基于盲源分离的工业谐波源负荷分类识别方法

针对传统谐波源辨识方法无法实现工业用户谐波源具体类型的非侵入式识别的问题,该文提出一种基于盲源分离的工业谐波源负荷分类识别方法。该方法仅依据工业用户进线处电压、电流数据即可实现谐波源负荷具体类型的非侵入式识别。首先,从负荷等值阻抗模型入手,建立工业用户多负荷等值阻抗并联电路模型;其次,采用集合经验模态分解与奇异值分解相结合的方法确定构成用户进线处监测点综合等值阻抗信号的源阻抗信号数目;然后,采用快速独立分量分析实现将谐波源负荷等值阻抗信号从综合负荷等值阻抗信号中分离;最后,将分离出谐波源负荷等值阻抗信号频率特征与典型谐波源负荷进行匹配,进而实现分类识别。仿真与实测实验结果均表明,所提方法能够准确识别工业用户所含多种谐波源负荷的具体类型,具有较好的可行性和实用性。

动态变化混叠模型下盲源分离中的源数估计

在进行欠定盲分离时,特别是对于源信号数目及混合矩阵动态变化的情况,常规的欠定盲分离及源数估计方法不能对源信号数目的变化时刻做出判断,因此很难实现动态变化的源信号数目实时和准确的估计。针对这个问题,提出了一种动态变化混叠模型下欠定盲源分离中的源数估计方法。首先,建立动态变化混叠情形下盲源分离的数学模型及动态标识矩阵。其次,基于构建的动态标识矩阵统计和判断动态源信号数目的变化情况。最后,通过分段时间内多维观测矢量采样点聚类区间局部峰值统计,实现动态变化混叠模型下盲源分离中的源信号数目的有效估计。仿真结果表明,该方法能有效实现动态变化混叠模型下欠定盲源分离中的源数估计,并且信号估计效果良好。

基于参数估计和Kalman滤波的单通道盲源分离算法

针对存在频谱混叠通信信号的单通道盲源分离(single channel blind source separation,SCBSS)问题,提出一种基于参数估计和Kalman滤波的SCBSS算法。首先,针对根多重信号分类(root multiple signal classification,Root-MUSIC)算法在相近载频估计方面的局限性,提出一种自适应的Root-MUSIC算法,对接收到的盲混合信号的源信号数目和载频进行估计;其次,将Kalman滤波的思想引入到SCBSS算法中,根据估计得到的源信号参数构造信号模型,将其作为Kalman滤波系统的观测向量,执行“时间更新”和“测量更新”两个过程,得到源信号的最佳估计,实现单通道盲源分离。仿真结果表明,所提算法能够有效地从存在频谱混叠的单路接收信号中准确地分离出多路源信号,比传统的算法分离精度高,运算速度快。

CEEMDAN和盲源分离在轴承复合故障诊断中的应用

滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解(CEEMDAN)和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数(IMF),利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。

基于盲源分离和机器学习的光伏并网逆变器故障诊断

针对光伏并网逆变器单个开关管发生开路故障不易察觉的问题,提出了一种基于盲源分离和机器学习的诊断方法。首先,采用FastICA算法实现单个开关管开路故障的判定;其次,提取旋转电流在时域和频域下的特征值;最后,以旋转电流特征值为输入、逆变器工作状态编码为输出进行机器学习模型训练,并对模型进行交叉验证。仿真实验结果表明,该方法的开路故障诊断准确率较高。

一种改进的盲源分离抗主瓣干扰方法

在主瓣干扰场景下,由于常规自适应空域滤波的方法效果不佳,雷达常采用盲源分离抗主瓣干扰。但是,盲源分离后的信号难以估计目标角度。本文针对盲源分离后目标测角误差较大的问题,提出了一种改进方法,既能有效分离目标和干扰,又能准确估计目标角度。该方法对天线阵面进行非规则子阵划分,先对每个子阵进行波束域盲源分离,再对分离出的目标信号进行空间谱估计。本文分别采用JADE算法和MUSIC算法进行盲源分离和空间谱估计,测角性能受干扰功率影响较小,测角精度高。仿真结果证明了该方法的有效性和可行性。

基于欠定盲源分离和深度学习的生猪状态音频识别

【目的】为解决群养环境下生猪音频难以分离与识别的问题,提出基于欠定盲源分离与E C A-EfficientNetV2的生猪状态音频识别方法。【方法】以仿真群养环境下4类生猪音频信号作为观测信号,将信号稀疏表示后,通过层次聚类估计出信号混合矩阵,并利用lp范数重构算法求解lp范数最小值以完成生猪音频信号重构。将重构信号转化为声谱图,分为进食声、咆哮声、哼叫声和发情声4类,利用ECA-EfficientNetV2网络模型识别音频,获取生猪状态。【结果】混合矩阵估计的归一化均方误差最低为3.266×10^(−4),分离重构的音频信噪比在3.254~4.267 dB之间。声谱图经ECA-EfficientNetV2识别检测,准确率高达98.35%;与经典卷积神经网络ResNet50和VGG16对比,准确率分别提升2.88和1.81个百分点;与原EfficientNetV2相比,准确率降低0.52个百分点,但模型参数量减少33.56%,浮点运算量(FLOPs)降低1.86 G,推理时间减少9.40 ms。【结论】基于盲源分离及改进EfficientNetV2的方法,轻量且高效地实现了分离与识别群养生猪音频信号。

低复杂度的盲源分离和去混响联合优化方法

提出了一种低复杂度的基于加权预测误差(WPE)的独立低秩矩阵分析(ILRMA)方法。与现有的WPE-ILRMA方法把预测矩阵当成一个整体来处理不同,所提方法将预测矩阵展开来推导代价函数,利用不同声源的混合滤波器和分离滤波器之间的正交性简化代价函数的优化过程,进而以更低的计算复杂度对混合信号去混响。通过利用解耦预测矩阵和分离滤波器之间的关系,所提方法将维数较大的矩阵求逆转化为维数较小的矩阵求逆,从而取得了比WPE-ILMRA方法更低的计算复杂度。在最大似然框架下推导了所提方法的代价函数,并采用坐标梯度下降算法来估计参数。实验结果表明,所提方法能以更低的计算复杂度和更高的稳定性取得与WPE-ILRMA方法相似的分离性能。

基于单通道AE盲源分离的结构损伤定位

声发射(acoustic emission,简称AE)能够实现复杂板状结构损伤定位,但多数AE检测定位方法仅针对单AE源的情况,而实际中复杂板状结构产生损伤时会伴随多个AE卷积混合信号。为了解决工程中多AE源定位的问题,提出一种单通道AE盲分离-模态提取定位方法。首先,对采集的AE信号进行信号降噪,使用单通道盲源分离算法分离出无回波成分的AE信号,将多源定位转为多个单源定位问题;其次,通过提取单频模态,求取声波传播速度,估计到达时间差来进行疲劳裂纹损伤定位;最后,经过计算机仿真实验和钢箱梁桥断铅半实物仿真实验,验证了方法的准确性和有效性,并通过载荷破坏AE检测实验验证了方法的实用性。结果表明,所提方法能够应用于复杂板状结构多AE源定位问题,为实际工程应用提供了可靠的依据及参考价值。

基于盲源分离的纱线张力信号去噪研究

针对采集到的纱线张力信号精确度低、对张力的大小读取困难的问题,课题组提出一种经验模态分解(empirical modal decomposition, EMD)、奇异值分解(singular value decomposition, SVD)、快速独立成分分析(fast independent component analysis, FastICA)相结合的纱线张力信号盲源分离方法。应用经验模态分解方法对张力信号进行自适应分解,得到多个平稳、有线性特点的本征模态函数(intrinsic mode function, IMF)分量;将本征模态函数与张力信号组成多维观测信号,对其协方差矩阵进行奇异值分解,计算邻近奇异值差值并确定源信号的数目;计算IMF分量与张力信号间的相关系数,选择IMF分量与张力信号重构,得到虚拟的多通道信号;对得到新的多通道观测信号进行快速独立成分分析运算,实现纱线张力信号的噪声分离;搭建实验平台去噪实验对该算法进行分析验证。结果表明:该方法实现了纱线张力信号的有效分离,信噪比得到了提高,与15层小波去噪相比,信噪比提高了2.678 1 dB,完成了纱线张力自由振动信号的噪声去除。

空基双天线场景下盲源分离解析估计方法

基于盲源分离的抗干扰技术在诸多领域中具有重要应用价值。在空基数据链常用的双接收天线场景中,应用传统盲源分离方法的计算复杂度比较高,难以进行实时处理,限制了盲源分离技术的性能上限。通过考虑空基数据链中期望信号与干扰信号的单径传播范式,提出了基于四阶累积量优化函数的盲源分离解析求解方法,并获得其闭式解。所提方法在保持估计性能的基础上降低了近67%的计算复杂度,更适于空基数据链计算资源受限下的硬件实现。所提解析方法具有近于0的翻转概率,能够进一步保持分离信号的输出顺序,有利于提升后续信号处理阶段中信号到达检测的估计性能。

量子人工蜂群优化的盲源分离算法

为了实现分离多种服从不同分布类型的源信号,将一种改进的量子人工蜂群方法用于优化盲源分离算法。在标准量子人工蜂群算法的基础上,引入混沌优化算子生成初始解,使初始种群的解均匀分布在可行解空间上;在搜索阶段引入动态的邻域因子和遗忘因子,控制寻优方向,提高算法的收敛速度和寻优能力;以信号峰度构造目标函数,利用改进的量子人工蜂群方法对目标函数寻优,获得分离矩阵,实现混合信号的分离。仿真结果表明,所提算法能够分离亚高斯分布、超高斯信号及两者的混合信号,且在收敛速度和分离精度上均优于传统算法。

基于EMD-NLPCA的欠定非线性盲源分离算法及应用

对欠定非线性混合信号的盲源分离算法进行研究,提出一种基于经验模式分解与非线性主成分分析(EMD-NLPCA)的盲源分离算法。首先对观测信号做EMD处理,重构信号后引入高阶统计量,再进行主成分分析,完成信号分离。该算法既可以应对欠定环境,又解决了非线性混合问题。仿真实验中,将该算法与稀疏分量分析法的结果进行比照,证明了该算法的正确性以及相较于稀疏分量分析法更具普适性。将该算法用于无人机发动机开车音频信号的分离,效果较好。

一种基于盲源分离的同频干扰抑制方法

基于调频广播的无源探测系统具有反隐身、抗干扰等许多优点,但由于体制的特殊性,其极易受到其他同频电台的干扰,严重影响系统性能。针对这种情况,文章提出了基于时间平滑二阶协方差矩阵分解的盲源分离同频干扰抑制方法。仿真结果表明,该算法在干信比很高的情况下仍然具有较好的鲁棒性。

基于高阶累积量张量分解的联合盲源分离算法

提出一种基于高阶累积量张量分解的联合盲源分离(JBSS)算法,该算法可以从多组数据集的观测信号中恢复出源信号.首先通过计算多组数据集观测信号的高阶互累积量张量,利用累积量张量潜在的对角结构,将JBSS问题转化为高阶张量CP分解(CPD)问题.接下来,通过张量列分解(TTD)将高阶张量分解为由不高于3阶的多个互连的核张量组成的简单张量网络,由此将高阶CPD问题转化为多个3阶CPD问题.最后,根据TTD与CPD之间的关系,在多次3阶CPD之后,通过依次对因子矩阵进行重新排序与缩放得到多数据集的混合矩阵,进而实现对源信号的分离.实验结果表明,该算法具有较快的运行速度.

基于频点影响的频域盲源分离排序算法

针对排序歧义性对卷积混合盲源分离性能的影响,提出了一种频点影响的卷积混合盲源分离排序算法。改进算法采用权重系数衡量频点的分离矩阵,将其作为下一频点分离矩阵的迭代初值,保持分离矩阵行列式的连续性,利用影响因子控制频点间距离以提高频点分离质量,使频点以可靠频点为依据进行排序,从而提高分离算法估计精度。在仿真实验中对室内语音信号进行盲源分离,改进算法的相似系数、SIR、SAR和SDR性能指标均有所提升,证明了频点影响的有效性。

基于双重频点排序的卷积混合盲源分离

针对排序不确定性对卷积混合盲源分离性能的影响,文章提出了一种双重频点排序卷积混合盲源分离算法。首先对卷积混合信号进行短时傅里叶变换,在频域的各个频点处建立瞬时混合模型进行独立分量分析,对各频点分离结果根据带有影响因子的频点相似性(IF-Murata排序)进行第一次排序置换。然后根据信号能量大小对已排序频点进行第二次频点优化。最后通过对比排序中频点相关性可以看出,双重频点排序方法能有效提高频点排序的准确率,并筛选出最优的排序结果,进而提高信号分离性能。仿真结果表明,双重频点排序方法得到的源信号的干扰比、源信号的失真比和系统误差与IF-Murata排序算法相比,均有所提升,相似系数平均提高约0.1。仿真结果验证了算法的有效性。

基于盲源分离与改进BP-DS证据理论的生猪声音多特征融合识别

为了提高多种声音混合环境下生猪惊骇声、咳嗽声与饥饿声的识别正确率,试验采用基于盲源分离与改进BP-DS证据理论的生猪声音多特征融合识别方法对生猪混合声音识别进行研究。首先,对多个拾音器采集到的混合声音进行能量检测,排除安静环境及微弱环境噪声下声音的干扰,然后利用基于快速独立成分分析(fast independent component analysis,FastICA)的盲源分离方法对采集到的混合声音进行分离;其次,提取分离后声音信号的梅尔倒谱系数及其一阶差分、线性预测倒谱系数及其一阶差分、梅尔倒谱系数与线性预测倒谱系数的组合参数,训练3种特征参数对应的BP神经网络模型;最后,分别利用训练好的BP神经网络模型对生猪声音进行识别,通过改进DS证据理论对识别结果进行融合后输出。结果表明:研究提出的盲源分离方法分离出的生猪声音信号与生猪声音源信号的相似系数均在0.99以上,可以有效地分离生猪混合声音信号;经过多特征融合后正常环境下的识别正确率达到94.22%,较单特征的正确率有一定的提高。说明基于盲源分离与改进BP-DS证据理论的生猪声音多特征融合识别方法可以更高效地识别多种声音混合环境下的生猪声音。

基于盲源分离的抗主瓣干扰技术研究

当干扰从雷达天线主瓣进入,对目标回波信号影响极大,常见的窄脉冲剔除等抗主瓣干扰手段能力有限,必然会影响雷达跟踪检测目标。本文针对伴随式主瓣干扰,以盲源分离算法为切入点,理论分析其信号模型,结合阵列雷达分阵可重构特性,多维度仿真验证干扰抑制效果。结果表明:盲源分离能有效抑制主瓣干扰,提升雷达探测性能,丰富抗干扰手段。

基于稀疏编码的复杂机械振动信号盲分离方法

复杂机械振动信号激励源较多,故源信号之间互为相关源,且较难满足统计独立特性,导致传统盲源分离方法分离效果不佳。对此,提出一种基于信号稀疏编码的机械振动信号盲分离方法。盲源分离的关键在于对混合矩阵的精确估计,然而机械振源中相关成分的存在严重影响混合矩阵的估计。对此,首先对观测信号进行短时傅里叶变换,增加信号稀疏性;然后利用稀疏编码筛选出具备直线聚类特性的时频观测点,利用K均值(K-means)聚类法找到聚类中心;最后利用所提筛选规则找到估计的混合矩阵,重构出源信号。通过对往复压缩机故障数据的分析,验证了所提方法有效性。