极化通道扩展和盲源分离联合抗移频干扰技术

多次移频干扰是一种有效的对抗线性调频(LFM)脉冲压缩雷达的相干干扰样式,应用于自卫式干扰时,能够形成多个超前和滞后分布的假目标。提出利用盲源分离(BSS)的方法来分离回波和干扰信号,并通过频率补偿实现对干扰的抑制。首先分析了利用正交极化辅助天线扩展接收通道的可行性,其次建立了通道扩展后的雷达接收信号模型,讨论了回波与干扰信号的可分离性,最后研究了基于最大信噪比盲源分离和频率补偿的干扰抑制方法,并讨论了干扰机附加噪声对抗干扰效果的影响。仿真结果表明本文提出的方法在干信比为20 d B时,仍可以有效地从回波和干扰混叠信号中提取出目标回波信号,从而实现对主瓣移频干扰的对抗。

融合盲源分离的船舶耦合振源传递路径分析技术研究

为解决工况传递路径分析(OTPA)方法面临的核心问题,提升OTPA方法应用范围和工程实用性,提出一种融合盲源分离的传递路径分析技术。首先,结合舱段模型振动试验,深度剖析OTPA方法面临的振源交叉耦合和遗漏振源无法识别等问题;然后,将盲源分离(BSS)技术和OTPA方法进行集成、融合:引入经验模态分解(EMD)-特征值分解的源数估计方法定量估计振源个数,指导振源输入测点的选取;视多个振源信号为卷积混叠,引入非正交联合块对角化方法进行耦合振动源的分离;在解决分离振源排序不确定性的前提下,将分离出的振源作为OTPA方法的输入振源,建立应用限制条件少的BSS-OTPA模型;最后,开展实船海上振动声辐射试验,利用BSS-OTPA模型成功实现了船舶机械振动噪声源的量化、识别。研究成果可直接支持船舶机械设备振动源辐射声场预报和振动噪声控制。

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。

基于约束NMF的盲源分离算法

非负矩阵分解(NMF)是解决非独立源信号混合的盲分离的另一条新途径。该文提出一种基于约束NMF的盲源分离算法,在对NMF估计得到的源信号施加最小相关约束的基础上,对混合矩阵估计施加行列式约束,实现NMF的唯一分解。与已有算法相比,本算法放宽了对混合矩阵的稀疏性要求,大幅提高了信号分离质量。该算法仍适用于独立源信号分离问题。

基于WOA-VMD改进的信号盲源分离研究及应用

准确有效识别出水电站厂房振动信号的各个振源,对于水电站长期安全稳定运行有重要指导意义,盲源分离(blind source separation,BSS)是进行信号分解与振源识别的一种有效方法。为了实现水电站厂房复杂环境下振动信号的盲源分离,建立一种基于鲸鱼算法变分模态分解(whale optimization algorithm and variational mode decomposition,WOA-VMD)降噪改进的信号盲源分离模型。采用WOA-VMD和相关法对观测信号进行降噪处理,确保盲源分离结果的准确性;求解多维降噪信号的协方差矩阵并进行奇异值分解,采用优势特征值法进行源数估计;最后对降噪信号进行中心化、白化前处理,通过联合近似对角化算法得到分离矩阵,实现观测信号的盲源分离。仿真结果表明:相较于传统盲源分离模型,改进模型将分离信号与源信号的相关系数分别提升了9.1%,7.1%,8.3%,分离信号主频误差也均有所降低。将该方法运用到水电站厂房振动工程实例,也取得了较好的分离效果。

频域盲源分离的非圆信号推广

作为盲源分离(BSS)问题的最有效解决方法之一,独立分量分析(ICA)算法可以分为时域和频域算法两类。将时域盲源分离的快速算法推广到频域,通过在频域中应用非圆信号的伪协方差矩阵,推导出一个新的固定点算法来解决线性瞬时混合的非圆信号盲源分离(BNSS)问题。仿真实验验证了该算法的有效性。

一种并行主偏度分析算法及其在盲源分离上的应用

盲源分离(Blind source separation,BSS)是一种从混合信号中提取和恢复源信号的信号处理方法。在众多BSS算法中,主偏度分析(Principal skewness analysis,PSA)算法是近年来出现的一种以三阶统计量为目标函数的BSS算法,其运算速度快于常规的BSS算法,但因其采用了串行的计算方式,在使用中存在误差累积问题。针对这一问题,本文在PSA算法基础上进行改进,提出了一种并行PSA算法。该算法以并行计算代替串行计算,可以同时估计出各个独立成分对应的方向,避免了误差累积问题。数值仿真实验表明,与PSA算法相比,并行PSA算法既保持了计算速度,同时提高了对源信号的估计准确性。

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。

盲源分离在机械故障诊断中应用综述

介绍了盲源分离(blind source separation,简称BSS)的基本概念和研究发展,综述了盲源分离在机械故障诊断中的研究现状,主要论述了基于盲源分离的机械噪声源分离、基于盲源分离的机械故障的特征提取和模式分类.并提出了盲源分离在机械故障诊断应用中需要进一步研究的问题.

改进粒子群优化的分段在线盲信号分离算法

盲源分离(blind source separation,BSS)是指在混合系数未知的情况下,从混合信号中恢复出源信号的过程。在实时盲源分离问题中,学习速率的选择对于算法的性能有着至关重要的作用。为了得到合适的学习速率,提出了如下盲源分离的步长选择算法:通过衡量当前时刻输出信号的依赖程度,将整个信号分离过程分为快速分离和精细分离两个阶段。在快速分离阶段,应用粒子群优化算法确定学习速率,而在精细分离阶段,采用分段函数来确定学习速率。仿真结果证实,新算法比使用固定或其他自适应学习速率的算法有更快的收敛速度和更好的稳态性能。

基于多信道信号增强的卷积混迭语音信号盲分离的后处理方法

由于频域盲源分离方法无法精确解决排列模糊问题,分离出的信号质量受到很大影响.本文提出一种后处理方法以进一步消除不同信源间的空间干扰和噪声且无需增加额外的先验信息.首先在频域盲分离方法中利用分裂语谱技术把一个M×N的多输入多输出(MIMO)混迭系统分裂成N个单输入多输出(SIMO)系统,再对每个SIMO系统分别利用传递函数比和广义旁瓣相消器来重构源信号.仿真实验表明该算法具有良好的性能.

一种前馈结构的卷积混合盲分离算法

1998年,Torkkola提出了反馈分离结构的信息最大化算法,该算法对应于稳定的IIR滤波器,只能用于最小相位混合。而真实的环境往往包括非最小相位传输系统。本文在分析反馈分离算法的基础上,提出了一种在频域上用前馈结构的信息最大化算法,该算法对应于非因果FIR滤波器,为非最小相位系统的盲分离问题提供了一个解决方案。最后,我们将演示用这种方法分离实际环境下的两个自然信号。

关于信号盲分离分离效果评判指标的分析

评判盲分离方法分离效果的数字指标在源信号盲分离的研究中有着重要的意义 ,通常的仿真指标有两个 :混合矩阵与分离矩阵的乘积矩阵的行元素优势指标和信噪比指标。但当源信号各分量能量不一致时 ,行元素优势指标则失去了作用 ;而由于源信号分离后的结果与源信号能量的差异 ,传统的信噪比公式也不适用。针对这两个指标的局限 ,分别提出了改进方法。

伪多源采样复域FastICA冲击定位算法

使用传感器阵列对材料结构冲击损伤进行定位,有助于及时发现损伤及潜在威胁,保障结构安全性。采用盲源分离(BSS)对传感器阵列信号进行预处理,提出单通道伪多源采样方法,利用每个传感器的分时段信息构建该传感器多源观测信号作为复域Fast ICA算法的输入,分离出每个传感器观测到的带有相位信息的冲击信号;结合阈值时延定位方法求解平面冲击事件的坐标。理论推导和数值仿真验证了本文设计的联合冲击定位算法的有效性。冲击定位平台上的实验结果表明,联合冲击定位算法可以从冲击-振动混合信号中分离出冲击信号,提高阵列传感器冲击定位的时延分析准确性。同时对传感器数量少于源信号的欠定BSS问题提供了一种解决方案。

基于复杂度追踪的模态参数识别方法对比研究

复杂度追踪(complexity pursuit, CP)是求解振动信号盲源分离(blind source separation, BSS)问题的一类经典方法。用复杂度追踪估计解混矩阵主要有基于源信号复杂度计算的梯度下降(complexity pursuit-gradient descent, CP-GD)算法和基于时间可预测度的广义特征值分解(temporal predictability-generalized eigenvalue decomposition, TP-GED)算法。当前,这两种算法的关联性与算法性能尚缺乏研究,因此对这两种算法的等价性和计算性能进行了研究。首先,给出CP-GD和TP-GED两种算法的具体理论及算法流程;其次,利用二、三自由度振动系统直观地展示并对比解混向量对应的源信号复杂度及可预测度的变化规律;最后,通过对多工况下多自由度系统的模态参数识别算例,对比研究两种算法的精度及计算量。研究结果表明:在低阻尼比及高信噪比条件下,两种方法得到的解混矩阵是相同的;考虑到计算信号复杂度和梯度下降较为耗时,CP-GD算法计算代价要高于TP-GED算法。

小幅运动下多角度面部视频的心率信号获取

光电容积脉搏波描记法(photo plethysmo graphy,PPG)是一种通过分析面部视频中入射皮肤并后向散射的光线的成分和强度的变化,非接触式测量实时心率信号的方法。传统的PPG信号分离算法复杂度太高,运行时间长,不利于PPG方法更有效地应用于智慧教育场景下的情绪研究。针对传统PPG信号计算复杂度高、运动伪影影响大的问题,提出了一种基于二阶统计量的盲辨识算法的心率测量方法。通过捕获面部双感兴趣区域的6通道RGB信号,排除运动伪影,在小幅运动和面部多角度的条件下测量心率。实验结果表明,与医用血压计的测量结果相比,该方法具有良好的准确性。

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数(IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark结构验证了所提算法的有效性。

基于CP结合DE-GWO-SVR的海上风电基础结构损伤识别

结构仅输出的振动信号往往是各种源信号通过复杂规律形成的混合信号,对结构损伤特征提取与数据挖掘造成了很大困难。对此,提出了一种基于盲源分离(BSS)理论的复杂度追踪(CP)算法结合差分进化(DE)改进灰狼(GWO)算法优化的支持向量机(SVR)用于解决复杂结构的模态与损伤识别;CP算法基于信号预测性函数通过使分离信号的时间预测性度量最大化找到其线性混合矩阵,使分离分量具有最小复杂度并据此估计源信号。利用CP算法对结构响应信号进性分离得到信号分布向量(SDV)与分离源信号,通过定义差值曲率分布向量可以对结构损伤位置进行准确定位;对于损伤程度的识别,提出了一种DE改进的GWO对SVR进行优化的算法,即在GWO算法迭代过程中利用差分进化思想引入动态缩放因子以及交叉概率因子提高搜索和收敛速度,扩大种群所搜范围;利用不同工况下CP算法提取的差值曲率分布向量对结构损伤程度进行识别。通过对海上风电基础结构数值模型的分析,结果表明:CP算法对于高阶模态参数识别较fastICA表现出较强的适应性与优越性;同时,DE-GWO能够提高收敛速度,通过SVR算法对损伤的识别结果相比于BP神经网络更加准确。

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。

采用Pade逼近的有理非线性Fast-ICA

针对快速独立分量分析(fast independent component analysis, Fast-ICA)算法中非线性(nonlinearity)本身的计算负担会造成算法收敛速度下降的问题,提出一种有理多项式函数替代经典非线性的方法。通过将传统的非线性进行泰勒级数展开,利用Pade逼近技术推导出相应的有理多项式函数。有理函数的分子采用一次多项式,而分母采用二次多项式,在保证有理函数为真分式的同时还简化了其计算。仿真结果表明,采用有理非线性的Fast-ICA算法不仅能够提高算法的收敛速度,而且还能提高算法的盲源分离(blind source separation, BSS)性能。