基于单源点检测的跳频信号混合矩阵估计

为了提高同步正交组网跳频信号在欠定盲源分离模型下的混合矩阵估计性能,提出一种单源点检测准则,用时频分割估计频率簇,并改进势函数,得到一种混合矩阵估计方法。首先应用短时傅里叶变换得到时频矩阵;再按跳处理估计载频,并根据载频分割时频矩阵;接着根据单源点检测准则对各簇中的时频点进一步筛选;最后用自适应势函数分别估计出相应时频比的角估计值,得到各跳的混合矩阵。仿真结果表明,提出的方法有效解决了低信噪比下聚类算法无法准确估计网台数以及混合矩阵估计效果差的问题。

基于单源点检测的欠定混合矩阵的聚类分析

为提高欠定盲源分离的混合矩阵估计精度,提出一种单源点(SSP)检测与具有噪声的基于密度空间聚类(DBSCAN)相结合的新方法。首先,把时域的观测信号变换成时频域的稀疏信号,采用SSP检测以增强稀疏信号的线性聚类特性,并通过镜像映射把线聚类转变成数据的致密聚类;然后,利用DBSCAN搜索高密度的点并不断连接近邻数据以形成聚类簇,从而自动寻找聚类的数量和相应的聚类中心。由于每个聚类中心对应于欠定混合矩阵的一个列向量,因此采用所提出的聚类分析方法可实现对混合矩阵的估计。对音频信号的仿真结果证明,该方法能有效地提高混合矩阵的估计精度。

基于时频域单源区域的延迟欠定混合非平稳信号盲分离

针对衰减-延迟欠定混合信号的盲分离问题,提出了基于子空间分解的时频域上单源区域检测方法,估计出信号在时频域上的单源区域以及相应的特征向量,然后利用系统聚类法对单源区域对应的特征向量进行聚类分析,估计出源信号数目以及混合矩阵,最后通过改进的基于子空间投影算法完成源信号的恢复.仿真结果表明本文算法提高了混合矩阵和源信号的估计性能.

一种基于链形混合拓扑的输电线路温度异常检测方法

我国输电线路存在异常检测数据准确性和及时性较低,无线环境恶劣,数据在时空难关联等问题,因此建设一个高效、安全、准确的输电线路异常检测模型迫在眉睫。提出一种基于链形混合拓扑的异常检测方法,将传感器采集到的数据送至基站进行单源和多源多维数据异常检测。该方法首先设计了一种基于时间维度的单源数据异常检测算法(single-source data anomaly detection algorithm,SDADA),对检测时间内的数据进行依次遍历,确定有效和异常数据的个数,然后对异常检测结果进行综合分析。其次,设计了一种在基站端执行的多源多维数据异常检测算法(multi-source and multi-dimensional data anomaly detection algorithm,MDADA),在SDADA的基础上,通过位置相关性定义了不同传感器之间的距离关系,用于确定候选异常检测队列,并对特定时间的异常数据值进行综合分析。实验结果表明,与传统方案相比,该方法具有更高的检测精度和执行效率。

基于欠定盲源分离的同步跳频信号网台分选

针对同步跳频(FH)网台分选问题,该文提出一种基于时频域单源点检测的欠定盲源分离(UBSS)分选算法。该算法首先对观测信号时频变换,利用自适应阈值去噪算法消除时频矩阵背景噪声,增加算法抗噪性能,然后根据信号绝对方位差算法进行单源点检测,有效保证单源点的充分稀疏性,并通过改进的模糊值聚类算法完成混合矩阵和2维波达方向估计,降低噪声和样本集分布差异对聚类结果的影响,提高估计精度。最后采用变步长的稀疏自适应子空间追踪(SASP)算法对源信号进行重构恢复。仿真实验表明,该算法在低信噪比(SNR)条件下,跳频信号波达方向估计和恢复精度较高,能够有效完成同步跳频信号的盲分离。

一种强鲁棒性的盲分离混合矩阵估计方法

针对传统盲分离混合矩阵估计鲁棒性差、易受初始值影响、精度不高等问题,该文将人工蜂群算法(ABC)用到盲分离中,结合稀疏信号混合矩阵估计的特点,提出一种基于不同搜索策略和编码方式的两阶段蜂群算法的混合矩阵估计方法,通过新的蜜蜂搜索行为和子蜂群之间的协同作业,明显加快了算法的收敛速度,提高了混合矩阵的估计精度。仿真实验表明,该方法在源个数较多、弱稀疏、低信噪比的情况下仍然可以很好地估计混合矩阵。相比已有方法,该方法不仅具有很强的鲁棒性和很高的估计精度,而且不需要太大的计算量。

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。

源数估计对于独立分量分析算法的影响分析

研究了源数估计对于独立分量分析算法的影响。对于正定模型,当估计源数少于真实源数时,模型变为超定模型,采用自然梯度法开展仿真实验;当估计源数多于真实源数时,模型变为欠定模型,采用基于时频单源点检测的混合矩阵估计算法和子空间表示信号恢复算法开展仿真实验。实验结果表明,在满足一定信噪比的条件下,对于正定模型超定化问题,通常有数目等于估计源数的源信号能够成功分离;对于正定模型欠定化问题,通常所有源信号都能正确分离,只是分离信号中出现了1个或多个源信号的拷贝,可以通过检测分离信号的相关性,对拷贝信号进行剔除或合并,对分离效果无影响。研究结论对于独立分量分析算法的应用具有一定参考价值。

信源数量估计的可视化线性聚类方法

在通过传感器采集信源获得观测数据的过程中,估计信源的数量对源信号处理和观测数据分析起着非常重要的作用。为了确定稀疏信源的数量,本文提出了增强信号线性聚类特性的可视化估计方法。首先,利用短时傅里叶变换(STFT)把时域的观测信号变换成频域中的复频谱以增强观测数据的稀疏性;然后,建立一种角度余弦的相似性测度,以频谱实部分量与虚部分量之间的角度阈值来判别数据点所归属的信源;最后,把该角度阈值应用于单源点(SSP)检测中,剔除造成干扰的多源点(MSP)数据,凸显稀疏信源的线性聚类特性。实验结果表明,本文方法可以有效地增强数据的线性聚类特性,实现对信源数量直观地估计。