基于独立矢量基的波达方向估计

独立分量分析可从线性混合的信号中分离出彼此独立的信号源,也就是利用独立矢量基对混合的信号进行分离,这种方法在一定条件下与盲信源分离等价。该文利用通过非线性最小均方准则获得的独立矢量基,并且根据其所具有的特性,将其应用于均匀线阵的信号波达方向估计。

基于扩频码周期性的单通道直扩通信半盲分离抗干扰算法

为克服传统盲源分离抗干扰方法需要多副接收天线这一技术瓶颈,提出一种单通道下基于扩频码周期性的直扩通信半盲分离抗干扰算法。该方法基于扩频码的周期性,利用符号级过采样,把单通道多径慢衰落信道模型转化为多通道瞬时混合模型,同时将训练序列作为先验信息以约束条件的形式引入到盲分离代价函数中,直接从混合信号中提取出期望用户数据,而达到抗干扰的目的。仿真结果表明,在多址干扰和单/多音干扰下,当信干比为-60dB时,随着归一化信噪比Eb/N0的增加,未分离信号的误码率几乎不变,并在10^-0.3附近波动,而经过所提抗干扰算法处理后的信号误码率逐渐降低,并最终稳定在10^-4～10^-5。

用于统计相关源信号的盲分离方法

现有的盲信源分离方法大多以信源统计独立为前提条件.针对相关信源的瞬时混合,提出了一种采用"两步法"对其进行盲分离的方法.首先,对两传感器观测信号比值的方差进行比较,方差值相等的相继采样时刻就是只有一个源信号单独存在的时刻.这些时刻的观测信号矢量就是对混合矩阵中与该源信号对应的列矢量的估计,利用这一性质可以估计出混合矩阵.然后,由估计出的混合矩阵得到分离矩阵,从而恢复出源信号.计算机仿真试验证明了该方法的正确性.

基于核独立成分分析的盲多用户检测算法

针对部分多用户检测算法需要对信道参数进行估计的缺点,提出了一种基于核独立成分分析的盲多用户检测算法.该算法根据源信号的不同分布情况,在重建核希尔伯特空间内选取不同的非线性函数作为对比函数,将信号从低维空间映射到高维空间.在高维空间,接收端利用已知信息,将目标用户扩频码作为解混矩阵的初始值,利用自适应方法进行迭代,有效地解决了盲信号分离的无序性,实现了目标用户信号的提取.仿真实验表明,该算法的误码率性能在用户数量增大和远近效应严重的情况下都远优于基于匹配滤波器的单用户检测器,与传统独立成分分析方法相比更具灵活性和鲁棒性.

基于盲源分离算法的阵列信号波达方向-频率估计

盲信号处理已成为近年信号处理和神经网络热点领域,主要用于语言信号处理,应用于雷达信号处理并不多见.确定空间辐射源的波达方向(DOA)和频率是雷达阵列信号处理的基本问题之一,近20年来许多学者提出了性能各异的算法,其中有代表性的是多信号分类法和旋转不变技术的参数估计法.近年来,越来越多文献将盲源分离算法应用到阵列信号处理中,开辟了一条DOA估计的新道路.本文首先给出了一种用来盲分离复数信号的盲源分离算法,结合该算法,提出了可同时估计波达方向、频率的波达方向-频率盲估计算法.盲源分离算法是基于负熵的快速定点算法,不需要给出复数信号的概率密度函数,具有收敛速度快,鲁棒性强等特点.本文证明了波达方向-频率盲估计算法的收敛性.仿真研究表明新的波达角估计算法的特点:1)估计算法是有效并且鲁棒的;2)估计算法能从含噪声的阵列接收信号中同时估计出辐射源波达方向和频率;3)估计算法能将雷达杂波和目标回波分离.

自适应实时型复值混合信号盲分离算法研究

利用非圆信号的协方差和伪协方差都为非零对角线矩阵的特点,构造代价函数,通过复值梯度推导得到一种针对复值混合信号的自适应实时算法。该算法能分离任何包含非圆信号源的复值混合信号;与强不相关变换算法相比,该算法结构简单,具有实时性,分离误差小,同时不需要特征值和奇异值分解,即使信源谱系数相同也能成功分离出复值混合信号。实验仿真证明了算法的有效性。

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点。传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果。根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化。仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果。

基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解(ITD)和独立分量分析(ICA)相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。

带约束的卷积语音信号频域盲分离方法

在实际的室内环境中,多通道的语音混合是一个卷积混合信号,在频域利用ICA进行分离时,不同频点上分解出的源信号的次序不确定,需要用后处理方法确定源的对应关系。提出了一种利用波达方向(DOA)作为约束条件的频域盲源分离方法,可以在线地解决频域中的次序不确定性,并且不需要已知传感器及源信号位置等先验知识。仿真结果表明,该方法能够有效地分离卷积混合语音信号,比现有相关的方法更精确。

基于ICA的盲信号分离正定性检验方法

盲信号分离中,判断观测信号个数与实际信源个数的关系对于信号分离算法的选择和算法效果的评估非常重要,但目前还缺乏有效的方法对正定和欠定情况进行区分性检验.针对这一问题,本文提出两种检验方法.第一种方法通过分析整个数据序列ICA分解输出分量之间的独立性来实现.理论分析表明,欠定条件下ICA分解输出分量之间必然不具有独立性,而正定条件下,只要源信号满足独立的前提假设,ICA分解输出分量之间可以相互独立.第二种方法中,我们对数据序列不同位置添加等长时间窗,根据ICA分解基向量的稳定性来检验正定性.理论分析表明,正定条件下不同窗口数据ICA分解的基向量都收敛到混合阵的基向量上,而欠定条件下,分解得到的基向量随不同时窗内源信号分布的变化而改变.本文通过仿真实验,证明了这两种方法的可行性.

解卷积混合语音频域盲分离的次序问题新方法

多通道语音信号的混合往往是卷积混合,瞬时盲分离方法不能获得好的分离效果,而频域方法由于频率次序的问题使性能下降。本文采用时频掩模的方法得到各频点上具有确定次序的、但带有失真的分离信号,将其作为参考,与频域上解得的次序不定信号进行相关,从而获得精确的语音分离信号。实验表明:本文提出的方法能有效地解决频域盲分离的次序不确定性问题,得到精度更高的分离卷积混合的语音信号。

基于新侦察模型的MIMO雷达波形分离技术

针对MIMO雷达的正交多相编码信号，在给出限定条件的情况下，采用一台侦察机从不同的方向、多个角度对MIMO雷达进行侦察并且获得有延时样本信号。然后对有延时的样本信号进行处理获得无延迟的样本信号。由于对侦察设备而言，MIMO雷达的信号是盲信号，因此采用盲信号处理技术对样本信号进行处理。首先采用主分量分析算法（PCA）对信号进行预处理并且估计信源个数，再运用盲源分离中独立分量分析的算法（ICA）对样本信号进行分离。通过仿真验证了该方法的有效性，并分析了侦察模型中张开角度的影响。