亚、超高斯信号后非线性混合的盲分离

研究后非线性混合信号的盲分离 ,从最大似然角度推导了一般后非线性分离结构的学习公式 ;在前人一些工作的基础上 ,提出一种用于亚、超高斯信号后非线性混合的盲分离算法 .通过对人造及自然信号的实验 ,证实了该算法的有效性 .

一种用于超高斯和亚高斯混合信号盲分离的新算法

揭示了ＩｎｆｏＭａｘ盲源分离算法也是以Ｋｕｌｂａｃｋ－Ｌｅｉｂｌｅｒ散度为代价函数的，它之所以能有效地用于语音盲分离，是因为所选取的非线性函数的导数能够近似为源信号的概率密度函数（ＰＤＦ）．由此又提出一种广义非线性ＩｎｆｏＭａｘ算法，该算法在估计分离矩阵的同时也对非线性函数进行迭代估计．实验结果表明这一算法能有效地分离任何超高斯和亚高斯信号的混合信号，包括语音。

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法 ,将非线性引入主分量分析算法 ,可以完成对输入信号独立分量的分离 .分析认为现有的非线性主分量分析算法只能实现实数信号的分离 ,对复数信号无效 .通过对非线性函数进行修改 ,提出了一种非线性主分量分析复数算法 ,成功地实现了复数信号的盲分离 .文中还借助于计算机仿真 ,对实数和复数算法分离亚高斯和超高斯信号混合的特性进行了分析评价 .

超高斯和亚高斯混合信号的盲分离算法研究

基于超高斯与亚高斯混合信号模型 ,提出一种新的信号即时混合盲分离算法 ,改进了Bell信息传输最大化盲分离准则 ,选择了两个固定的非线性函数近似超高斯与亚高斯信号的概率密度函数。实验表明 ,与参数方法比较 ,减少了复杂性和计算量 ,可以有效对各种源信号的线性即时混合进行分离。

基于模糊逻辑的亚高斯与超高斯源混合盲分离

对于同时存在亚高斯和超高斯源信号的盲信号分离问题,提出了适用于两类信号同时存在的合成概率模型,并以此概率模型计算非线性函数得到了分离两类信号的统一算法。同时,引入模糊推理系统在线确定自适应算法的迭代步长,因此学习算法的收敛速度更快,而且稳态误差更小。仿真实验分别通过对语音信号以及人工合成信号的分离,验证算法的有效性,并通过计算分离信号的干扰信号比(interference-to-signal ratio,ISR),证明提出的算法能够更好、更快地分离亚高斯与超高斯混合信号。

A Block-Adaptive Blind Separation Algorithm for Post-Nonlinear Mixture of Sub- and Super-Gaussian Signals

The problem of blind separation of signals in post nonlinear mixture is addressed in this paper. The post nonlinear mixture is formed by a component wise nonlinear distortion after the linear mixture. Hence a nonlinear adjusting part placed in front of the linear separation structure is needed to compensate for the distortion in separating such signals. The learning rules for the post nonlinear separation structure are derived by a maximum likelihood approach. An algorithm for blind separation of post nonlinearly mixed sub and super Gaussian signals is proposed based on some previous work. Multilayer perceptrons are used in this algorithm to model the nonlinear part of the separation structure. The algorithm switches between sub and super Gaussian probability models during learning according to a stability condition and operates in a block adaptive manner. The effectiveness of the algorithm is verified by experiments on simulated and real world signals.