过程信号的前馈-反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法 ,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求 ,在其他学者研究的基础上 ,基于前馈 -反馈型神经网络模型 ,提出了一种自适应盲分离算法用于过程信号的分离。

基于递归神经网络结构的非平稳信号自适应盲分离

基于递归网络分离结构并利用时间相关的评价函数,针对二输入二输出盲信号分离问题,提出了一种非平稳信号的自适应盲分离算法。该算法计算量小,可根据输出信号能量大小有选择地更新分离系数,并可扩展到多输入多输出盲分离问题。仿真验证对声音等非平稳信号具有良好的分离效果。

一种基于匹配追踪的语音盲源分离算法

研究基于Gabor的过完备字典的匹配追踪(Matching Pursuit,MP)稀疏分解算法,首先对混合语音信号进行稀疏分解。针对传统MP算法运行时间长,占用存储范围大以及语音信号稀疏分解特性的特点,利用快速傅里叶变换(Fast Fourier Transformation,FFT)的MP稀疏分解缩小了最佳原子的搜索范围,提高运行速度。然后基于峭度的自适应盲源分离算法,通过自适应地学习算法中的激活函数最终实现语音信号的盲源分离。此算法经过仿真实验,证明分离效果比传统算法有了一定的改进,实验结果证实算法的有效性。