基于独立分量分析的盲信号分离研究

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力的分析处理工具得到广泛的关注和研究。本文首先介绍了独立分量分析的基本概念和数据模型,然后对比较流行的各种独立分量分析算法进行了剖析和总结,最后对独立分量分析的应用和发展趋势作了展望。     

一种改进的盲信号分离方法

指出了在盲信号分离过程中．基于独立分量分析的定点算法，具有结构简单、运算速度快的特点．但是在有些情况下，该算法是否收敛仍具有不确定性，限制了它的使用范围．基于信息理论原理提出了一种改进的盲信号分离算法，经计算机仿真和对实际生物信号处理的实验表明：该算法在速度和稳定性方面都有很大的改进．     

BFGS算法在盲信号分离中的应用研究

盲信号分离的独立成分分析方法已成为当今信号处理课题的热点。在分析已知算法的基础上,利用最优化方法中的Broyden- Fletcher-Goldfard-Shano(BFGS)算法,我们提出了一种基于信息理论新的盲信号分离算法。     

基于斜投影的卷积信道盲信号分离

为实现卷积混合信号的盲分离,提出了一种基于斜投影的子空间方法,首先设计"过去"、"现在"和"未来"的观测数据空间,并通过斜投影将卷积混合转化成为线性瞬时混合;然后采用静态分离算法重构源信号。该方法利用了观测数据矩阵的结构信息直接获得线性瞬时混合的数据模型,不需要进行高维子空间代价函数的优化,运算量相对小。计算机仿真验证了算法的有效性。     

盲信号分离输出与源信号的一致性判断

针对盲信号分离需要判断分离结果与源信号是否一致的问题,基于统计独立变量函数仍然保持“统计独立”的性质,提出了独立分量分析(ICA)的输出分量与源信号的一致性判断方法.该方法通过计算混合信号及其差分值混合矩阵的相关矩阵,根据ICA各分量对应的最大相关系数来判断ICA各分量与源信号的一致性.模拟计算和实验结果表明:若差分前后混合矩阵的最大相关系数趋近于1,则ICA输出分量与对应的源信号一致;为保证分离的准确,差分前后混合矩阵的最大相关系数不应小于0.8.     

基于小波概率密度函数估计的盲信号分离算法

利用概率密度函数的非线性小波估计方法,对混合信号的概率密度函数及其导数进行估计,由此估计信号的评价函数,从而给出了一种盲信号分离算法.该方法简单,可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.计算机仿真结果表明了算法的有效性.     

基于独立分量分析的图像盲分离算法

基于独立分量分析的算法在盲信号的分离问题上有着良好的性能,本文深入研究了该算法,并在实验的基础上对该算法进行了改进,文章最后给出的实验仿真结果表明,改进后的算法在分离混合图像上是非常有效的.     

基于Fast-ICA算法的瞬时混合盲信号分离

本文介绍一种典型的独立成分分析算法,即Infomax算法,详细介绍了Fast-ICA算法的基本原理,将该算法用于三路瞬时混合信号的盲分离,最后对算法的分离性能及优缺点进行了分析。     

基于自适应极大熵算法的混合语音信号分离

关于混合语音信号的盲分离问题,基于自适应的极大熵算法是一个非常良好的解决办法,本文深入研究了该算法并且针对实践应用中的一些问题.对该算法进行了改进.文章最后给出的实验结果表明,改进后的算法在盲分离语音信号和提高算法效率上,都是非常有效的.     

广义梯度及其在盲信号分离中应用的研究

盲信号的研究是当今学术界研究的热点,它连接了神经网络、信号处理、信息论等多个领域[1-2].盲信号分离(B lind Signal Separation,简写为BSS)是盲信号的研究中一个广受关注的方向.在盲信号分离的研究中,1994年Comon[3]提出了独立分量分析(Independent Component Analysis,简写     

基于改进固定点ICA算法的图像盲分离

独立向量分析根据信源统计独立特性对观测信号进行分离运算,目前采用较多的是固定点独立分量分析(FastICA).考虑到图像信号分离中,图像信号复杂多样,信息量大的特点,采用改进固定点ICA算法对图像进行分离,克服了采用固定点ICA算法计算量大、收敛速度慢的缺点.文章采用随机提取的独立图像做实验,取得了稳定性较强的效果.     

一种基于独立分量分析的变速跳频信号盲分离方法

针对当前跳频信号盲分离算法计算量大,精确度不高的问题,结合变速跳频信号采用不断加快的跳速和“跳速多变”的策略,提出了一种利用信源间的独立性解决变速跳频信号盲分离问题的方法。同时,采用负熵最大化寻优算法加快了传统独立分量分离算法运算速度。通过仿真实验与处理实际数据结果表明：与其他方法相比,该方法在不需要任何先验信息的条件下,可以在低信噪比的情况下较好地分离出各个变速跳频信号,同时能够精确恢复出变速跳频信号的跳频图案,在20 dB信噪比的情况下,分离后相似系数可以达到99%。该研究为变速跳频信号盲分离问题提供一个新的解决途径。     

基于Wigner-Vile分布的非平稳信号盲分离

许多盲源分离方法限于非高斯、平稳且相互独立的源信号 ,在实际应用中往往会产生许多问题 ,因为自然界中的源信号通常不满足这些假设 .本文基于时频分析 ,通过利用信号的Wigner Ville分布 ,得出一种新的盲源分离方法 ,该方法能有效分离非平稳信号 .     

自适应最优保存遗传算法在盲信号分离中的应用

独立分量分析方法(ICA)是信号处理的一种新技术。其基本目标是寻找线性变换矩阵，将观测的多维混合信号进行变换，变换后的输出信号各分量之间尽可能统计独立。将遗传算法与ICA相结合，提出基于GA的盲分离算法，并分析了它们的收敛性和稳态性能。其有效性为仿真结果所证实。     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在通信对抗中,由于电磁环境的复杂度及信号调制方式的多样性,使得很难得到原始信号的先验信息,这给通信对抗带来极大的困难。为了解决在通信对抗中的这个难题,我们提出了一种新的盲识别技术。该技术使用独立信号分析（ICA）去盲分离原始的信号,而且随后对每个得到的信号进行分别处理。文中首先介绍了ICA的基本原理。使用差分最大负平均信息量的方法,一个为ICA的目标函数和一个快速ICA算法在文中被提出。在深入分析此快速算法的基础上,本文阐述了一种新的算法并将其应用在卫星TT&C信号的识别中。仿真结果表明：该方法可以不需要原始信号的先验信息的情况下正确的识别出原信号（例如,载波频率,信号带宽和调制方式等）,这为后续的信号分析奠定了基础,比如信号的分析和识别,解调及证明其良好的收敛性和鲁棒性等等。     

一种自适应信号盲分离和盲辨识的有效算法

为了把几个独立信号从它们的线性混叠中盲分离或盲辨识出来,提出了一种具有抑制噪声作用的有效自适应学习算法,研究了算法的有界性和渐近稳定性．以渐近稳定性为条件,给出了算法中非线性函数的适当选择．仿真研究表明,算法是有效而鲁棒的,且能够从有噪声的混叠中恢复原独立信号．     

基于小波变换和KICA算法的图像盲分离

盲源分离技术在污染图像恢复与重构中起着重要的作用。近年来出现了多种盲分离算法,在无噪声的情况下,KICA(核独立分量分析)的分离方法最好。但在有噪声的情况下,传统的方法对于有噪混合图像的分离效果不佳。针对这一问题,提出了小波去噪与KICA相结合的算法对有噪混合图像进行去噪分离。仿真实验结果表明这种方法能有效地降低噪声的影响,能较好地实现了图像的分离。     

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算,且这类算法不具备所希望的等变特性,对于病态混合矩阵的盲分离问题可能无法求解,通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法,该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵,也不需要对累积量矩阵进行代数变换,并且所使用的迭代算法不需要对任何变量求导,因此非常简单,易于实现;同时算法还具有对未经去除均值的混合信号直接进行分离的能力。