专利交易市场

本发明公开了基于盲源分离算法的麦克风阵列鼾声信号分离方法及系统，通过多麦克风阵列同时采集两个测试者整晚的鼾声数据；对采集到的混合鼾声信号使用谱减法进行降噪处理；通过短时能量的端点检测法对采集到的整晚鼾声信号中的有效片段进行截取；通过多麦克风采集到的鼾声信号进行波形对比对独立鼾声信号和混合鼾声信号进行分离；通过鼾声盲源分离算法将两个测试者的混合鼾声分离出来；根据麦克风阵列基于TDOA算法的声源定位技术对分离出来的鼾声分类；根据分类结果得到两个测试者独立的整晚鼾声数据。

本发明提供了一种基于机器学习和FFT的盲源分离信源数目并行估计方法该方法首先提取对噪声不敏感的声信号特征，然后对特征进行主分量分析，再将已有环境数据、目标环境实场测试数据等特征数据输入BP神经网络训练，保证模型在不同应用环境的稳定性，并得到神经网络分类器，以实现不同信号之间的有效分类，得到类目作为信源个数；对相同的接收信号去噪后进行傅里叶变换，通过阈值判别信源个数，得到信源数目，最后比较，得到最终的输出信源数目。本发明通过优化方法来提高算法的准确率，最终得到准确的信源数目，实现了盲源分离中的信源有效估计，提高了信源估计的鲁棒性。

本发明公开了一种基于改进BCA盲源分离的信号分离和去噪方法，用于分离混合声信号。本发明首先将接收到的几路叠加高斯噪声后的源信号通过短时傅里叶变化到频域；然后使用改进的迭代步长次梯度搜索算法基于BCA框架求解最优分离矩阵，利用最小失真原则和归一化原则对分离矩阵处理用于分离频域的混合信号，并基于频谱的相关性进行频谱排序；最后通过反傅里叶变换将信号恢复到时域。本发明能有效分离噪声环境下的信号，不仅可以分离独立信号，还可以分离相关信号；实现高斯去噪和信号分离的有效结合，提高水声信号接收质量和抗噪性能。

本发明公开了一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，属于信号处理技术领域，设计了一种模仿传统算法估计盲源分离的混合矩阵过程的神经网络模型，该模型能够更好的分离源信号。首先利用该网络的一维卷积层自动提取观测信号的特征，基于该特征分别实现生成分离矩阵和调整缩放系数两个功能，然后利用分离矩阵分离观测信号得到初步分离信号，随后利用缩放系数对初步分离信号进行缩放得到最终的分离信号。解耦卷积神经网络功能明确、结构清晰，能够实现在大数据集下信号快速精确分离及分离信号幅度有效确定，该方法不仅能够分离独立信号，还能分离相关信号。本发明能在低信噪比下准确估计源信号，提高水声信号接收质量。

本申请涉及信号处理技术领域，提供一种基于机器学习和聚类算法的盲源分离估计方法包括：将混合信号中的观测信号变换至时频域上；提取公共信号源数据的特征，训练解码器；对混合信号进行抽样，并提取混合信号的隐藏高阶特征；利用第一聚类算法得到待估计的混合信号中每个信号源的数目以及初始聚类中心；利用第二聚类算法对初始聚类中心进行修正；分配各信号源对应的隐藏高阶特征，重新构建信号源的隐藏高阶特征，并经由训练后的解码器恢复各信号源。本申请基于机器学习以及AP聚类算法和K‑means聚类算法对信号中高阶隐藏特征的处理，能够挖掘并分类欠定盲源分离系统中混叠信号中各源信号的高阶隐藏特征，从而实现源信号的准确分离。

本发明公开了一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，属于雷达抗干扰信号处理技术领域。其利用雷达M个子阵输入通道AD信号，首先应用基于ICA的盲源分离处理获取主瓣干扰的参考信号，同时应用M通道子阵信号合成和通道信号数据、方位差通道信号数据及俯仰差通道信号数据，然后对和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行干扰对消完成干扰抑制，利于后续雷达目标检测跟踪。本发明利用子阵通道的高自由度，通过导向矢量形成多个角度的和通道数据，可同时抑制主瓣干扰，稳健实时性好。