基于Schur运算格的线性ICA估计算法

从几何角度来看,线性ICA(Independent Component Analysis)估计可以通过角度变换来实现.因此,本文提出一种新颖的,基于Schur运算格的格型ICA估计算法,格型算法较之其它算法稳定,易于扩展,易于硬件软件实现.仿真结果表明,该算法性能令人满意.     

自适应滤波的新方法--几何中心法

自适应滤波器的性能曲面具有某些有益的几何特性,根据这些特性,本文提出ＦＩＲ自适应几何中心法（ＦＩＲＡＧＣＭ）,然后通过转化ＩＩＲ滤波器的性能曲面,得到全局收敛的ＩＩＲＡＧＣＭ算法,与梯度法不同的是：ＦＩＲＡＧＣＭ算法无需步长选择,需要的存储量极少,并且收敛迅速,ＵＲＡＧＣＭ继承了ＦＩＲＡＧＣＭ的全部优点,并且大幅度提高了收敛精度,仿真结果表明,两种算法性能相当优越。     

一种改进的基于ICA的信号增强方法

根据一路带噪信号，采用独立分量分析方法去除加性噪声，从理论上讲就是在观测信号向量的维数小于源信号向量维数情况下的独立分量分析问题。问题的关键是如何构造另一路观测信号，使问题有解。文中提出了一种改进的构造方法，这种方法非常简便，实验结果表明其分离性能比较理想。     

一种基于线性判别分析的稳健话音检测方法

给出一种新的话音检测方法，即在SNR算法的基础上，应用线性判别分析(LDA)对语音特征参数进行降维。在大噪声环境下，该方法提高了系统的稳健性。同时将这种新的方法与基于信噪比(SNR)和基于噪声／语音统计量(N＆S STAT)的算法做了比较，实验表明该方法可以提高检测效率。     

改进的格型Steiglitz-McBride算法

本文提出一种新的Steiglitz-McBride权值更新算法。新算法无需步长选择，而且能上百倍地提高格型Steiglitz-McBride算法的收敛速度。     

基于独立分量分析的语音增强

带噪语音可看成由独立的噪声信号和语音信号经某种方式混合而成,因此可对其进行独立分量分析（ICA）,将噪声和语音分离,从而达到语音增强的目的。但是ICA要求观测信号数目不少于独立源个数,故无法直接对单路信号进行独立分量分析。本文提出一种方法巧妙地从单路信号中生成两路信号,然后对其进行独立分量分析,实现语音增强。实验结果表明,在0-10db输入信噪比下,ICA方法能达到3-6db的信噪比改善,并保持良好的可懂度。     

一种自适应FIR滤波的新方法——几何中心法

传统的自适应方法一般采用梯度下降法搜索最佳权,但梯度法的性能对步长敏感。本文介绍一种全新的、无需步长选择的稳定收敛的ＦＩＲ方法。该方法采用几何中心法进行递推。仿真结果表明由该方法导出的算法性能很好。