循环累积量矩阵联合对角化盲源分离算法

循环累积量兼有高阶统计量和循环不稳两者的优点,可抑制任何平稳高斯或非高斯噪声以及非平稳的高斯噪声,文中利用循环累计量的这一性质,提出的基于循环累积量矩阵联合对角化盲源分离算法,对接收的每路数据分别运用矩阵联合对角化法处理,实现对具有相同循环频率源信号有效的分离的目的。仿真试验表明该算法能够有效的提取有用信号。

基于二次特征函数高阶导数联合对角化的盲源分离算法

针对线性混叠信号,提出一种瞬时混叠盲源分离的批处理算法.利用观测信号的二次特征函数高阶导数联合对角化得到盲分离准则和实验公式.采用非正交对角化方法,不需要白化,实现盲源分离.仿真实验结果表明此算法不仅对非高斯信源具有良好的分离性能,而且对概率密度为非对称分布信源,具有很好的性能.

基于稳健联合分块对角化的卷积盲分离

针对卷积盲分离问题,提出一种新的矩阵联合分块对角化(Joint block diagonalization,JBD)算法.现有的迭代非正交联合分块对角化算法都存在不收敛的情况,本文利用分离矩阵的特殊结构确保其可逆性,使得算法的迭代过程稳定.在已知矩阵分块结构的条件下,首先,将卷积盲分离模型写成瞬时形式,并说明其满足联合分块对角化结构;然后,提出联合分块对角化的代价函数,依据代价函数的最小化等价于矩阵中每个分块的范数最小化,将整个分离矩阵的迭代更新转化成每个分块的迭代更新;最后,利用最小化条件得到迭代算法.实数和复数两种情况下的算法都进行了推导.基本实验验证了新算法在不同条件下的性能;仿真实验中对在时域和频域都重叠的信号的卷积混合进行盲分离,实验结果验证了新算法具有更好的分离性能和更稳定的分离能力.

直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法。该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量。通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离。

四阶累积量非正交联合对角化盲信号分离算法可辨识性研究

研究以四阶累积量矩阵为特征矩阵的非正交联合对角化盲分离算法的可辨识性.首先通过分析表明盲分离的目的是寻找与理想分离矩阵本质相等的矩阵,然后证明了理想分离矩阵可以使四阶累积量所构成的特征矩阵对角化,进一步又证明了能使该特征矩阵对角化的矩阵必然与理想分离矩阵本质相等,从而为基于非正交联合对角化盲分离算法提供了理论依据.

一种非正交联合对角化算法及其在盲信号分离中的应用

本文提出了一种迭代的非正交联合对角化算法-增强联合对角化算法(EJD).EJD通过不断地循环迭代实现联合对角化,在每一步迭代中,EJD把联合对角化问题转化为求低阶矩阵的特征向量问题.EJD算法具有简单、有效、计算方便等优点.大量的盲分离(BSS)仿真结果显示,EJD算法可以有效地应用于盲信号分离,且性能较好,特别是在混合噪声很大的条件下.

基于矩阵对角化的盲源分离算法研究

盲源分离是从观测信号中恢复源信号的一种有效方法,目前已成为信号处理领域的研究热点。首先对三种盲源分离的算法进行分析,它们是:四阶盲辨识(FOBI)、特征矩阵的联合近似对角化(JADE)、二阶盲辨识(SOBI)。分析表明这些算法均有各自的不足,而另一方面,它们都是通过矩阵对角化实现盲源分离的。一个很自然的想法是将这些算法结合起来,以提高盲源分离的性能。仿真结果表明,JADE法和SOBI法的结合可以获得不错的盲分离效果。

基于Hankel矩阵联合近似对角化的结构模态识别

针对基于二阶盲辨识(second order blind identification,简称SOBI)的模态参数识别方法存在的不足,提出了一种基于Hankel矩阵联合近似对角化(Hankel matrix joint approximate diagonalization,简称HJAD)技术的结构运行模态分析(operational modal analysis,简称OMA)的新方法。该方法通过对随机子空间类模态识别方法常用的Hankel矩阵进行联合近似对角化,以分离各阶模态响应,进行模态识别。与基于SOBI的模态识别方法相比,在具体实施过程中,仅需要在分析数据中添加与实测振动响应对应的时间延迟的数据,实现难度较小。数值算例和物理模型试验的分析结果表明,所提出的基于HJAD技术的结构运行模态分析方法,不仅具有鲁棒性强和计算效率高的优点,还可以克服传统的基于SOBI的模态识别方法的模态识别能力受测点数目限制的问题。

基于改进遗传算法的矩阵联合对角化

该文首先将矩阵联合对角化问题化简成一个只含有特征矩阵的优化问题,为了便于求解,文中将待求特征矩阵的每一列向量进行参数化处理,并利用改进的遗传算法寻找最优的新参数。算法改进了染色体的选择,交叉和变异概率,并在交叉算子和变异算子中引入了模拟退火技术,最后结合梯度算法进行局部寻优。计算机仿真结果验证了该算法的正确性和有效性。

基于联合近似对角化的多源局部放电混合信号分离方法研究

电气设备内存在多个局部放电源时,会产生混合的局部放电信号,这会给后续信号识别等工作带来困难。针对该问题,以电气设备内同时存在3种不同绝缘缺陷为例,分别用3种指数型信号模型和3种特高频局放数学模型构造了两组混合局放信号,以模拟不同电气设备产生的混合信号,并提出使用一种通用的基于联合近似对角化(JADE)的盲源分离算法来分离信号,接着使用相似系数和信号干扰比两种评价参数来描述分离算法的性能,最后在信号中加入适当的噪声,测试了算法的鲁棒性。仿真结果表明,该方法能够有效分离信号,分离信号与源信号的相似系数分别在0.90以上,信号干扰比在9.0以上,且具备一定的鲁棒性,为后续信号识别工作打下了一定的基础。

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中 ,不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设 ,因此现有的盲源分离算法如基于矩阵联合对角化的算法等 ,无法从混有相关源的传感观测中准确分离源信号 (不相关源信号和相关源信号 )。本文在基于矩阵联合对角化的盲分离算法的基础上 ,提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明 :修正后的基于矩阵联合对角化的盲分离算法 ,能有效地分离包含相关源的混合观测信号。

误差影响下滚动轴承多重故障模态特征信号的盲源分离方法

针对旋转机械设备受到测量误差及系统误差等因素影响,导致滚动轴承多故障模态信号难以分离的缺陷,提出一种误差影响下滚动轴承多重故障模态特征信号的盲源分离方法。对故障信号进行白化预处理得到白化矩阵,进而计算白化矩阵的4阶累积量,并构建4阶累积量矩阵;将累积量矩阵对角化,并取前K个较大特征值对应的特征向量作为新累积量矩阵;利用总体最小二乘方法估计最小化新累积量矩阵与目标正交矩阵的误差函数,最大程度地联合近似对角化新累积量矩阵,实现多故障信号的分离估计;为进一步评估该方法的有效性,选用时域相关系数及时频域双谱估计两种评价方法对分离结果进行验证。结果表明,该方法分离出来的信号与源信号相关系数高,并且时频域双谱估计相似,是一种有效分离多重故障的方法。

JADE盲信号分离算法失效问题研究

分离(或解混合)矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文在分析该算法原理的基础上,从理论上找出了算法失效的原因,即源信号相关性越强,JADE盲信号分离算法失效问题越严重,并通过仿真实验证明了理论分析结果的正确性。

基于JADE与特征提取的正交/非正交空时分组码盲识别

针对非协作多输入多输出通信系统中正交空时分组码(orthogonal space-time block codes,OSTBC)与非正交空时分组码(non-orthogonal space-time block code,NOSTBC)的盲识别问题,提出结合特征值矩阵联合近似对角化(joint approximate diagonalization of eigenvalue matrix,JADE)与特征提取的盲识别方法。首先将接收信号转换为盲源分离问题中的线性瞬时混合模型,然后利用JADE算法估计出该模型的虚拟信道矩阵,根据该信道矩阵的相关矩阵为数量矩阵的特点,从相关矩阵中提取特征参数,利用此特征参数识别OSTBC与NOSTBC。仿真结果表明,在较低信噪比以及不同的调制模式下,所提方法均可有效识别出OSTBC与NOSTBC。

基于高斯-牛顿迭代的非正交联合对角化算法

针对传统的分离算法因迭代次数过多而不能满足通信信号分离时对信号实时处理的要求,将最佳权矩阵引入到联合对角化准则中,提出了一种改进的基于"高斯-牛顿"迭代法的非正交联合对角化算法(WEDGE),提高了算法的分离性能和收敛速度.仿真结果验证了算法的有效性.

利用参数结构的快速非酉联合对角化算法

针对基于快速Frobenius范数对角化(FFDIAG)的盲信号分离算法不能直接处理复数数据从而导致分离性能差的问题,提出一种利用参数结构的快速非酉联合对角化(PSJD)算法。该算法首先将由观测信号的统计量得到的复目标矩阵转化为实对称矩阵;通过对代价函数的二阶近似,将解联合对角化问题转化为一系列的线性最小二乘问题,直接得到更新矩阵元素的估计。在每次迭代中,通过充分利用转化后的目标矩阵的结构信息,减少估计分离矩阵及更新目标矩阵的计算复杂度。同时,针对FFDIAG算法采用的固定步长难以兼顾收敛速度与更新矩阵严格对角占优性的问题,采用仅由当前更新矩阵的估计值决定的自适应学习率,提高算法的收敛性能。仿真实验表明,在一定的取值范围内,PSJD算法的收敛速度对步长参数的变化不敏感,在步长参数同为0.1的情况下,PSJD算法达到收敛所需的迭代次数比采用固定步长的算法减少了42%左右。

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术，矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理，通过实例，采用JADE算法对盲信号进行分离。实验表明，JADE算法在盲源信号分离中是一种很有潜力的方法。

一种基于盲分离的欺骗干扰抑制算法

该文针对单天线雷达的欺骗干扰,研究了一种基于盲分离的欺骗干扰抑制方法。该方法在对接收信号进行分段提取的基础上,借助特征矩阵联合对角化(JADE)的盲分离技术获得多段分离信号,然后利用分选技术获取完整源信号,最后根据数字射频存储技术(DRFM)的相位量化特性鉴别目标和干扰。仿真结果表明,在高信噪比(SNR)下算法对欺骗干扰具有较好的抑制性能,且当SNR>15 dB时,目标回波相似系数大于85%;相位量化位数低于4位时,鉴别概率接近100%,目标延迟时间测量误差小于0.3μs。

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题·独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k>2时得到近似解,且结果不精确·提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性·

基于JADE和平行因子分解的欠定混合盲辨识算法

针对源信号个数未知的欠定混合盲源分离问题,本文提出了一种基于特征矩阵联合近似对角化(Joint Approximate Diagonalization of Eigenmatrices,JADE)和平行因子分解的欠定混合盲辨识算法,该算法不需要源信号满足稀疏性要求,仅在源信号满足相互独立和最多一个高斯信号的条件下,通过将JADE算法中的样本四阶协方差矩阵叠加成三阶张量,再对此三阶张量进行平行因子分解来完成源信号数和混合矩阵的估计,由于平行因子分解的唯一辨识性在欠定条件下仍然满足,该算法能够解决欠定盲源分离问题。并对该欠定混合盲辨识算法进行了深入的分析。通过仿真实验,计算估计矩阵与混合矩阵的平均相关误差,结果表明本文提出的算法在适定和欠定混合时均具有很好的辨识效果,而且实现简单,可满足实际应用的要求。