改进了FastICA的不足。最后在胎儿心电(FECG)分离方面和FastICA相比较,结果证明RobustICA优越的表现。