基于无监督学习的盲信号源分离技术研究

以独立分量分析为主要对象, 描述了盲信号源分离技术的基本模型,介绍了盲分离的主要方法和数学原理, 分析了盲信号源的可辨识性。提出基于神经网络无监督学习的盲分离方法,并改进了分离效果评判指标。在生物信息处理的背景下将人工神经网络和信息理论相结合,解决了盲信号源分离,自适应地求得分离矩阵,且可以同时分离具有正峭度和负峭度的信号源,对盲信号源分离的研究有极大的促进作用。

高阶累积量在盲信号源分离中的应用

阵列处理在有干扰的信号增强中起着非常重要的作用，盲信号源分离问题是其应用之一．本文讨论了如何利用矩阵分析理论以及高阶累积量方法从观测数据中提取信号源特征和信息特征．

基于盲源分离的有机物混合信号特征提取与解析

展开基于独立成分分析(ICA)对复杂有机物混合体系盲源解析的系统研究。通过确立合理的独立成分数目的方法,分别利用模型分离信号的重构信号与原始信号之间的均方根误差、主成分的方差贡献率对独立成分数目的选择进行优化。综合3种ICA算法完成了以下研究:(1)含硝基苯等多种环境有机污染物混合质谱信号的源解析,其中Kernel-ICA提取的独立成分与实际的源信号之间具有较高的相关性,R平均值(标准差)为0.8697(0.10),可以满足定性识别的要求;(2)复方氨酚烷胺药物的紫外光谱信号中特征组分信息的提取,Kernel-ICA对药物主要成分对乙酰氨基酚提取的有效度最大。该研究工作为构建有机物体系最优盲源解析模型提供了理论支持,为实际环境样本中有机污染物的源解析、药物有效成分的提取提供了有效的手段。

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时 ,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题 .通过理论分析 ,提出并证明了在信号源盲分离问题中 ,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数 .存在观测噪声时 ,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目 .给出了实际的计算方法 ,并通过计算实例证明了该方法的正确性和有效性 .从而解决了盲分离中信号源个数的估计问题 。

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·

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。

独立成分分析方法在盲源信号分离中的应用

独立成分分析 (ICA)在国内尚属一门新型的方法。介绍了 ICA的原理及其算法 ,然后介绍了该算法在盲源信号分离中的具体应用 ,并将此方法与主成分方法 (PCA)进行了比较。结果表明 。

基于平稳性能不确定信息盲源信号提取的过程监控方法

针对工业过程中的信息不一定平稳,提出了一种基于平稳性能不确定信息盲源信号提取的过程监控方法,并利用该方法提取过程盲源信号,采用k近邻法进行分类,从而实现对过程性能的监控.通过对简单AR(1)过程和双效蒸发过程的仿真研究表明,这种方法是可行的.为了与基于传统独立成分分析(ICA)和多元统计过程控制(MSPC)的过程监控方法相比较,还作了相应的对比研究.结果表明,该方法比基于传统ICA的过程监控方法具有更少的误报率和漏报率,而比基于MSPC的过程监控方法具有更少的误报率,从而说明了该方法不仅是可行的,而且是有效的.

一种基于L_1稀疏正则化和非负矩阵分解的盲源信号分离新算法

针对线性混合模型下的盲源分离这一反问题,提出了一种结合迭代正则化和非负矩阵分解的交替最小化算法.首先把该问题转化为有界约束的二次规划,然后采用了一种自适应BB(Barzilai-Borwein)步长的投影梯度算法来求解.该方法不仅可减少存储量,提高算法速度,而且还很好地刻画了信号的稀疏性和独立性.理论分析和数值试验都验证了该方法的有效性,对混合的二维图像能提高分离的信干比.

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.

基于小波变换消噪和盲源信号分离的过程监控方法

针对过程信息不可避免地受噪声污染, 提出了一种基于小波变换消噪和盲源信号分离的过程监控方法.该方法首先利用小波变换对过程测量信号消噪, 再根据信息最大化准则提取盲源信号, 然后利用Parzen窗法建立盲源信号的控制限及相应的过程监控图. 通过对一个非等温连续搅拌过程(CSTR) 的仿真研究表明, 该方法是有效的. 此外, 为了与传统基于盲源信号分离的过程监控方法做比较, 还进行了相应的对比研究. 结果表明,对过程测量信息首先进行小波变换消噪能够提高过程的监控性能, 减少过程故障的误报率和漏报率, 从而进一步证实了方法的有效性.

基于时间结构盲源信号分析的过程监控和故障诊断方法

化工过程中众多的测量变量信息通常可由少量的隐变量信息表达出来以便进行统计过程监视 .针对过程中所采集的数据往往存在一定的时间结构 (即过程不能满足独立同分布条件 )的情况 ,提出了一种基于时间结构盲源信号分析的过程性能监控和故障诊断方法 ,以克服传统的统计过程分析的独立同分布要求 .通过对非等温连续搅拌反应器 (CSTR)的仿真研究表明 ,这种方法是可行的 .为了与传统的独立成分分析 (ICA)方法相比较 ,本文还作了相应的对比研究 ,结果表明 ,这种方法比基于传统ICA过程性能监控和故障诊断方法具有更少的误报率和漏报率 ,说明这种方法不但是可行的 ,并且是有效的 .

一种任意信号源盲分离的高效算法

提出了信号源盲分离的DBBSS算法 .利用随机变量概率密度函数非参数估计的核函数法 ,对混合信号的概率密度函数及其导数进行估计 ,并由此估计信号的评价函数 (scorefunction) .解决了现有信号源盲分离算法中 ,普遍存在的非线性函数只能凭经验选取 ,以及混合信号同时包含超高斯信号和亚高斯信号时 ,算法失效的问题 .该方法非常简单 ,可以直接应用于所有以非线性函数代替评价函数的信号源盲分离算法 .

盲源信号分离及其发展

盲源信号分离是信号处理学界和神经网络学界所共同关注的一个热点研究问题,主要介绍了盲源信号分离的基本数学原理和基本模型、求解问题的步骤;以基于高阶累积量和信息论准则的各种典型学习算法为主要对象,对其各种典型方法的数学理论以及特点做了分析,介绍了现在的研究进展,并指出进一步的研究方向。

基于粒子群算法的盲源信号分离

当源信号个数大于2,联合对角化(JADE)算法在盲源信号分离时效果不理想.提出了一种基于粒子群算法(PSO)的盲源信号分离(BSS)算法.该算法利用PSO算法代替JADE算法中的联合对角化操作,以混合信号的峭度为目标函数,采用独立分量分析的方法,对瞬时混合的信号进行了盲分离,理论分析和仿真结果表明了该算法的可行性和有效性.

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算 ,且这类算法不具备所希望的等变特性 ,对于病态混合矩阵的盲分离问题可能无法求解 .通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法 ,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法 .该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵 ,也不需要对累积量矩阵进行代数变换 ,并且所使用的迭代算法不需要对任何变量求导 ,因此非常简单 ,易于实现 ;同时算法还具有对未经去除均值的混合信号直接进行分离的能力 .

一种功能增强的信号源盲分离新算法

提出了一种新的信号源盲分离算法。该算法不仅能够有效地求解源信号中同时存在超高斯信号和亚高斯信号的杂系混合 (hybrid mixture)的信号源盲分离问题 ,而且能够准确地估计未知信号源的数目 ,因而具有比一般盲分离算法更广得多的应用范围。对于杂系混合盲分离问题 ,一般的盲分离算法往往不能求解。现有的绝大多数盲分离算法总是假设信号源的数目是已知的 ,这在多数背景下是不适用的 ,从而大大限制了信号源盲分离这一信号处理方法的实际应用范围。通过利用概率密度函数估计的核函数法对信号源盲分离算法中的评价函数 (score func-tion)直接进行估计 ,并利用混合信号样本自相关矩阵的秩数与未知信号源数目的内在联系 ,使这两个关键性的问题在所提出的盲分离新算法中都得到了非常成功地解决。

盲源信号分离技术

盲源信号分离是一种功能强大的信号处理方法,其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号,最终目的是从混合信号中分离出独立的信号分量。本文简要介绍信号源分离的基本思想、算法、发展历程以及盲分离的应用领域。最后展望了盲信号分离问题研究的发展方向。

盲源信号分离方法研究

盲源信号分离是信号处理和神经网络领域的研究热点问题。介绍了盲源信号分离的概念、分类和基本数学模型;探讨了盲源分离中源信号和信道的假设条件,目标函数的建立,代价函数的优化,以及一般盲源分离算法实现步骤。给出了几种常见的目标函数和算法,并分析了它们的特点。

基于蚁群算法和互信息进行非线性盲源信号分离

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,而求解其全局最优解非常困难的问题,这里提出一种基于蚁群算法进行非线性盲源信号分离的方法.该方法用高阶奇数多项式拟合非线性混合函数,以分离信号的互信息作为代价函数.并对非线性混合信号进行了仿真研究.由此方法得到的分离信号和源信号的相似系数都在98%以上,仿真实验结果表明该方法能够对非线性盲源信号进行很好地分离.