AN EME BLIND SOURCE SEPARATION ALGORITHM BASED ON GENERALIZED EXPONENTIAL FUNCTION

This letter investigates an improved blind source separation algorithm based on Maximum Entropy(ME) criteria. The original ME algorithm chooses the fixed exponential or sigmoid function as the nonlinear mapping function which can not match the original signal very well. A parameter es-timation method is employed in this letter to approach the probability of density function of any signal with parameter-steered generalized exponential function. An improved learning rule and a natural gradient update formula of unmixing matrix are also presented. The algorithm of this letter can separate the mixture of super-Gaussian signals and also the mixture of sub-Gaussian signals. The simulation experiment demonstrates the efficiency of the algorithm.

多输入多输出盲解卷问题的最大熵解法

本文研究的问题是从观察信号中分离出两个（或者更多个）输入信号，其中每一组信号分别通过不同的未知多输入多输出线性系统．本文证明了当输入信号是两两相互独立的独立同分布信号时可以分离出输入信号，并导出了基于最大熵的多输入多输出盲解卷新算法．这个算法不需要任何关于输入信号和混合滤波器的先验知识．

基于统计估计的盲信号分离算法

最大熵法（ＭａｘｉｍｕｍＥｎｔｒｏｐｙ，ＭＥ）和最小互信息量法（ＭｉｎｉｍｕｍＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ，ＭＭＩ）是两种目前最常用的盲信号分离算法．在分析ＭＥ与ＭＭＩ算法的基础上，提出了一种利用反馈结构的输出信号概率密度函数（ｐｄｆ）估计的增强ＭＥ算法．与传统ＭＥ算法相比较，新算法无需给出传统ＭＥ算法中神经元非线性函数的具体表达形式，而是直接利用输出信号ｐｄｆ估计来推导算法的迭代核，进行算法自适应．分析了应用几种不同ｐｄｆ估计方法的新算法迭代公式．通过计算机模拟表明，新算法比传统ＭＥ算法对于解决卷积混合输入的盲信号分离问题时，具有更好的算法性能．

基于负熵粒子群算法的盲信号分离研究

针对粒子群对盲信号分离时出现早熟等现象,提出负熵粒子群算法.首先将信息负熵最大化作为粒子群的目标函数,不依赖其它的非高斯性度量判断,避免识别混叠矩阵;然后对观测信号进行中心化和白化处理,用分离矩阵调整,使各个信号分量之间独立,大权重粒子做全局搜索,小权重的做局部搜索,混叠矩阵对所有列元素数组完成分离;最后给出了算法流程.MATLAB仿真结果显示该算法能够有效地完成盲信号分离和主要参数的提取.

盲信号分离的现状和展望

盲信号分离是近几年才发展起来,用于解决从混合观测数据中分离源信号的一门新技术,已在许多领域获得了广泛应用。本文介绍了盲分离的主要理论和两大类实现方法——独立分量分析和非线性主分量分析,并在此基础上介绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将来的发展方向。

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题,由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量,这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低.为此,本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件,并在此基础上用高斯混合模型来估计信号的概率分布,提高了信号概率密度估计的精度;同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法,提高了算法的收敛速度.通过对船舶辐射噪声信号的盲分离实验,证明了此分离算法是有效的.

基于PID神经网络的后非线性盲源分离算法

P ID神经网络是一种新型的前向神经元网络,它的隐层单元包含比例(P)、积分(I)、微分(D)元,各层神经元个数、连接方式、连接权初值均按P ID控制规律的基本原则确定。本文研究了一种新的后非线性盲源分离算法,用最大熵值方法推导了P ID神经网络算法的后非线性分离学习公式,该算法可用于线性或后非线性的混叠信号。对输入2个混叠信号时,用单个P I神经网络分离;对输入3个混叠信号时,用单个P ID神经网络分离;对输入更多的混叠信号时,可采用多个独立的P ID神经网络来分离。仿真结果验证了单个P ID神经网络算法,能分离线性或后非线性混叠信号。

基于FastICA算法的齿轮箱故障诊断方法

在齿轮箱故障诊断中,传感器采集的振动信号由噪声和齿轮信号叠加组成。为了分离出有用的齿轮信号,以便对齿轮箱故障进行正确诊断,提出了采用基于负熵的FastICA算法对齿轮箱振动信号进行分离的方法,即对箱体故障信号的时域与频谱进行分离分析和相似度分析。通过将FastICA的分析结果与齿轮箱实际故障进行对比,发现采用基于负熵的FastI-CA法进行信号分离不仅有助于正确地判断故障特征,而且可增强待分析故障信号的强度,还可诊断其故障形式,是故障诊断的预处理方法。

基于最大熵条件下机械噪声盲源分离方法的研究

盲源分离方法是近年来出现的一种先进的信号处理方法。本文基于对最大熵(ME)的原理,推导了基于自然梯度法的盲信号处理的计算方法,并通过实例说明本方法对噪声源分离是可能的,为机械设备的故障诊断和监察提供了一个新的方法。

变压器绝缘油中混合气体的盲信号分离方法

将盲信号分离算法与光声光谱检测平台应用到变压器绝缘油中混合气体的检测,能降低对激励光源精度的要求,减少成本,在相同光源的情况下可以提高检测精度。利用盲信号处理中的负熵最大法对CO2、C2H6、C2H23种红外特征吸收峰中心波长特别接近的主要故障气体进行了盲源分离。实验结果表明,与单纯的光声光谱法进行比较,利用盲信号分离算法能更好地检测出绝缘油中的混合气体的种类和含量,具有较高的检测精度。

基于非线性混合模型的冷却塔声学诊断

针对具有强烈动态特点的非线性系统,提出一种基于后向传播学习规则的盲源分离算法.以输出信号的非高斯性作为信号之间的独立性量度,在混合路径和原始信号都未知的情况下最大化输出熵训练网络,保证任意输出信号相互独立并近似于期望的累积概率函数.在实验台上分析了不同转速对信号分离的影响,结果表明,空气动力性噪声是同一时刻所有点辐射在空间叠加的总和,风机辐射噪声不适合卷积混合模型,而且高速旋转设备在低频区域提取故障信号特征相对可靠.

基于仿射投影--独立分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离(BSS)收敛慢问题,以BSS的独立分量分析(ICA)为基础,结合APA思想,设计出BSS的APA-ME、APA-MMI、APA-EASI新算法。在这些新算法中,输出向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了BSS的收敛速度。仿真结果表明,APA-ICA类的BSS算法是有效的。

基于最大熵化法的卫星信号盲分离

该文研究的问题是从经过卫星信道的混合信号中分离出相互独立的原始信号。解决这类问题的传统方法往往是采用盲解卷积的算法,但是这种方法的计算量很大,需要对各个径的参数进行调整。该文利用卫星信道的特点,提出了基于最大熵的盲分离算法,极大地减小了计算量。最后的仿真结果表明了算法有效性。

一种采用径向基神经网络的盲源分离算法

针对传统盲源分离算法的计算复杂问题,提出一种基于径向基(RBF)神经网络盲源分离算法,用K均值聚类算法对中心值和宽度值进行确定,用最大熵为代价函数来确定权值,所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离。仿真中,用于对线性混合信号进行盲源分离,并与最大熵(ME)算法进行比较。结果表明,盲源分离算法能减少分离时间和提高分离效率,并且能大大降低计算量,比ME算法更好。

基于ICEEMD样本熵分析的管道多点泄漏定位

为解决城市管道多点泄漏定位误差较大的问题,提出一种基于改进的互补集合经验模态分解(ICEEMD)样本熵分析的管道多点泄漏定位方法。首先提出改进的CEEMD算法,利用CEEMD算法对多点泄漏声信号去噪、分解为真实泄漏信号分量和冗余分量,并通过样本熵分析去除冗余分量,获得多点泄漏声信号的有效信号;再利用盲源分离与极大似然估计算法分离观测信号,得到有效泄漏信号;然后利用互相关时延法计算两路信号到达上下游传感器的时差;最后计算得到单个泄漏点的精确定位。结果表明,该方法具有较好的信号分解效果,能提高管道多点泄漏定位的精度。