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。

面向高混响环境的欠定卷积盲源分离算法

为了解决高混响环境下欠定卷积混叠信号的分离问题,提出一种新的欠定卷积盲源分离算法。针对高混响环境的影响,设计全局脉冲响应网络削弱混响回声,提高信号质量。基于全局脉冲响应网络建立新的时频域混叠信号数学模型,采用全局脉冲响应矩阵缩短了传统脉冲响应的长度,降低了高混响带来的模型变换近似误差。基于非负矩阵分解理论设计模型参数的实时更新学习规则,将源信号分离问题转换为模型参数优化问题,实现混叠信号的盲源分离。实验结果表明,所提算法可以有效地实现中英文语音、音乐混叠信号的盲源分离,与现有比较流行的盲源分离算法的对比验证了所提算法的优越性。

基于GRU-EEMD算法的非侵入式配电网功率欠定盲源分离

针对目前配电网级非侵入式功率监测和盲源分离问题,文中提出了一种新的欠定功率信号分离方法,将门控循环单元(GRU)网络和集合经验模态分解(EEMD)算法结合起来。首先,利用分时段、分类别的GRU网络功率辨识模型得到源信号估计,将估计结果和EEMD算法联合得到升维非欠定的功率信号。然后,利用辨识网络解决快速独立成分分析提取源信号的顺序不定问题。最后,通过对含综合能源的配电网实测信号分析验证了所提方法的可行性。

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CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明,该算法与其他稀疏表示方法相比获得了较好的分离效果.与传统两步法不同的是,该算法在压缩感知框架下利用K-SVD方法自适应地训练稀疏字典,求出混合信号的稀疏表示,稀疏分量分析方法的改进对盲源分离的准确率起到直接的影响作用.

基于小波包混合优化的欠定盲源分离方法

为解决欠定盲源分离问题,提出一种基于小波包混合优化的欠定盲源分离方法。该方法采用小波包变换将观测信号分解,将观测信号的维数进行扩展,利用互相关系数值剔除冗余的信号分量,欠定盲源分离问题得到转化。接着使用贝叶斯信息准则下的奇异值分解方法估计源信号数目,通过白化过程对信号降维。最后,引入鲸鱼优化算法中的螺旋泡网狩猎行为与莱维飞行策略,对灰狼优化算法进行改进,将改进后的混合灰狼优化算法与独立成分分析算法相结合,实现重构正定白化信号的分离,从而得到源信号的近似估计。通过仿真实验对算法性能进行测试,结果验证所提方法的可行性和有效性。

稀疏分量分析在欠定盲源分离问题中的研究进展及应用

伴随着国内外对盲源分离问题研究的日益深入,在独立分量分析等经典算法之外逐步发展出了许多新的算法。稀疏分量分析就是其中有效的方法之一,它利用信号的稀疏分解,克服了独立分量分析非欠定性的要求,解决了欠定情况下的盲源分离问题。本文将以稀疏分量分析为主要对象,归纳总结了近期的研究进展。

基于源数估计的无约束欠定盲源分离算法

信源数目的估计是欠定盲源分离的前提条件,为了提高混合信号分离的准确性,提出一种Hough加窗法。利用Hough变换的思想将观测信号转变为角度变量,对变换域中的角度直方图进行加窗获得变换量的聚类区域,其峰值数即为信号源的数目。在此基础上,通过寻找变换量与混合矩阵列向量的关系可得到混合矩阵的估计值。提出一种无约束分离算法,由内点法从散点图分布中选取合适的初始迭代值,通过梯度下降法实现信号的分离。仿真实验结果表明,Hough加窗法具有较高的估计精度、较强的抗噪声性以及较低的稀疏敏感性,无约束分离算法具有较好的分离效果。

一种改进的势函数欠定盲源分离算法

针对原有的拉普拉斯混合模型势函数法复杂度高、随机选取部分观测数据点作为初始聚类中心的算法聚类结果不稳定、准确率低的问题,提出了一种改进的势函数欠定盲源分离算法.该算法在基于密度概念的基础上,以簇内距离小、簇间距离大为原则,选取部分高密度点作为势函数的初始聚类中心.理论分析与仿真实验表明,改进算法的复杂度大大降低,而估计准确度降低很少.在信噪比为10dB时,该算法仿真时间降为原始势函数法的5%;相对随机选取算法,在计算复杂度基本一致的前提下,该算法的估计准确度大大提高,源信号个数估计准确率由61%提高到85%,混合矩阵估计误差由0.47下降为0.27.

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。

基于两步法稀疏分量分析的欠定盲源分离

分析了解决欠定盲源分离问题的稀疏分量分析方法。首先讨论了数据矩阵稀疏表示(分解)的方法,其次重点讨论了基于稀疏因式分解方法的盲源分离。该盲源分离技术分两步,一步是估计混合矩阵,第二步是估计源矩阵。如源信号是高度稀疏的,盲分离可直接在时域内实现。否则,对观测的混合矩阵运用小波包变换预处理后才能进行。仿真结果证明了理论分析的正确性。

基于压缩感知和优化算法的欠定盲源信号分离

针对目前欠定盲源信号分离在源信号不充分稀疏的情况下分离精度较低的问题,提出一种基于压缩感知和优化算法的欠定盲源信号分离方法.首先分析了欠定盲源信号分离和压缩感知问题的等价性,并建立基于压缩感知的欠定盲源信号分离的数学模型;然后以分离信号的稀疏性和互相关性来建立目标函数,并通过使用压缩感知和优化算法来实现欠定盲源信号的分离;最后对语音信号进行了仿真实验.实验结果表明,在源信号不充分稀疏的情况下,利用这种方法得到的分离信号与源信号的平均相似系数为0.990 3,由此可见这种方法是一种有效的、分离精度较高的分离方法.这也为欠定盲源信号分离问题的研究提供了一种新的途径和手段.

一种鲁棒的病态混叠信号欠定盲源分离算法

噪声环境下的病态混叠信号具有较强的空间复共线性,因此基于聚类的稀疏分量分析(SCA)方法难以在欠定条件下对其进行有效的分离。针对这一问题,该文首先建立了噪声环境下病态混叠信号欠定盲源分离问题的数学模型,分析了基于线性聚类的SCA方法在解决该问题时的局限性,提出了一种基于SCA和非正交联合对角化(NJD)的分离算法,该方法利用NJD不要求混叠矩阵为酉矩阵的特性,较好地解决了欠定盲源分离中的病态混叠问题。仿真实验表明,该方法在信号分离效果、噪声鲁棒性以及病态混叠鲁棒性上都明显优于基于启发式聚类粒子群优化的(CGPSO)的SCA方法。

基于改进l_1范数最小化组合算法的欠定盲源分离

基于稀疏假设,欠定盲源分离问题一般可采用线性规划、最短路径法和组合算法等l1范数最小化方法进行求解,但是这些传统方法对源信号的稀疏性要求较高,从而限制了源信号的估计精度。为此,本文提出了一种改进的l1范数最小化组合算法.该算法根据一定阈值找到与最小l1范数解最接近的若干次优解,将这些次优解和最小l1范数解进行加权叠加,并替代最小l1范数解,作为源信号的估计。采用语音信号的仿真实验表明,对于观测信号个数不太小的高维混合情况,该算法的源信号估计精度能够比传统的l1范数最小化组合算法提高10%左右。

一种基于时频分析的欠定盲源分离算法

针对欠定盲源分离,提出了基于时频域信源数估计的盲源分离算法。通过短时傅里叶变换将信号变换至时频域进行分析。在混合矩阵估计环节,根据源信号稀疏性的假设,在时频域利用信号的时间频率比,确定与源信号对应的混合向量。在混合向量聚类过程中,利用同类向量间的距离以及向量不同聚类间的解析度,提出一种信源数估计方法,解决了在聚类算法中假设信源数已知的问题。在源信号分离环节,利用时频子空间中接收信号相关矩阵对角线元素与剩余元素的比值,提出一种子空间信源数估计算法,通过确定信源数,将子空间中欠定模型转换为超定或正定模型,以完成源信号分离。仿真证明算法对混合矩阵估计的正确性以及信号分离的可靠性。

一种欠定盲源分离新算法

提出了一种基于两步法的欠定盲源分离新算法。在混合矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法,通过定义一个连续可微函数来近似l0范数,使得l0范数可解。该算法的特点是实现简单、速度快。仿真实验表明,与现有的采用快速l1范数最小化和OMP算法的欠定盲源分离方法相比,提出的算法在保证分离性能的前提下大幅度提高了算法的运行速度。

欠定盲源分离的稀疏分量分析方法

分析了解决欠定盲源分离问题的稀疏分量分析方法,通过聚类算法得到混合矩阵的估计,通过优化算法恢复源信号。总结了各种实现"聚类"和"优化"的具体方法,论述了欠定盲源分离和稀疏分量分析、压缩传感之间的紧密联系,对欠定盲源分离进行了展望。

基于构建虚拟多通道的欠定盲源分离方法研究

针对欠定盲源分离(underdetermined blind source separation,UBSS)的信源数估计和信号分离问题,探索基于小波分解的虚拟多通道构建及其在欠定盲源分离中的应用。通过小波分解构造虚拟观测信号,在欠定盲源分离模型的信源数估计和信号分离方面,结果较不理想,分析发现是由于采用小波变换构建虚拟的观测信号,只用到原观测信号的部分信息产生虚拟的观测信号,并没有增加接收信号中蕴含的信息,即并非像真实的天线阵列一样,针对信号的到达角,产生对应的阵列流型。结果表明:解决欠定盲源分离问题,必须依靠非负矩阵分解、张量分解或稀疏分量分析等思路。

两种聚类算法在欠定稀疏盲分离中的比较

欠定稀疏盲分离算法主要是采用“两步法”：第一步用混叠信号估计混叠矩阵；第二步根据估计的混叠矩阵求解源信号。在两步法中，C-均值聚类算法和模糊C-均值聚类算法常用来估计混叠矩阵，这两种聚类的研究理论都较成熟，故它们得到很大的应用。该文在欠定稀疏盲分离中，比较了这两种算法。试验结果表明，模糊C-均值聚类算法比C-均值聚类算法估计混叠矩阵更加精确，恢复源信号精度更高，但算法复杂，分离的时间长。

基于改进谱聚类的雷达信号欠定盲源分离算法

现有的模糊聚类算法在初始值选择、低收敛速度和局部极值方面存在问题,导致混合矩阵估计的低精度。针对现有雷达侦察算法抗干扰性能不高的问题,提出了一种基于谱聚类的新型两阶段欠定盲源分离(UBSS)算法。基于谱聚类的混合矩阵估计算法,在谱聚类的基础上对得到的特征矩阵进行张量分解估计出混合矩阵。在未知先验信息条件下,采用两阶段方法实现雷达信号的分离。仿真结果表明,该方法混合矩阵的估计性能优于传统方法,在未知先验信息的实际情况下恢复效果更佳。