一种新的参数估计方法及其在混沌信号盲分离中的应用

为了有效地估计非线性映射中的参数,本文采用一种容积准则近似该映射的加权积分函数. 基于由状态空间模型建模的参数,提出了一种新的参数估计方法. 混沌信号的盲分离是一种具有挑战性的参数估计问题.将新的参数估计方法应用在该问题上, 实现混沌信号的有效重构.仿真结果表明该算法具有较快的收敛速度和较高的数值精度, 并能有效地分离原始混沌信号.     

混沌背景下信号的盲分离

混沌信号与确定性小信号叠加生成的混合信号是一更高维的混沌信号,因而不能用一般的混沌信号噪声抑制的方法进行分离.提出了一种这类信号盲分离的方法.在重构未知的混沌信号的动力方程时,充分利用混沌吸引子的几何特性,并且限定动力映射为原混沌吸引子所在流形的内部映射,从而保证了重构的动力系统方程对应于原混沌信号,而不是同样具有混沌特性的混合信号.然后利用重构的动力方程,借用混沌信号中的噪声抑制思想,估计出原混沌信号对应的轨道,实现信号分离.通过对Lorenz系统中谐波信号、Henon映象中自回归过程,以及脑电信号中谐波信号进行提取的数值实验,验证了信号盲分离方法的有效性和可行性. 关键词： 混沌 非线性 信号处理 盲分离     

一种混沌信号的盲分离方法

多个混合混沌信号的分离，在混沌及其应用中是一个重要的问题.提出了一种线性混合的混沌信号的瞬时盲分离方法，它利用了各个混沌信号源之间的互不相关性，在未知混合矩阵和混沌方程的情况下，通过求解特征向量的方法从观测量中直接估计出解混合矩阵，以重构出源混沌信号.仿真结果表明，即使在低信噪比情况下，该方法仍可以有效地从噪声背景中分离出多个混合的混沌信号. 关键词： 混沌 盲分离 信噪比 特征向量     

一种基于人工蜂群算法的混沌信号盲分离方法

混沌信号所固有的非周期、宽带频谱和对初值极度敏感等特性使得对这类信号进行盲分离极为困难. 针对这一问题, 提出一种新的盲分离方法, 该方法通过相空间重构来构造代价函数, 将混沌信号的盲分离转化为一个无约束优化问题, 并利用人工蜂群算法进行求解. 不同于现有的独立成分分析方法仅使用混合信号的统计特性来解决分离问题, 该方法能充分利用混合信号内在的动态特性, 因而在处理混沌信号这种确定性信号时能获得更好的分离效果. 此外, 正交矩阵的参数化表示有效地降低了盲分离问题的复杂性, 使优化过程能快速收敛. 实验结果表明, 该方法具有较快的收敛速度和较高的数值精度, 在分离混沌信号时其整体性能优于现有的几种盲分离方法. 同时, 在分离混沌-高斯混合信号的实验中该方法也展现出优异良好的性能, 这表明该文的方法有应用潜力.     

一种无线传感器网络中的混沌信号重构算法

将无线传感器网络节点观测区域中的一个混沌信号发送到融合中心,进行信号重构.由于节点的通信带宽受限,信号传输之前需要进行量化,给信号带来量化噪声,使得信号重构工作变得更为棘手.本文提出用平方根容积卡尔曼滤波器对融合中心收集的信号进行重构.首先估计观测信号的概率密度函数,使用最优量化器量化观测信号,在有限的量化比特数下,取得最优的信号量化性能.平方根容积卡尔曼滤波器相对无先导卡尔曼算法具有较少的求容积分点,因此具有计算量小的优点,同时迭代过程采用传递误差矩阵的平方根矩阵,保证迭代过程的稳定性和提高数据估计精度.仿真结果表明,该算法能够有效和快速地重构观测信号,并且比基于无先导卡尔曼滤波的算法更快.     

基于无线传感器网络的混合混沌新分组加密算法

针对无线传感器网络(WSNS)中节点配备的能源少、节点计算能力低、存储资源 有限以及传统的加密方法不适用于WSNS中等问题, 提出了一种新的基于动态迭代的混合混沌方程及其整型数值化方法, 并结合Feistel网络结构设计了一种快速、安全且资源消耗低的适用于WSNS节点的分组加密算法. 通过对混合混沌分组加密算法进行了大量的实验测试之后, 发现该算法具有密钥空间大、严格的雪崩效应、扩散及扰乱性高以及均等的统计平衡性等优点, 同时该算法还成功地通过了SP800-22的严格测试; 算法经过仿真器平台上运行的速度、时间及所占存储空间的测试分析, 结果表明设计的混合混沌分组加密算法是完全能够适用于WSNS节点的数据加密.     

基于无线传感器网络的地震信号特征提取方法研究

为解决野外古墓葬安防网络中高采样率会缩短无线传感器网络寿命的问题, 提出了使用功率谱二次处理对地震信号进行特征提取的方法. 并通过三类地面活动数据采集进行对比识别实验, 分析了低采样率条件下地震信号特征提取方法的性能. 结果表明, 使用功率谱二次分析的特征提取方法能够降低网络通信能耗, 延长网络寿命, 提高系统目标识别的准确性.该方法已应用于秦始皇兵马俑野外文物安防系统, 经实践检验, 收到了良好的效果. 关键词： 地震信号 特征提取 功率谱二次处理 无线传感器网络     

无线传感器网络密钥管理技术在空间网络中的应用研究

现有空间网络密钥管理技术研究成果多数基于公钥密码算法,且对航天器硬件资源与通信能力受限、空间网络动态特性考虑相对不足。本文从工程应用可行性角度出发,分析并总结现有主流无线传感器网络密钥管理技术的优缺点,在对空间网络密钥管理需求进行详细分析的基础上,将空间网络划分为小型星座网络、每个节点只有少数固定链路的星座网络、包含多个星座子网的空间网络以及ad hoc空间网络,并对无线传感器网络密钥管理技术在各类空间网络中的应用进行研究分析。     

多通道同步信号采集与盲源分离研究

扩展了麦克风语音采集电路和较大容量的存储器,基于凌阳16位单片机(SPCE061A)实现了多通道语音信号的实时同步采集。对采集的信号应用FastICA独立分量分析算法进行盲源分离,基于DTW算法对分离的语音进行识别,发现强噪声情况下识别结果良好,对语音识别与应用具有积极意义。     

基于混沌人工蜂群算法的无线传感器网络覆盖优化

针对无线传感器网络随机播撒的节点严重冗余并且导致网络寿命短、覆盖效率不高等缺陷,提出了一种混沌人工蜂群算法的无线传感器网络覆盖优化算法;将节点的利用率和覆盖率作为优化目标函数,建立与之对应的数学模型,之后用混沌人工蜂群算法改善人工蜂群算法陷入局部最优、收敛慢等问题,提高算法收敛速度和精度,对节点覆盖模型进行求解,得出网络最优覆盖方案;通过实验仿真,提出的算法提高了无线传感器网络的覆盖率,覆盖率可达93.48%以上,减少了网络节点冗余,提高了网络寿命,降低了网络成本。     

Signal reconstruction in wireless sensor networks based on a cubature Kalman particle filter

For solving the issues of the signal reconstruction of nonlinear non-Gaussian signals in wireless sensor networks(WSNs), a new signal reconstruction algorithm based on a cubature Kalman particle filter(CKPF) is proposed in this paper.We model the reconstruction signal first and then use the CKPF to estimate the signal. The CKPF uses a cubature Kalman filter(CKF) to generate the importance proposal distribution of the particle filter and integrates the latest observation, which can approximate the true posterior distribution better. It can improve the estimation accuracy. CKPF uses fewer cubature points than the unscented Kalman particle filter(UKPF) and has less computational overheads. Meanwhile, CKPF uses the square root of the error covariance for iterating and is more stable and accurate than the UKPF counterpart. Simulation results show that the algorithm can reconstruct the observed signals quickly and effectively, at the same time consuming less computational time and with more accuracy than the method based on UKPF.     

复杂电磁环境下的信号盲分离方法

介绍了基于盲源分离的信号处理基本思想,阐述了ICA,SOBI,AMUSE三种典型算法的原理、特点,通过仿真实验研究了这三种盲源分离算法对于常见波形信号和真实信号的分离性能及其抗噪能力,验证了算法的有效性和可行性。三种方法对于抑制干扰信号,进行信号的有效提取具有实际意义和使用价值。     

复杂电磁环境下的信号盲分离方法

介绍了基于盲源分离的信号处理基本思想,阐述了ICA,SOBI,AMUSE三种典型算法的原理、特点,通过仿真实验研究了这三种盲源分离算法对于常见波形信号和真实信号的分离性能及其抗噪能力,验证了算法的有效性和可行性。三种方法对于抑制干扰信号,进行信号的有效提取具有实际意义和使用价值。     

Blind source separation of multichannel electroencephalogram based on wavelet transform and ICA

Combination of the wavelet transform and independent component analysis （ICA） was employed for blind source separation （BSS） of multichannel electroencephalogram （EEG）. After denoising the original signals by discrete wavelet transform, high frequency components of some noises and artifacts were removed from the original signals. The denoised signals were reconstructed again for the purpose of ICA, such that the drawback that ICA cannot distinguish noises from source signals can be overcome effectively. The practical processing results showed that this method is an effective way to BSS of multichannel EEG. The method is actually a combination of wavelet transform with adaptive neural network, so it is also useful for BBS of other complex signals.     

Improved blind‐source separation for spectra

A new method is proposed that improves the performance of independent component analysis (ICA) algorithms for separating overlapping spectra under certain circumstances. The method is designed for Raman spectra in particular, although it should be applicable to spectra with similar line shapes, such as nuclear magnetic resonance. In the zero‐noise case, conventional ICA fails to separate synthetic Raman spectra completely; by maximising smoothness, as opposed to other more traditional measures of statistical independence, better performance can be achieved. The new method is tested against artificial and real Raman spectra, and demonstrates improved performance for each. The algorithm is fully automated, requiring no user input or judgement in order to separate the spectra. Copyright © 2011 John Wiley & Sons, Ltd.