熊坤来[1]2015年在《盲分离及其在阵列信号处理中的应用研究》文中研究指明盲分离是当前信号处理领域的热门技术,它充分利用信号独立、稀疏等特性,仅根据观测数据就可以恢复出源信号。近年来,一些研究者将盲分离算法应用到阵列信号处理中,不仅较好的分离出了源信号,还得到了相应信号的波达方向。盲分离算法对阵列信号盲处理具有重要的实际意义。然而,目前对于低信噪比、宽带信号、模型失配等复杂情况的阵列信号盲分离,还未有较好的解决方案。本文分别针对低信噪比下的窄带盲分离及波达方向估计(Direction of Arrival,DOA)、宽带独立信号盲分离及DOA估计、宽带确定性信号盲分离及DOA估计、模型失配下的阵列盲分离及DOA估计这四个方面的问题展开深入研究。主要研究内容概括如下:第二章针对传统盲分离算法抗噪性能差的问题,提出一种适用于低信噪比环境的窄带阵列信号盲分离及DOA估计方法。假定源信号之间相互独立,首先对阵列自相关矩阵作特征值分解得到特征值及特征向量,然后根据特征值估计出源信号个数K,再利用前K个特征向量提取出仅包含少量噪声信息的观测数据,进而利用特征矩阵联合对角化(Joint Approximate Diagonalization of Eigen-m atrices,JADE)方法对该部分数据进行盲分离,从而达到减小噪声影响的目的,最后根据分离算法原理与均匀线阵的流型矩阵的特性,推导出相应分离分量的DOA计算公式。进一步考虑多径效应的影响,将同一源信号产生的多个多径分量视为一个独立的信号源,仍可以通过上述盲分离算法进行分离,但是多径环境下,阵列流型矩阵的结构特性发生了改变,因而DOA估计方法需要调整,针对这一问题,本章进一步提出了一种基于独立分量分析(Independent Component Analysis,ICA)和稀疏重构的DOA估计方法。该方法首先利用ICA算法估计出混合矩阵,然后将混合矩阵的每列视为一个阵列的单次快拍数据,借助稀疏重构技术依次处理每列数据,进而得到各入射信号的DOA估计。第叁章针对传统盲分离算法对宽带信号不适用的问题,在假定源信号为宽带独立信号的基础上,提出一种宽带阵列信号盲分离及DOA估计方法。该方法首先通过短时傅立叶变换将宽带混合信号转化为多个频率片上的瞬时混合,然后针对频域不完全重迭的情况,提出先进行频域分段处理再利用相似系数拼接重构的方法,对于频域重迭的部分,采用JADE算法对每个频率片上的混合信号进行盲分离,最后对各频率片上分离后的源信号分量分别进行合并,再通过逆短时傅立叶变换就可重构出各源信号。利用子带盲分离得到的分离矩阵的行向量构造方向图函数,根据方向图函数的零陷方向来确定相应分离分量的DOA,并在此基础上,提出一种基于DOA估计的次序调整及幅度去模糊方法,以解决子带合并时的模糊问题。当源个数为2时,通过搜索函数的最小值就可轻易获取各分量的DOA值。源个数大于2时,对DOA估计方法进行调整,利用k均值聚类方法对各方向图的零陷方向进行聚类,最终确定各分量的DOA。该方法有效的实现了宽带阵列混合信号的盲分离,同时准确估计出了各宽带源信号的DOA,并且该算法所需阵元数与源信号数相等即可,与宽带波束形成算法相比,所需阵元数大大减少。第四章假定源信号为宽带确定性信号,提出一种基于EM算法的宽带阵列信号盲分离及DOA估计方法。该方法首先通过FFT变换将观测信号转换到频域,然后在EM算法的基本框架下构造中间参数,假定噪声为高斯白噪声,联合带宽内所有频域子带信息构造中间参数的联合似然函数,最后根据似然函数推导出寻找最大似然值的EM迭代式,最终根据迭代结果得到源信号及DOA的估计值。同时针对迭代过程中的角度搜索问题,本章利用EM算法的收敛特性,提出一种自适应角度搜索范围设定方法,简化了算法的复杂度。该方法在EM算法的基本框架下,综合运用所有频点的数据信息联合估计出DOA及源信号,相比于对每个子带进行单独处理的传统方法,其估计精度得到大幅提高,同时还避免了子带合并时带来的模糊问题。第五章针对模型失配的实际情况,提出了一种基于SAGE算法的阵列信号盲分离及DOA估计方法。首先针对互耦及阵元位置误差这两种模型失配的情况,提出一种基于SAGE算法的窄带阵列信号盲分离及DOA估计方法,然后进一步将其推广至阵元位置误差条件下的宽带阵列信号盲分离及DOA估计。该方法在一种新的阵列误差信号模型的基础上,利用SAGE算法联合估计阵列误差系数、DOA及源信号等未知参数,将联合估计时的多维搜索简化为一维搜索。该方法遵循SAGE算法的基本步骤,因而也继承了SAGE算法估计精度高及收敛性好的优点。同时,本章还首次讨论了模型失配条件下宽带阵列信号的盲分离及DOA估计问题,有效的实现了阵元位置误差条件下的宽带阵列信号盲分离,并准确地估计出了各源信号的DOA。
付卫红[2]2007年在《盲源分离及其在通信侦察中的应用研究》文中研究表明随着通信技术的不断发展,电磁环境变得空前的复杂、密集,通信频段不断展宽,通信体制、信号样式的不断翻新,作为非合作接收的通信侦察而言,要想在如此复杂的信号环境下截获、分析、识别出威胁信号,确定干扰目标相当困难。面对通信对抗面临的挑战,我们有必要研究一种通信对抗侦察新技术、体制。在实际的战场电磁环境中,我方截获到的信号往往是敌方干扰信号、敌方通信信号、我方通信信号以及各种电磁干扰和噪声信号等的混合,因此要想对敌方通信信号进行侦察,首先必须从截获到的混合信号中分离出所需的敌方通信信号。由于通信侦察的非合作性以及通信信号调制样式的多样性,我方往往无法确切获悉敌方发射信号的任何先验信息,再加上电磁环境的复杂性,在不知道任何先验信息的条件下,要从截获到的混合信号中分离出所需的信号,通信侦察面临巨大挑战。针对复杂电磁环境下通信侦察所面临的困惑,本文提出了基于盲源分离的通信侦察新体制,力图从盲信号处理的角度,寻求解决电子战领域这一重大技术难题的新途径。本文的主要工作概括如下：1.系统阐述了线性瞬时混合的盲源分离问题,为后面的研究做理论铺垫。从线性瞬时混合系统模型出发,分析了盲源分离固有的不确定性和基本假设条件,介绍了几种盲源分离技术的常用方法,给出了盲源分离技术的性能评价指标,同时对盲源分离技术中必不可少的白化预处理算法作了详细的推导和论述。2.研究了几种线性瞬时混合盲源分离算法。首先对几种固定步长的盲源分离算法进行了研究,给出了算法的推导过程。为了改善算法的收敛速度(反应速度是通信侦察的基本要求)而又不破坏算法的稳定性,我们对固定步长的盲分离算法进行了改进,提出了几种基于步长自适应的盲源分离算法,即可变步长自然梯度盲分离算法、可变步长的EASI盲分离算法等。分析了算法的稳定性条件,结果发现算法的稳定性与源信号的统计特性以及选择的非线性函数有关,给出了保证自然梯度盲分离算法以及EASI盲分离算法稳定时的非线性函数。并通过计算机仿真验证了改进算法的优越性。3.研究了几种针对通信信号的盲分离技术。首先,为解决通信复信号盲源分离中存在的相位模糊性问题,提出了一种无相位模糊的通信信号盲分离算法。该算法可以消除同相和正交分量相互独立的数字通信复信号的相位模糊性。仿真结果表明,该算法不仅可以分离相同载频的数字通信信号,而且可以分离不同载频的数字通信信号；不仅可以分离不同调制方式的数字通信信号,而且可以分离相同调制方式的数字通信信号,即使两个信号同频同调制,该算法也能对其加以分离。其次,针对均匀线阵特有的范德蒙性质,提出了一种基于DOA估计的盲分离算法(DOA-EASI算法,DOA-FastIca算法),该算法可以进一步改善盲分离算法的分离效果。仿真结果表明,本文中提出的DOA-EASI算法在不同信噪比下的平均分离干信比比EASI算法低7.5dB,而DOA-FastICA算法则比FastICA算法低4.3dB。第叁,为增强盲分离算法的抗噪声性能,我们在EASI算法的基础上,提出了一种鲁棒的EASI盲分离算法,该算法根据噪声功率谱密度模型,使噪声的影响大为降低。仿真结果表明,为获得同样的输出干信比,本文提出的算法所需的输入信噪比比EASI算法普遍要低5dB.最后研究了多径信道环境中,通信信号的卷积混合盲分离技术。给出了一种基于子空间分解的时域盲解卷积算法,该算法利用子空间分解的思想,将卷积混合模型转化成瞬时线性混合模型,然后利用瞬时线性混合盲分离算法进行分离。该算法无需解决解决频域盲解卷积中要解决的幅度和排列顺序的模糊性问题,同时也不要求源信号统计独立,可在中频直接对信号进行处理。4.研究了盲源分离技术在通信侦察中的应用。首先研究了盲源分离技术在DS-CDMA信号侦察中的应用,提出了一种基于盲源分离的DS-CDMA信号伪码估计估计算法以及基于盲源分离技术的DS-CDMA盲多用户分离技术。其次,研究了盲源分离技术在跳频信号分选、拼接方面的应用,首次提出利用盲源分离技术对跳频信号进行非合作分选拼接的新思路,并用计算机仿真验证了该方法的有效性。第叁,研究了盲分离技术在频谱混迭信号分离方面中的应用,提出了基于盲源分离技术从宽带干扰信号中提取窄带通信信号的新方法。第四,研究了盲源分离技术在通信抗干扰技术中的应用,提出了一种基于盲源分离技术的通信抗干扰技术。计算机仿真结果表明该技术可以抗同频宽带干扰,同频窄带干扰,以及同频同调制的相关干扰等多种干扰。5.提出了基于盲源分离的通信侦察新体制,给出了基于盲源分离的通信侦察系统的组成,并阐述了特征匹配侦察技术的主要思路；同时在研究信号时频分析和神经网络的基础上,提出了一种基于时频分析和神经网络的通信信号盲识别技术。该技术首先利用时频分析和奇异值分解对截获到的信号进行数据压缩,提取出信号的特征向量,然后利用神经网络的学习、分类能力,对其进行分类识别。6.对盲源分离算法进行了试验测试。搭建了一个实验系统,利用该系统采集一些数据,并用本文研究的盲源分离算法对这些数据进行盲分离,实验结果验证了盲源分离算法实现通信信号盲分离的有效性。同时通过实验研究了源信号载频间隔、信噪比、信号带宽、空间距离等参数对分离性能的影响。
李小军[3]2004年在《独立分量分析及其在阵列信号处理中的应用》文中指出独立分量分析是一种从多维统计数据中寻找独立分量的方法，这种方法与其它方法相比较，其特点是所寻找的分量间满足独立非高斯性。独立分量分析只利用观测数据，在源信号和混合信道未知的情况下来提取独立分量。本文将从独立分量分析的学习算法和应用两方面进行研究，主要工作概括如下： 1．本文从独立分量分析的定义和假设条件出发，分析了独立分量分析的一些基本准则和常用方法；白化处理以及独立分量分析中信号的分类方法：利用非线性函数完成独立性分析的条件；给出了独立分量分析算法性能评价指标方法：将独立分量分析与主分量分析进行了比较。 2．在独立分量分析的理论研究框架下，研究了最优估计函数形式，获得了一种对得分函数进行估计的独立分量分析研究方法；本文通过利用混合高斯模型，给出了估计概率密度函数的EM算法，在此基础上利用高斯混合模型法获得了对分离矩阵的梯度学习算法。为了提高算法的稳定度和精确度，给出了一种迭代概率密度估计的独立分量分析学习算法。这种块处理方法可实现超、亚高斯混合信源的情况，同时在仿真实验过程中，研究了学习速率对学习算法的影响。 3．对于复值信号基于频率域的分析优于时域分析法，因为频率域分析能够提供更准确的信息。针对复值信号的独立分量分析问题，本文通过广义EHA准则和快速复值定点算法的研究，给出了一种改进的广义EHA准则算法，分析结果表明，这种算法可以实现对独立复值信号的分离。 4．研究了独立矢量基特性在阵列信号处理中的应用。独立分量分析方法针对统计独立信源的混合情况，在学习过程中所获得的分离矩阵提供了一组投影基矢量，具有相应的投影独立性。在此基础上，本文定义了独立矢量基，并利用独立矢量基的投影关系，对阵列中常见的DOA问题进行了研究，获得了对阵列信号的方位角估计。同时研究了白化过程所具有的自适应波束形成器特性。
赵立权[4]2009年在《ICA算法及其在阵列信号处理中的应用研究》文中进行了进一步梳理独立分量分析(Independent Component Analysis, ICA)是解决盲源分离(Blind Source Separation, BSS)问题的主要方法之一。该方法可以在信源信号和信道参数均未知的条件下,仅利用信源信号之间相互统计独立的特性,就能从接收到的混合信号中辨识出信道参数,估计出信源信号。ICA在通信系统、语音信号处理、图像信号处理、生物医学信号、环境和金融数据的分析等领域,具有很大的应用价值。ICA按照所处理信号的不同可以分为实数ICA和复数ICA。实数ICA是目前研究最广泛的ICA方法,主要应用于实数信号处理领域。复数ICA是近几年来部分学者为了处理复数信号而提出来的ICA方法。虽然目前有了一定的发展,但是相对于实数ICA,复数ICA的研究还不是很成熟,其理论和其应用方面的研究都有待于进一步深化和完善。为此,本文重点研究和分析了复数ICA的基本理论,从算法的适用范围、收敛速度和实际应用角度出发,对现有的复数ICA算法进行了改进。同时本文也对实数ICA的基本理论进行了研究和分析,并从硬件实现角度对典型的实数快速ICA算法进行了改进。研究的主要内容和创新点如下：首先,由于实数快速ICA算法硬件实现比较困难,基于Huber M估计函数的实数快速ICA算法虽然硬件实现容易,但稳健性不够好,针对这一问题,本论文提出了一种基于Tukey双权函数的硬件实现容易而且稳健的实数快速ICA算法。该算法采用稳健性较好的Tukey双权函数作为实数快速ICA算法代价函数中的非线性函数,该函数的实现只涉及到加法和乘法,因此相对于原算法,该算法硬件实现容易；相对基于HuberM估计函数的实数快速ICA算法,该算法的稳健性更好。其次,针对强不相关变换算法仅适用于谱系数不相同的非圆信源信号的问题,提出了两种适用范围更广的复数ICA算法。这两种算法以非圆信号二阶统计量不为零的特点构造代价函数,然后分别采用不同的优化方法对代价函数进行优化。它们不仅适用于原算法所适用的谱系数不相同的非圆信源信号,而且适用于原算法所不适用的谱系数相同的非圆信源信号,扩大了算法的适用范围。再次,针对复数快速ICA算法只适用于非高斯圆信源信号的问题,提出了一种适用范围更广的复数快速ICA算法。该算法通过修正复数快速ICA的代价函数,得到新的代价函数,并采用近似的复数牛顿迭代方法对代价函数优化。该算法不但适用于原算法所适用的非高斯圆信源信号,而且适用于原算法所不适用的非高斯非圆信源信号。另外,针对复数快速ICA算法具有二阶收敛速度,收敛速度不够快的问题,采用具有叁阶收敛速度的牛顿方法对算法的代价函数进行优化,推导出了收敛速度更快的复数快速ICA算法,并将其应用到波达方向估计中。该算法不但收敛速度快,而且可以直接计算出信号的波达方向,相对传统高分辨率波达方向估计方法性能更好,分辨率更高。最后,在没有任何信号先验信息的条件下,复数非高斯最大化算法很难选择合适的学习速率,针对这一问题,本论文提出了一种不需要设置学习速率的复数非高斯最大化算法。该算法将分离矩阵满足归一化的条件,以惩罚函数的形式引入到代价函数中,得到新的代价函数,在复数域中直接对代价函数优化。另外,针对峭度最大化盲波束形成算法也存在设置学习速率的问题,采用近似的复数牛顿方法对原代价函数进行优化,推导出了一种不需要设置学习速率的固定点峭度最大化盲波束形成算法。改进后的复数非高斯最大化算法和峭度最大化盲波束形成算法都是固定点迭代算法,都不需要设置学习速率,因此更适合在盲条件下应用。综上所述,本文研究了实数ICA算法和复数ICA算法以及盲波束形成算法,并针对算法中存在的不足,进行了相应的改进。仿真实验证实,本文提出的改进算法,均能够获得很好的效果。
刘章孟[5]2012年在《基于信号空域稀疏性的阵列处理理论与方法》文中研究表明随着低截获概率技术的广泛应用和空间辐射源数目的显着增加，阵列处理系统所面临的信号环境日趋复杂，低信噪比、小样本和空域邻近信号等非理想条件下的阵列处理需求也日益普遍，这些问题的出现给当前以子空间类方法为主体的阵列信号处理理论及方法的适用性带来了严峻挑战。结合入射信号的空域稀疏性在阵列处理领域所取得的初步探索成果已经显示了它们在上述非理想信号环境中实现超分辨测向的极大优势。然而，这些方法的性能受到了相应稀疏重构算法自身局限性等因素的制约，难以满足各种阵列处理系统在测向精度等方面的需求。本文从阵列处理和稀疏重构这两类问题的联系与区别角度出发，建立了以准确的信号空域特征重构为前提、以高精度波达方向估计为目的的稀疏重构阵列处理基本理论框架，据此提出了基于相关向量机的阵列测向方法RVM-DOA(Relevance Vector Machine based Direction-of-Arrival estimation)，并理论分析了其收敛性和可分辨信号数等性质。该方法充分利用入射信号的空域稀疏性，在重构过程中通过避免不同信号之间的相互耦合实现了对信号空域特征更准确的恢复，并结合后续精测向过程得到了高精度的波达方向估计结果。RVM-DOA方法可直接用于对窄带信号的波达方向估计，具有显着优于子空间类方法的低信噪比、小样本适应能力和超分辨能力，以及显着优于已有稀疏重构类方法的测向精度，而且在相关信号处理等方面也体现出了明显优势。为了更好地满足阵列测向系统在计算效率和对相关信号的测向精度要求，本文随后提出了基于阵列输出协方差向量空域稀疏重构的窄带独立/相关信号测向方法CV-RVM (Covariance Vector-exploited RVM)和基于空域滤波的窄带相关信号测向方法SF RVM-DOA (Spatial Filtering-based RVM-DOA)。CV-RVM方法利用协方差向量包含入射信号空域分布信息及其在适宜样本数条件下具有比原始阵列输出更高信噪比的特点，在深入分析协方差向量估计误差一阶和二阶统计特性的基础上，以牺牲一定的小样本适应能力为代价，得到了显着高于RVM-DOA方法的计算效率，以及明显增强的低信噪比适应能力和超分辨能力。该方法还可以通过阵列结构的优化设计，实现对多于阵列阵元数的同时入射信号的分辨，这一结论得到了严格的理论分析结果的支持。论文随后提出了用于窄带相关信号测向的SFRVM-DOA方法，以弥补各种稀疏重构类测向方法在相关信号测向精度方面所存在的不足。SF RVM-DOA方法借助一组依赖于信号方向的空域滤波器实现对多个时域混迭相关信号的分离，并通过滤波器参数与信号方向的联合优化得到高精度的测向结果。该方法适用于任意结构阵列，且在空时白噪声等典型信号环境中的测向精度十分逼近甚至达到了克拉美－罗下界，这是现有各种方法都无法做到的。针对雷达、通信等领域所使用的各种具有典型时延相关特征的宽带信号的测向问题，利用阵列输出协方差向量的空域稀疏性和时域调制信息，提出了分别适用于独立和多径宽带信号波达方向估计的WCV-RVM (Wideband CV-RVM)和STS-RVM (Sequential Temporal-Spatial RVM)方法，避免了常规子空间类宽带测向方法的频域分解与聚焦过程。WCV-RVM方法较好地继承了窄带信号稀疏重构类测向方法在低信噪比、小样本适应能力和超分辨能力等方面的优势，理论分析结果还证明了该方法借助阵列结构优化设计实现对多于阵列阵元数的同时入射信号的分辨，以及在保证无模糊测向的条件下显着放宽对阵列阵元间距要求的性质。STS-RVM方法进一步结合多径分量在时延域的稀疏性，实现对多径时延远小于信号时宽的多径分量的分辨，然后基于该时延估计结果完成对多个同时入射宽带信号所有多径分量的波达方向估计，相应的测向性能远优于已有宽带子空间类方法。实际系统中广泛存在的阵列互耦、幅相不一致和阵元位置不准确等模型误差会对稀疏重构类阵列测向方法的性能产生显着的负面影响。在充分利用入射信号空域稀疏性的基础上，本文随后研究了模型失配条件下的阵列误差校正与信号波达方向估计方法，以增强测向系统对上述各类典型阵列误差的适应能力。该方法以阵列互耦、幅相不一致和阵元位置不准确等误差条件下统一的阵列观测模型为基础，其模型和实现过程适用于其中任一阵列误差类型，并可以方便地推广至多种误差同时存在时的阵列测向环境。论文进一步分析了模型失配条件下阵列校准与信号测向精度的理论下界，该理论结果同时适用于上述叁类典型误差类型，而且具有比已有结果更简洁和直观的形式。与传统阵列误差校正方法相比，新方法在低信噪比、小样本适应能力和超分辨能力等方面仍然具备显着优势，在典型信号环境中则体现出了更好的误差校正性能和更高的测向精度。最后，本文针对多模型多观测条件下的联合重构问题研究了相应的贝叶斯稀疏重构技术，并在充分分析重构问题本身和重构方法基本性质的基础上，将该技术应用于解决时变阵列中的窄带信号测向和基于频域分解的一般宽带信号测向等两类典型的阵列处理问题，相关模型、方法和理论成果进一步充实了基于信号空域稀疏性的阵列处理理论与方法体系。
郭文强[6]2007年在《稳定分布噪声下的盲信号处理方法及应用研究》文中研究表明近年来，盲信号处理逐渐成为当今信息处理领域中热门的课题之一，并且已经在地震勘探、移动通信、混迭语音分离、脑电信号处理及空间阵列信号处理等领域中显示出诱人的应用前景。但在一些实际应用中，常常遇到一些偏离高斯分布的信号和噪声，这些信号和噪声常常伴有显着的脉冲，使得这类非高斯过程的统计特性显着偏离高斯分布。Alpha稳定分布以其优良的性能被引入作为这些脉冲性信号和噪声的分布模型，并在此基础上逐步完善盲信号处理的理论框架。本文主要针对稳定分布噪声环境下的盲信号处理进行了研究，主要工作包括以下几个方面：(1)提出了基于分数低阶统计量(FLOS)预处理的径向基函数神经网络(RBFNN)波束形成算法。空间阵列信号处理的核心内容是波束形成，波束形成的信息包含在低阶统计量中，于是可以把波束形成看作是一个从阵列输出的FLOS空间到波束形成空间的非线性映射。由于协方差对加性脉冲噪声的敏感性，传统的各种MUSIC算法会出现不同程度的退化，且收敛速度较慢。本文采用分数低阶统计量对观测向量进行预处理，达到压缩数据量、剔除初始相位、抑制脉冲噪声的目的，然后利用RBFNN较强的函数逼近能力来逼近这一非线性映射。数据仿真实验表明基于FLOS预处理的RBFNN算法能够很好地拟合这个映射过程——RBFNN的输出非常接近广义维纳解，其波达方向估计与FLOM-MUSIC算法的结果非常吻合，表现了与这些经典算法同样的韧性和高分辨率。同时，本文给出算法具有快速收敛、运算量小和极强的非线性逼近能力，易于在工程中实现。(2)提出了基于RBF网络辅助的无轨迹卡尔曼滤波(UKF)算法。卡尔曼滤波是经典的线性滤波方法，扩展卡尔曼滤波(EKF)可以解决非线性系统的滤波，但其在进行线性化时会引起较大的截断误差。为解决此问题，国外学者提出了无轨迹卡尔曼滤波理论。但对于无轨迹卡尔曼滤波，由于在长时间的递推过程中使计算误差的方差矩阵逐渐失去正定性和对称性而导致系统滤波输出发散。本文分析了发散的原因，并采用RBF网络调整状态向量的预测值与滤波估计的差值、测量值与滤波估计的差值以及增益矩阵，使系统输出的误差减小，从而有效避免输出发散。通过数据仿真实验，可以看出基于RBF网络调节的无轨迹卡尔曼滤波输出，比传统卡尔曼算法能更好地实现目标跟踪，在非线性系统滤波中具有更优良的性能。(3)针对传统的最小二乘滤波(L_2范数)方法在处理无限方差低阶稳定分布噪声滤波问题时会失去其韧性的问题，提出一种新的最小绝对偏差(L_1范数)滤波算法。利用神经网络的自适应学习特性和在处理非线性问题时能够满足最小绝对偏差准则的性质，给出了该算法的神经网络实现方法。在非高斯稳定分布EEG噪声下的EP信号提取的实际应用中，该方法对EP信号的提取比传统最小二乘滤波算法具有更好的收敛性能和分离结果。此外，还给出了一种基于最小分散系数和旋转变换(MDC-RT)的独立分量分析(ICA)算法，该算法可以在很低的信噪比条件下有效地分离出脑电信号中的各个独立源信号。针对传统ICA算法无法确定混合信号源数量的缺陷，本文给出了基于峰值相干性测量的盲分离算法，将该算法应用到混迭语音信号分离中得到了很好的结果。本文还给出了一种基于分数极点系统的逆滤波方法，在Alpha稳定分布噪声环境下能够很好地还原出源信号。
张安清[7]2006年在《盲分离技术及其在水声信号中的应用研究》文中研究表明基于提高阵列声纳信号检测与处理能力,将信号盲处理理论与技术应用于水声信号处理。重点围绕水声信号盲分离技术展开基础研究,提出或扩展了多种适用盲分离方法,实现多目标水声信号净化与盲分离波形恢复,并用计算机仿真数据、水声信号半仿真数据、声学水池实验数据和海上试验数据等四个层面对所研究和提出的水声信号盲分离算法模型进行了检验。主要研究内容和成果有: (1)结合信号盲处理理论和技术研究现状,研究分析阵列水声信号盲分离的理论模型、面临的问题和困难。扩展研究了基于信息理论的舰船辐射噪声信号盲分离和高阶累积量的联合对角化算法,提出了一种直接计算特殊累积量矩阵特征向量实现解卷积的盲均衡方法,用于水声信号波形恢复。仿真与实验检验了所提水声信号盲分离算法有效。 针对盲分离过程中未知源信号数目的问题,提出并检验有效的PCA源信号数目盲估计方法。研究提出波束域水声信号盲分离方法,并利用阵列信号的多波束形成个数确定目标源数目,该方法不仅可大幅提高在低信噪比条件下的信号分离性能,而且还可依据多目标信号波束形成DOA方向对后续盲分离过程输出信号的次序进行调整,有效解决盲分离输出信号排序问题。 (2)研究了卷积信号频域盲分离技术,提出利用短时快速傅里叶变换的观测信号频域值,优化多重交叉相关代价函数的卷积信号频域盲分离算法,分析与验证了频域变换DFT长度L、分离滤波器阶数Q等参数对盲分离性能的影响和优化选取。在此基础上,研究提出了基于少数特殊频率点的频域盲分离方法,该方法既可以保证信号主要成分的有效分离,又显着减小了频域算法的计算量,是一种解决卷积混合信号盲分离的适用方法。同时,提出了用于盲分离的特殊频率点选择原则及依据线谱增强提取频率点方法。研究提出利用信号的相似性调整多频率点盲分离输出信号次序的方法,使得所有特殊频率点的盲分离输出信号次序保持相对一致。研究得出增加接收阵元数量在相同条件下能分离信号的SNR可以更低的结论。综合验证表明,所提出的频域算法是水声信号盲分离可行的方法,能够有效分离干扰和噪声,恢复源信号波形。 (3)研究分析了海洋环境噪声、舰船辐射噪声等水声信号的分布特性,得出海洋水声信号符合分数低阶Alpha稳定分布规律的结论,并建立了水声信号新的检测模型。提出了基于分数低阶矩的水声信号自适应滤波新方法,分析了p阶分数矩对算法性能的影响及优选原则。在此基础上,推导出一种基于分数低阶矩的水声信号盲分离新方法,理论分析与仿真检验表明新的盲分离方法具有较强的鲁棒适用性。该项研究为改善水声信号处理开辟了新的研究思路。
游鸿, 于文震, 张铁军[8]2010年在《ICA及其在阵列信号处理中的应用研究》文中指出独立成分分析(Independent Component Analysis,ICA)是一种有效的盲信号分离(Blind Source Separation,BSS)方法。当目标源信号相互独立时,它能从多通道的混合观测信号中将目标源信号分解开来。本文通过对ICA的详细介绍,对比了ICA模型和阵列信号处理模型的特点,分析了二者的关系,并就二者的综合应用进行了研究,同时对盲波束形成、雷达信号分选和外辐射源雷达信号分离等典型应用进行了介绍和评价。
和洁[9]2011年在《降维自适应阵列信号处理及其在MIMO雷达的应用》文中认为阵列信号处理在雷达、声纳、地震探测、电子侦察、射电天文等领域有广泛而重要的应用前景，在国民经济和军事领域有着广泛的应用。空域信号自适应波束形成与空时二维自适应处理是阵列信号处理中的两个重要研究内容。本文研究了相控阵雷达和多输入多输出(MIMO：Multiple-Input Multiple-Output)雷达体制中空间信号自适应波束形成和空时二维自适应处理，以及MIMO雷达布阵优化等问题。给出了一些有效的算法，并通过理论分析和仿真实验进行了验证。主要工作包括以下几个方面：1.提出一种基于相关域的大型平面二维相控阵列自适应波束形成算法。由于实际应用中目标信号和干扰信号均位于叁维空间，因而平面阵列的波束形成需要在方位向和俯仰向进行。然而使用经典的最小方差无畸变响应(MVDR: MinimumVariance Distortionless Response)算法所需要的采样数据和计算复杂度非常庞大，不利于实时处理。针对这一问题，通过将高维权向量分解成两个低维权向量的Kronecker积形式，使用双迭代算法利用相关域信息求解出两个低维权向量，从而降低了计算量和估计采样相关矩阵所需的采样数据。在理论上证明了所提算法的渐近收敛性。实验仿真表明，所提算法具有良好的收敛性能，在采样数较小的情况下，相对于MVDR算法能够更好地抑制干扰信号。2.提出了两种空时二维自适应级联降维准最优算法。空时自适应处理（STAP:Space-Time Adaptive Processing）能够补偿载机平台运动效应，获得理想的杂波抑制能力。但是估计空时接收数据的协方差矩阵要求有足够多的独立同分布样本，即大于协方差矩阵维数的两倍。并且计算协方差矩阵的逆矩阵所需的运算量也非常惊人，实际情况中难以满足，需要进行降维处理。提出的第一种算法结合固定降维算法和自适应降维算法的优点，首先利用空时相邻多波束方法（STMB: SpaceTime Multiple Beam）算法对空时信号进行第一级降维处理，降低了杂波自由度，然后采用多级维纳滤波器（MWF：Multistage Wiener Filter）处理预处理输出的信号，求解权向量，进一步降低了运算量。第二种算法首先进行预滤波处理将整个空时域分布的杂波局域化，降低后续自适应处理中的杂波自由度，然后利用空时二维相关域双迭代算法进一步降低运算量和采样要求。基于仿真和实测数据的实验均证明了算法的有效性。3.提出两种空域俯仰、方位和时域叁维空间自适应迭代降维处理算法。传统的空时处理往往忽略了空域俯仰角，将平面阵列进行微波合成为线阵。但实际上杂波过程与俯仰角有关，且不可避免存在的阵元误差使各列子阵俯仰向合成方向图各不相同，因而利用了空域俯仰自由度的空时叁维自适应处理比传统空时处理拥有更好的杂波抑制能力。所提的第一种算法利用空时相关矩阵的子矩阵，将最优空时处理的二次代价函数转化为两个二次代价函数，并迭代求解这两个二次代价函数的两个低维权向量，在一定程度上有效降低了算法所需的采样数目和运算量；针对大型阵列机载雷达，第二种算法将最优空时处理的二次代价函数转化为叁个二次代价函数，将高维权向量分解成叁个低维权向量的Kronecker积形式，在时域、空域俯仰和方位进行叁迭代降维运算，显着降低了采样数目和运算量，更利于工程应用。4.将平面相控阵波束形成算法推广至MIMO雷达系统，提出一种MIMO雷达自适应波束形成降维算法。由于增加了发射端的自由度，MIMO雷达具有更高的角度分辨率和更强的抑制杂波的能力。但同时也增加了接收数据的维数，导致波束形成的计算量和估计采样相关矩阵所需的数据量都剧烈增大。算法通过构造协方差矩阵的子阵，分解最优权向量，使得算法只需估计协方差子阵及计算子阵的逆矩阵，大大降低了运算量。另外，将MIMO雷达与STAP技术相结合，可以进一步获得优越的杂波抑制性能，但所需采样数据和运算量庞大的问题会更加严重，因而提出一种机载MIMO雷达降维空时自适应杂波抑制算法。并分别在不同系统自由度的MIMO雷达中用仿真实验验证了所提算法的有效性和优越性。5.提出几种布阵优化算法对MIMO雷达进行稀布天线阵列设计。稀布天线阵列可以减弱天线单元间的互耦，节约工程成本，增大阵列自由度，但是由于稀布阵列的天线单元在天线孔径上随机分布，导致会出现栅瓣效应。对MIMO雷达稀布天线阵列优化设计需要同时考虑发射和接收阵列对于方向图的影响，即需要同时优化发射和接收阵列。另外，相干MIMO雷达在系统自由度最大的情况下，能够获得更好的角度分辨力和抑制杂波的能力。因此，首先提出一种基于多重遗传算法的布阵优化算法，在保证系统最大自由度的情况下，引入了距离扰动，同时对发射天线和接收天线的位置进行两次优化，有效解决了MIMO雷达天线方向图综合中低旁瓣电平设计问题。然后针对遗传算法容易陷入局部最优而早熟收敛的情况，分别结合局部搜索能力较强的禁忌搜索和模拟退火算法，提出两种多重混合布阵优化算法。
张杰[10]2013年在《FastICA算法研究及其在语音信号分离中的应用》文中研究表明盲信号处理中的盲源分离(Blind source separation,BSS)是近几十年来发展起来的一门新的研究领域,它的研究目的是即使源信号以及它的混合方式都不知道的前提下,仅仅由源信号的一些统计特性,然后根据所观测到的混合信号来恢复出我们想要得到的源信号。BSS问题在用户通信、语音信号处理、阵列信号处理、生物医学工程和地震预测等多个方面都有非常重要的应用价值。BSS是根据收集到的观测信号,通过学习来分离出我们想获得的源信号。BSS技术开始是来自“鸡尾酒会效应”的探索,即使处于混乱的语音条件下,人耳可以比较精确的提取人们所希望得到的声音信号,但是现在的仪器基本上不能实现这一功能,所以需要利用BSS方法,从由接收器所接收到的混合信号中分离出我们感兴趣的信号。独立分量分析(ICA)是根据BSS方法中源信号之间是相互独立的条件下得到的,是BSS方法中的一种特殊算法。ICA方法可以分为信息论的迭代估计算法还有统计学的代数算法,从理论上看,这两种方法用到源信号的非高斯性和独立性。在对信息论的研究方面,多国研究人员从最大似然函数、最小互信息准则、最大熵等方面给出了许多估计方法。比如最大似然估计,FastICA,Infomax等。对于统计学的算法一般有二阶以及四阶累积量算法。FastICA方法是利用了最大化信号的非高斯性,利用固定点算法寻求非高斯性的最大值,该算法所用到的牛顿方法是批处理计算值的多个采样数据,每步迭代计算从混合信号中间分离出一个独立的成分,属于ICA算法中的一种快速计算方法。本文阐述了盲信号处理的基本原理和方法,对BSS方法中的独立分量分析(ICA)方法进行了重点介绍,并对ICA方法中的快速独立分量分析方法(FastICA)进行了深入的分析,针对FastICA方法中存在对初始值敏感和计算复杂等问题,对基于负熵的FastICA方法进行了改进,将原算法中的牛顿迭代法用弦截法与最速下降法的结合算法来代替,提出了改进基于负熵的FastICA方法,针对基于峭度的FastICA常用方法中存在的对优化步长选择敏感,使得分离稳定性差的问题,引进了共轭梯度算法,提出了改进基于峭度的FastICA方法,从而使得分离误差更小,分离效果更好,通过Matlab仿真实验证明了改进算法的有效性。将两种改进算法应用在实际混合的语音信号盲分离中,通过实验也证明了两种算法的可行性和优越性。
参考文献：
[1]. 盲分离及其在阵列信号处理中的应用研究[D]. 熊坤来. 国防科学技术大学. 2015
[2]. 盲源分离及其在通信侦察中的应用研究[D]. 付卫红. 西安电子科技大学. 2007
[3]. 独立分量分析及其在阵列信号处理中的应用[D]. 李小军. 西安电子科技大学. 2004
[4]. ICA算法及其在阵列信号处理中的应用研究[D]. 赵立权. 哈尔滨工程大学. 2009
[5]. 基于信号空域稀疏性的阵列处理理论与方法[D]. 刘章孟. 国防科学技术大学. 2012
[6]. 稳定分布噪声下的盲信号处理方法及应用研究[D]. 郭文强. 大连理工大学. 2007
[7]. 盲分离技术及其在水声信号中的应用研究[D]. 张安清. 大连理工大学. 2006
[8]. ICA及其在阵列信号处理中的应用研究[J]. 游鸿, 于文震, 张铁军. 信息化研究. 2010
[9]. 降维自适应阵列信号处理及其在MIMO雷达的应用[D]. 和洁. 西安电子科技大学. 2011
[10]. FastICA算法研究及其在语音信号分离中的应用[D]. 张杰. 湖南师范大学. 2013
标签：电信技术论文; 盲源分离论文; 信号处理论文; 阵列天线论文; 误差分析论文; 高斯论文; 通信论文; 算法论文; doa论文;