免费下载

存复杂的背景噪声中检测直扩信号并估计参数是信号处理研究的难点课题之一，在接收端如何降低高斯噪声等背景噪声的影响成为急需解决的问题。这里提出了一种基于盲源分离的直扩信号载频检测算法，采用独立分量分析的高阶累计量算法将直扩信号从包含高斯噪声的背景中分离出来，然后采用边带相关算法估计载波频率。该方法不需要知道混合矩阵，不需要做预白化处理。计算机仿真结果证明了算法的有效性。

非接触式心率(HR)检测可以通过远程光电容积描记术(rPPG)实现, 引起越来越多的关注. 但在实际应用中, rPPG信号非常细微, 极易被噪声淹没, 从而导致现有的基于rPPG的心率检测方法很难准确地估计心率. 针对以上问题, 本文提出了一种增强rPPG信号、抑制噪声的非接触式心率检测方法. 在这种方法中, 首先通过欧拉颜色放大技术对正常HR分布频带上的色度信息进行放大, 避免rPPG信号过小被噪声淹没; 接着使用人脸检测与跟踪技术选定合适的感兴趣皮肤区域; 然后在感兴趣区域内提取放大后的色度信息, 使用盲源分离方法和相关性分析分离出rPPG信号; 最后对rPPG信号进行时域滤波与功率谱密度分析, 估计出HR值. 经多组实验验证, 本文所提方法相比于以前方法具有更高的HR估计精度.

提出了一种新的盲源分离方法。 在实际工程中，当我们记录振动信号时，传感器之间的时间延迟是不可避免的。 因此，我们希望开发一种有效的欠定 BSS 方法，该方法可以分离延迟混合中的源。 然而，SCA 作为一种有效的欠定 BSS 方法，仅限于处理此类信号。 这就是 YGBSS 的动机。 提交的论文只是说明了 YGBSS 在结构动力学方面的有效性。 准确地说，它可以用于其他领域，例如故障诊断，损坏监视等。 频率能量数据的聚类特征是一个有趣的特征，有很多用途。 论文题目： 一种应用于模态识别的欠定盲源分离方法 论文网站： https://www.hindawi.com/journals/sv/2019/1637163/

1、对观测数据进行中心化，； 2、使它的均值为0，对数据进行白化—>Z； 3、选择需要估计的分量的个数m，设置迭代次数p<-1; 4、选择一个初始权矢量（随机的W，使其维数为Z的行向量个数）； 5、利用迭代W(i,p)=mean(z(i,:).*(tanh((temp)'*z)))-(mean(1-(tanh((temp))'*z).^2)).*temp(i,1)来学习W （这个公式是用来逼近负熵的） 6、用对称正交法处理下W 7、归一化W(:,p)=W(:,p)/norm(W(:,p)); 8、若W不收敛，返回第5步 9、令p=p+1，若p小于等于m,返回第4步 剩下的应该都能看懂了 基本就是基于负熵最大的快速独立分量分析算法

在盲源分离和独立成分分析中,峭度是衡量随机信号非高斯性的常用对比准则,通过不同类型的算法对其进行优化,找到非高斯性极大值点,即实现了源信号的提取或分离。例如,基于峭度的快速不动点算法,它是一种收敛速度很快的算法。最近,Marc Castella等人提出了一类基于所谓"参考信号"的对比准则,以及对应的梯度最大化优化算法,这些算法具有很好的收敛性能。受其启发,文章以一种类似的方式将"参考信号"思想应用到峭度中,得到一种新颖的对比函数,并基于该新峭度对比函数,提出了一种新的快速不动点算法。与经典的基于峭度的快速不动点算法相比,该算法极大地提高了收敛速度,尤其是随着信号样值点数的增加,该算法的优势会更加明显。文章分析和证明了该新峭度对比函数的局部收敛性,给出了新算法的详细推导过程,仿真实验验证了该算法的性能,并与经典算法进行了比较分析。

这是论文中提出的算法的实现VG Reju、SN Koh 和 IY Soon，“不确定的卷积盲源通过时频掩蔽进行分离，”IEEE Transactions on Audio, Speech 和语言处理，卷。 18，没有。 1，2010 年 1 月，第 101-116 页。 这里使用测量的房间脉冲响应混合信号以获得混合信号。 该算法可以很容易地扩展到更多数量的来源，包括确定的和未确定的情况。

DUET-MAT​​LAB #DUET 算法在 MATLAB 上。 ##这是在MATLAB上模拟DUET算法。 尽管逆 STFT 函数不能正常工作，但其余部分完全正常。 通过移动行固定：row=zeros(1,length(x1)+2*windowsize); ============ 卢卡斯·伯纳尔特·佩雷斯

仿真三个信号源随机混合，采用自然梯度算法解混，最后给出了算法的串音误差

盲源分离综述，对入手盲源分离和了解盲源分离的发展动向有很大的帮助