高斯色噪声背景下的单通道信源数目估计算法

目前信源数目估计算法大都是基于多通道接收模型且对高斯色噪声抑制能力较差,而实际应用中单通道接收模型及色噪声环境非常普遍,因此研究色噪声背景下的单通道信源数目估计算法意义重大。针对现有算法的缺陷提出了一种基于构建信号时间快拍和四阶累积量矩阵的单通道信源数目估计算法。首先通过构建信号时间快拍实现单通道接收信号的升维得到矢量化空间,然后以此组信号空间构造出四阶累积量矩阵,并从理论上验证了该四阶累积量矩阵能有效抑制高斯白噪声及高斯色噪声的影响,最后对该矩阵进行奇异值分解并通过信息论准则估计出信源个数。仿真实验和实际信号实验都表明本文算法能较好地解决单通道信源数目估计问题,且能有效抑制高斯色噪声。

基于移位协方差矩阵Otsu算法的信源数目估计

针对阵列信号处理中信号源数目估计的问题,提出了一种基于移位协方差矩阵的Otsu类间方差法。与协方差矩阵相比,移位协方差矩阵克服了噪声自相关过程中零位极大值的影响,提高了协方差矩阵的信噪比,移位协方差矩阵的信号特征值与噪声特征值差别更为明确,更有利于信源数目的估计。由于零均值且独立同分布噪声的移位协方差理论值为0,所以移位协方差矩阵针对零均值独立同分布α稳定分布噪声同样具有较强的抑制能力。利用Otsu类间方差法对移位协方差矩阵的特征值进行分类,可以更加明确地区分信号特征值与噪声特征值。理论分析和仿真实验结果均表明,基于移位协方差矩阵的Otsu类间方差法具有比传统信源数估计方法更好的估计性能。

基于能量衰减比的双通道源数目估计方法

利用源信号到达两传感器间具有不同能量衰减比的特性,提出了一种新的源数估计方法,解决了因传感器数量不足而无法准确估计源信号数目的问题。首先,利用线性时频变换方法得到两观测信号在频域的能量分布,然后,计算能量散点图中对应角度上的能量总和;最后,通过峰值检测法实现源数目的自动检测。通过理论分析、仿真和实验,证明了该方法的有效性。本方法为盲源分离算法处理振动、噪声信号,提供了可靠的先验信息。

基于信源数目估计的超定盲信号分离

针对盲信号分离中信道噪声大、信号分离效果差等问题,在传统主分量分析和特征值分解方法的基础上,提出了一种基于信源数目估计的超定盲信号分离方法。首先,采用主分量分析和最大似然估计方法分别对混合矩阵和噪声协方差进行估计,用于对信道噪声的估计与去除;然后,采用交叉验证法对源信号维数进行估计,实现盲信号分离。为了验证提出算法的分离效果,对轻拖尾与轻拖尾混合信号以及重拖尾与轻拖尾信号混合情况进行仿真实验验证,结果表明该算法具有良好的分离效果。

基于高阶累积量的信源数目估计方法

信源数目确定在许多高分辨阵列信号处理中具有至关重要的作用。提出了一种基于阵列输出4阶累积量信息的信源数目估计方法。通过构造阵列输出的4阶累积量矩阵,根据4阶累积量矩阵特征值分布并采用最小描述长度(MDL)准则估计信源数目。由于信号高阶累积量具有盲高斯特性,该方法能有效地抑制色噪声干扰,可实现色噪声背景下的信源数目估计。仿真分析验证了该方法的有效性。

基于特征值分布的信源数目估计

在信号源数目未知或信号源数目估计与实际不符条件下，大多数高分辨DOA估计算法性能都会严重下降或失效，因此信号源数目信息是空间谱估计的先决条件。文章提出了基于特征值分布的信源数目估计及其改进方法，通过仿真分析证明，该算法在低信噪比、小快拍数下检测性能与AIC准则趋于一致，而在高信噪比、大快拍数的情况下检测性能要优于MDL准则。

基于盖氏圆方法的宽带信源数目估计

针对低信噪比和小快拍数情况下宽带信号源数目较难精确估计的问题,提出了一种基于盖氏圆方法的宽带信号源数目估计算法(GDECSM)。盖氏圆方法通过利用盖氏半径对矩阵特征值范围的限定关系,能有效区分信号子空间与噪声子空间,在宽带信号源数目估计中能够产生良好的检测效果。仿真实验表明,与基于AIC准则的宽带信源数目估计算法(AICCSM)相比,GDECSM算法在低信噪比和小快拍数时都具有更高的检测概率,运算复杂度也有所降低。

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。

信源数目估计方法的研究

盲信号处理(Blind Signal ProCessing)是近年来信号处理研究的热点之一,"盲"是指在没有任何先验信息或者先验信启、不足环境下的假设,因此,该处理方法对环境及信号的应用更加宽泛。盲信源数目是盲分离的首要前提,信源数目的确定更是直接关系到盲分离效果的正确性。本文主要研究了IAC准则,MDL准则和盖式圆准则的盲信源数目估计算法。在不同信噪比情况下,分别对噪声观测信号进行信源数目估计。通过实验证明,盖式圆在含有噪声的情况下,能够相对准确的估计出信源数目,IAC和MDL在低信噪比情况下,不能准确的估计出信源数目。

色噪声背景下的重采样信源数目估计方法

针对盖氏圆信源数目估计方法在低快拍数、低信噪比情况下性能变差的问题,设计了一套能在有色噪声中提高估计准确率的方法。首先,对接收信号样本集多次抽样,利用多个子样本集协方差矩阵的行列变换构建不同酉矩阵,然后对多个酉变换结果取平均,最后通过多次重采样循环迭代得到最优估计值。仿真结果表明,相比传统GDE的统计方法,文中提出的方法能得到更稳定、准确的估计结果,同时计算所需的接收信号快拍数目更少、信噪比更低。

衰落信道下的信源数目估计方法

针对空间谱估计测向、盲源分离等阵列信号处理中现有信源数目估计方法在衰落信道条件下估计性能严重下降的问题,提出了分别适用于瑞利平坦衰落信道和频率选择性衰落信道的信源数目估计新方法。对其实现原理进行了简要介绍,对估计性能随信噪比、采样点数、信源数等的变化规律进行了仿真验证,并与现有信源数目估计方法进行了对比分析,充分验证了所提方法的有效性。

基于盖尔圆准则的信源数目估计改进算法

针对最小信息准则(Akaike Information Criterion,AIC)存在的非渐进一致性估计的缺陷,以及盖尔圆准则(Gerschgorin Disk Estimator,GDE)可能出现无序特征值导致检测错误的问题,提出了一种基于盖尔圆准则和最小信息准则的GDE-AIC信源数目估计算法。该算法利用盖尔圆半径与噪声模型无关的特性构造似然函数,将其引入AIC准则模型中,克服了AIC准则非渐进一致性估计的缺点,且适用于空间色噪声的环境。在仿真实验中,将该算法与AIC算法及GDE算法等进行对比,结果表明,该方法稳定性好,适用于白噪声与色噪声,且在低信噪比时仍具有良好的估计性能。

VMD-SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法。首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定。仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计。

基于改善特征值离散度的信源数目估计

相比于传统的信源数目估计方法,基于特征值差值法的信源数目估计具有较小运算量的优点,但是因为在低信噪比时效果差,且在色噪声下效果不稳定等多种缺点一直未能在实际中应用;因此分析了特征值离散度对差值法估计的影响,提出一种基于对数函数拟合改善特征值发散程度的方法,并利用拟合特征值进行差值法进行估计;该算法很大程度上减少了相邻信源特征值之间的差值,使信源特征值和噪声特征值之间的差值更加明显,大大提升了差值法的估计性能,同时保证了较小的运算量;经实验仿真表明,该方法在白噪声和色噪声下都能进行稳定估计,在较低信噪比和低快拍数下依然具有良好估计性能的优点。

盖尔圆定理和最小描述长度准则相结合的信源数目估计方法研究

针对盲源分离算法应用中的源数估计问题,提出了一种结合盖尔圆定理(Geschgorin Disk Estimator,GDE)和最小描述长度准则(Minimum Description Length,MDL)的GDE-MDL源数估计方法。GDE-MDL方法集合了盖尔圆定理适用于空间色噪声的优点和MDL准则一致性估计的优点。该方法通过对观测信号协方差矩阵进行酉变换来抑制噪声,可以提高似然函数的灵敏度和信源数目的估计精度,更好的处理低信噪比和空间色噪声条件下的源数估计问题。仿真结果表明,GDE-MDL方法稳定性较好,适应性强,在白噪声和空间色噪声的情况下均可以较好的实现信源数目的估计。

一种基于ICA与空间谱相关系数最大化的源数目估计算法

为提高在低信噪比和存在小信号情况下的源信号数目估计正确率,提出了一种利用ICA估计出的信号和利用空间谱分离出的信号的相关系数最大化为依据的源数目估计方法。该方法综合利用源信号的统计独立特性和阵列结构信息,降低了算法对噪声和信号强弱的敏感。计算机仿真结果表明,在低信噪比和存在弱信号的情况下,该算法可以高精度的估计出源信号数目。

改进的盖尔圆源数目估计方法

为提高盖尔圆(Gerschgorin disks estimation)法实现源数目估计的算法性能,提出一种改进的盖尔圆方法(modi-fied Gerschgorin disks estimation,MGDE).MGDE算法主要是利用盖尔圆圆心信息对盖尔圆半径进行独立压缩,使噪声盖尔圆半径压缩速度快于信号盖尔圆半径,从而使噪声盖尔圆尽可能地远离信号盖尔圆,更有利于源数目的准确估计,而且不必人为选择调整因子.仿真验证了MGDE算法在白噪声和色噪声中的源数目估计性能,并与AIC(akaike informationceriterion)、MDL(minimum description length)、及GDE算法进行了对比分析.结果表明:在一定条件下,MGDE算法在白噪声和色噪声中的性能优于GDE算法,而且该算法的小样本源数目能力很好.

基于时移相关的ICA信源数目估计算法

针对基于独立成份分析(Independent Component Analysis,ICA)的盲源分离,提出了一种基于时移相关的信源数目估计算法。通过考查ICA分离信号之间的时移相关程度,确定所分离信号是否为独立信号,进而确定真实信源数目。仿真表明本算法可以减小信号分离不彻底或弱信号等因素对信源数目估计的影响,提高信源数目估计准确度,有利于ICA算法在信号分选方面的实际应用。

一种新的宽带信号源数目快速估计方法

信号源数目估计是波达方向(DOA)估计的基础。基于两个子阵接收数据的信号子空间的旋转不变性,利用Lanczos方法来求解多级维纳滤波器的匹配滤波器组,即子阵的信号子空间,本文提出了一种新的宽带信号源数目快速估计方法。该方法不需要计算协方差矩阵或对其进行特征值分解,避免了特征值分解的大运算量。最后通过计算机仿真验证了本文方法的有效性和优越性。

一种基于子空间距离准则的源数目估计算法

源数目估计是阵列信号处理中的一个重要课题,也是声纳探测领域的一个难题。通过研究特征子空间分析方法,提出了一种新的源数目估计算法。该方法在盲源分离结果的基础上,基于信号子空间和噪声子空间正交的原理,建立了子空间代价函数来估计观测空间的源数目。同时,通过仿真和水池实验,对该方法的性能做了研究,并与基于信息论准则中最小长度描述准则的源数目估计算法进行了比较。仿真和水池实验结果表明,该源数目估计算法能得到准确的源数目,并具有较好的抗噪性,在水声环境中具有更好的稳健性。