CN103295193A - 基于互功率谱的盲源分离方法 - Google Patents
基于互功率谱的盲源分离方法 Download PDFInfo
- Publication number
- CN103295193A CN103295193A CN2013101727659A CN201310172765A CN103295193A CN 103295193 A CN103295193 A CN 103295193A CN 2013101727659 A CN2013101727659 A CN 2013101727659A CN 201310172765 A CN201310172765 A CN 201310172765A CN 103295193 A CN103295193 A CN 103295193A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- power spectrum
- cross
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明针对现有盲源分离方法,特别是非平稳混合信号情况下存在的时频变化,提出了基于互功率谱的盲源分离方法。首先对输入信号进行白化处理;然后对接收到的白化混合信号或者混合图像使用落后自相关方法计算功率谱和互功率谱;把每个采样点的功率谱和互功率谱组织起来构建互功率谱矩阵,使用联合对角化方式对混合信号或混合图像的互功率谱矩阵进行分离,获取分离矩阵;最后,利用获得的分离矩阵来对观测到的混合图像信号进行分离,达到信号或图像盲源分离的目的。本发明提供的盲源分离方法在解决非平稳信号混合情况时达到了理想的信号分离效果,在工业和军事领域的无线电通信系统、音频、声学和医学信号处理中均有着重要的应用。
Description
技术领域
本发明属于信号处理技术领域,涉及一种盲源分离方法,该方法可广泛应用于工业控制或通信处理中。
背景技术
在现实生活和自然界中要得到反映某物理特性真实原始的源信号很困难,通过传感器获取的信息,往往是多个未知信号成分混合在一起的信号,对观测信号进行处理的目的就是恢复出无法直接观测的各个原始源信号。盲源分离过程可描述为:通过寻找一个满秩线性变换矩阵,以便使输出的各个分量尽可能地相互独立,最大程度地逼近各个源信号。
现在盲源分离中的线性和非线性瞬时混合主要方法是Jacobi法,JADE,SHIBSS、FOBI以及FOBI的一些变种,以及在独立成分分析(ICA)的研究中加入了相关理论,如引入隐马尔可夫序列,去噪声中的未知噪声协方差矩阵估计的研究,超完备基ICA的张量算法,瞬时混叠信号盲分离的在线自适应(H-J)算法等。
研究表明,输入信号的时频特性在很大程度上影响盲源分离方法的性能。当输入非平稳信号时,信号特征的多样性导致不同的应用,算法结构差异巨大,没有移植性,这些特点给目前ICA的高速计算带来了很大困难,同时,一般的确定性盲源分离效果对非平稳信号的分离效果不佳,不能有效地描述信号的时变特点,从而制约了时变信号的盲源分离性能。
本发明通过互功率谱的方式对于非平稳混合信号的盲源分离进行了解混,在一定程度上提高了信号的自适应性。
发明内容
为了提高盲源分离中算法通用性,即可以同时解决混合信号为平稳信号或者非平稳信号,特别是混合信号是非平稳信号的情况下难以分离的特点,本发明提出了一种基于互功率谱的盲源分离方法,对于输入的混合信号,该方法在信号分离前确定混合信号的功率谱和互功率谱特点,由这个特点确定分离盲源的数目,然后确定自适应的分离准则函数,进而得到分离矩阵,达到信号和图像盲源分离要求。
本发明提供的基于互功率谱的盲源分离方法的步骤是:
第1、首先对输入的混合信号进行预处理,主要是白化处理;
第2、计算白化后的输入信号的功率谱和互功率谱,即对接收到的混合信号或者混合图像使用落后自相关方法计算功率谱和互功率谱;
第3、构建互功率谱矩阵,使用联合对角化方式对混合信号或图像矩阵的互功率谱矩阵进行分离,获取分离矩阵;
第4、利用第3步获得的分离矩阵来对接收到的原始混合图像信号进行分离,达到信号或图像盲源分离的目的。
本发明所述方法的具体操作步骤如下:
步骤1、输入信号预处理;对输入混合信号X进行预处理,产生信号Y;其中X为m×n矩阵,m为输入信源数目,n为每个信源的采样点数目,m≤n;
步骤1.2、计算Rxx的特征值D和特征向量V;即求m个特征值和特征向量,每个特征值表示为λi,特征向量表示为vi,i=1,2,…,m,满足λivi=Dvi,其中D是由λi组成的对角线矩阵,即D=diag(λi),V是由vi组成的矩阵,即V=[v1,v2,...vm];求解λivi=Dvi时对于数据量少的情况,可以使用求解线性方程组的方式进行,对于数据量大的情况,可以使用Jacobi方法进行迭代;
步骤1.3、如果输入信源数目m大于已知实际信源数目m',则按照特征值从大到小进行排序,保留较大的前m'数目的特征值和特征向量,记为特征值D'和特征向量V',多余的小特征值和特征向量作为噪声,并以特征值D'和特征向量V'为以下计算矩阵,否则略过此步;
步骤1.5、白化后的输出数据为Y,Y=W'X,其中W'为步骤1.4中计算出的W的转置;
步骤2、计算混合信号的功率谱和交叉功率谱,采用落后自相关方法计算功率谱,具体步骤是:
步骤2.1、确定落后步长τ,τ=0,…,N,其中N为最大落后步长,满足条件为:最大落后步长小于或等于信源的采样点数目n,即N≤n;
步骤2.3、计算互功率谱密度Sxy,计算方式如下:
其中,N为最大落后步长,Rxy(0)、Rxy(τ)和Rxy(N)按照步骤2.2中计算,k为当前计算时使用的落后步长,系数Bk如下:
步骤3、根据功率谱核函数为评价函数,估计混合矩阵,过程如下:
3.1、建立互功率谱密度矩阵U,U=[U1,…,Ui,…,UN],其中矩阵中Ui表示每个时间点的每个输入点yi在不同落后步长的互功率谱密度Sxy,i=1,…,N,由此,Ui是矩阵;
步骤3.2、通过联合近似对角化方法,即根据步骤3.1得到N个矩阵U1,…,Ui,…,UN,求目标函数的解A,A即最优化的分离矩阵,其中off()函数表示求矩阵非主对角线元素的绝对值的平方和,该函数的求解使用最小二乘法或Jacobi算法;
步骤4、通过分离矩阵A和输入混合信号X,计算出解混原始信号Z
计算公式:Z=A-1X
计算完毕。
本发明方法所述的步骤2中还可以选择性包括:
步骤2.4、计算平滑功率谱密度值:
功率谱粗谱密度值Sxy完成后,使用矩形窗或者三角形窗对粗谱进行平滑,用来消除随机噪声的影响。
本发明的优点和有益效果:
本发明方法与现有技术相比较,具有如下特点和优点:
本发明采用了基于功率谱准则函数盲源分离方法,首先对输入信号进行白化处理,然后利用功率谱方法对处理后的混合信号互功率谱计算,通过互功率谱在特征值和特征向量的特点进行盲源数确定,进而利用联合近似对角化的方法对互功率谱数据进行盲分离,获取分离矩阵;最后,利用这个分离矩阵来对接收到的混合信号进行分离,提取混合信号中的各个独立分量,达到盲源分离的目的。
(1)本发明方法对于原始混合信号为非平稳信号,而不能有效分离的情况下,通过变换为互功率谱的方式,通过在互功率谱上的差异进行了混合信号的分离,解决了一类时频特点差异比较大的源信号分离问题。
(2)通过互功率谱准则函数分离的方法,对于确定实际混合信号源的数目有帮助,后续可以人工确定噪声信号的功率。
(3)现有盲源分离方法在随机信号的分离中,主要体现在时频方面,本发明通过功率谱的方式也可以解决相似的问题,并且实验效果非常好。
(4)通过互功率谱分帧计算的方式,在一定程度上降低了盲源分离的计算复杂度,便于满足为实时处理要求。
本发明提供的基于二次项互功率谱变换方式的盲源分离算法能识别信号的功率差异,进而通过盲源数目的判断和分离精度,实验达到理想的信号分离效果,在工业和军事领域的无线电通信系统、音频与声学和医学信号处理中均有着重要的应用潜力。
附图说明
图1是多路混合信号盲分离示例,左边为观测信号,该信号是使用随机矩阵对原始信号进行混合后的效果;图1中右侧为原始信号和盲分离后的信号,其中,光滑信号为原始信号,锯齿信号为盲分离后的信号。
图2是混合图像盲分离的示例,其中,(a)为原始图像、(b)为混合图像、(c)为盲分离后的恢复图像。
具体实施方式
本发明提供的基于互功率谱的信号盲源分离方法的两个具体实施例如下:
实施例1
图1为多路混合信号盲源分离示例,图1左边是观测到的信号X,图1右边光滑曲线是真实源信号Z'和锯齿曲线是计算出的估计信号Z。
实验中为了测试有效性,其中,源信号表示Z'=[s1;s2;s3],即以下3路源信号,实验中t=1,…,256。
s1(t)=cos(0.00024414t2+0.05t)
s2(t)=cos(4.13sin(0.0154πt)+0.25t)
s3(t)=cos(0.0000017872t3-0.0014t2+0.4027t)
观测信号X是以下随机矩阵和Z'相乘后产生的。
实验的目的即通过X,得到估计信号Z,并比较Z和Z'的差异。
具体步骤为:
1.输入信号预处理。对输入信号X进行预处理,产生信号Y;其中X为m×n矩阵,即m=4为输入观测信源个数,n=256为每个观测点采样数目。
1.2、计算Rxx的特征值D和特征向量V;即求特征值λi和特征向量vi满足λivi=Dvi,其中D是由λi组成的对角线矩阵,即D=diag(λi),V是由vi组成的矩阵,即V=[v1,v2,...vm]。求解λivi=Dvi时使用Jacobi方法进行迭代。
1.3、因为输入信源数目m大于已知实际信源数目m',当前m'=3,则按照特征值从大到小进行排序,保留较大的前m'数目的特征值和特征向量,记为特征值D'和特征向量V',多余的小特征值和特征向量作为噪声,并以特征值D'和特征向量V'为以下计算矩阵;
1.5、白化后的输出数据为Y,Y=W'X,其中W'为步骤1.4中计算出的W的转置;
2、计算混合信号的功率谱和交叉功率谱,具体步骤是:
2.1、确定落后步长τ,τ=0,…,N,其中N=256为最大落后步长,
2.3、计算互功率谱密度Sxy,计算方式如下:
其中,N为最大落后步长,Rxy(0)、Rxy(τ)和Rxy(N)按照步骤2.2中计算,k为当前计算时使用的落后步长,系数Bk如下:
3、根据功率谱核函数为评价函数,估计混合矩阵,过程如下:
3.1、建立互功率谱密度矩阵U,U=[U1,…,Ui,…,UN],其中矩阵中Ui表示每个时间点的每个输入点yi在不同落后步长的互功率谱密度Sxy,i=1,…,N,由此,Ui是矩阵;
3.2、通过联合近似对角化方法,即根据步骤3.1得到N个矩阵U1,…,Ui,…,UN,求目标函数的解A,A即最优化的分离矩阵,其中off()函数表示求矩阵非主对角线元素的绝对值的平方和,该函数的求解使用Jacobi算法。
实验得到分离矩阵A为
4、通过分离矩阵A和原始输入信号X,计算出估计的原始信号Z
计算公式:Z=AX
绘制出的Z和Z信号如图1右边所示。
实施例2
图2为混合图像盲源分离示例,图2的a为混合前的源图像Z',图2的b为观测到的混合图像X,即原始图像经过如下矩阵混合而成。
实验中选取的3幅图像,如图2a所示,每个图像大小为256×256像素,混合时把每个图像转换为1维长度为256×256=65536的信号si(i=1,2,3),则源信号表示Z'=[s1;s2;s3],源信号经过如下矩阵混合。
混合后产生观测矩阵X,实验的目的即通过X,得到估计图像Z,并比较Z和Z'的差异。
具体步骤为:
1.输入信号预处理。对输入信号X进行预处理,产生信号Y;其中X为m×n矩阵,即m=3为输入观测信源个数,n=65536为每个观测点采样数目。
1.2、计算Rxx的特征值D和特征向量V;即求特征值λi和特征向量vi满足λivi=Dvi,其中D是由λi组成的对角线矩阵,即D=diag(λi),V是由vi组成的矩阵,即V=[v1,v2,...vm]。求解λivi=Dvi时使用Jacobi方法进行迭代。
1.4、白化后的输出数据为Y,Y=W'X,其中W'为步骤1.4中计算出的W的转置;
2、计算混合信号的功率谱和交叉功率谱,采用落后自相关方法计算功率谱,具体步骤是:
2.1、确定落后步长τ,τ=0,…,N,自定义最大落后步长N=256;
2.3、计算互功率谱密度Sxy:
其中,N为最大落后步长,Rxy(0)、Rxy(τ)和Rxy(N)按照步骤2.2中计算,k为当前计算时使用的落后步长,系数Bk如下:
3、根据功率谱核函数为评价函数,估计混合矩阵,过程如下:
3.1、建立互功率谱密度矩阵U,U=[U1,…,Ui,…,UN],其中矩阵中Ui表示每个时间点的每个输入点yi在不同落后步长的互功率谱密度Sxy,i=1,…,N,由此,Ui是矩阵;
3.2、通过联合近似对角化方法,即根据步骤3.1得到N个矩阵U1,…,Ui,…,UN,求目标函数的解A,A即最优化的分离矩阵,其中off()函数表示求矩阵非主对角线元素的绝对值的平方和,该函数的求解使用Jacobi算法。
实验得到分离矩阵A为
4、计算源信号Z:Z=AX
计算的结果Z即估计出的Z'图像,图2c为解混的估计图像。
从以上实例中可以看到,该方法较好的完成了混合多维信号和混合图像的盲源分离。
Claims (3)
1.一种基于互功率谱的盲源分离方法,其特征在于对于输入的混合信号,该方法在信号分离前确定混合信号的功率谱和互功率谱特点,由这个特点确定分离盲源的数目,然后确定自适应的分离准则函数,进而得到分离矩阵,达到信号和图像盲源分离要求,该方法的步骤是:
第1、首先对输入的混合信号进行预处理,主要是白化处理;
第2、计算白化后的输入信号的功率谱和互功率谱,即对接收到的混合信号或者混合图像使用落后自相关方法计算功率谱和互功率谱;
第3、构建互功率谱矩阵,使用联合对角化方式对混合信号或图像矩阵的互功率谱矩阵进行分离,获取分离矩阵;
第4、利用第3步获得的分离矩阵来对接收到的原始混合图像信号进行分离,达到信号或图像盲源分离的目的。
2.根据权利要求1所述的方法,其特征在于该方法的具体操作步骤如下:
步骤1、输入信号预处理;对输入混合信号X进行预处理,产生信号Y;其中X为m×n矩阵,m为输入信源数目,n为每个信源的采样点数目,m≤n;
步骤1.2、计算Rxx的特征值D和特征向量V;即求m个特征值和特征向量,每个特征值表示为λi,对应的特征向量表示为vi,i=1,2,…,m,满足λivi=Dvi,其中D是由λi组成的对角线矩阵,即D=diag(λi),V是由vi组成的矩阵,即V=[v1,v2,...vm];求解λivi=Dvi时对于数据量少的情况,使用求解线性方程组的方式进行,对于数据量大的情况,使用Jacobi方法进行迭代;
步骤1.3、如果输入信源数目m大于已知实际信源数目m',则按照特征值从大到小进行排序,保留较大的前m'数目的特征值和特征向量,记为特征值D'和特征向量V',多余的小特征值和特征向量作为噪声,并以特征值D'和特征向量V'为以下计算矩阵,否则略过此步;
步骤1.5、白化后的输出数据为Y,Y=W'X,其中W'为步骤1.4中计算出的W的转置;
步骤2、计算混合信号的功率谱和交叉功率谱,采用落后自相关方法计算功率谱,具体步骤是:
步骤2.1、确定落后步长τ,τ=0,…,N,其中N为最大落后步长,满足条件为:最大落后步长小于或等于信源的采样点数目n,即N≤n;
步骤2.3、计算互功率谱密度Sxy,计算方式如下:
其中,N为最大落后步长,Rxy(0)、Rxy(τ)和Rxy(N)按照步骤2.2中计算,k为当前计算时使用的落后步长,系数Bk如下:
步骤3、根据功率谱核函数为评价函数,估计混合矩阵,过程如下:
步骤3.1、建立互功率谱密度矩阵U,U=[U1,…,Ui,…,UN],其中矩阵中Ui表示每个时间点的每个输入点yi在不同落后步长的互功率谱密度Sxy,i=1,…,N,由此,Ui是矩阵;
步骤3.2、通过联合近似对角化方法,即根据步骤3.1得到N个矩阵U1,…,Ui,…,UN,求目标函数的解A,A即最优化的分离矩阵,其中off()函数表示求矩阵非主对角线元素的绝对值的平方和,该函数的求解使用最小二乘法或Jacobi算法;
步骤4、通过分离矩阵A和输入混合信号X,计算出解混原始信号Z
计算公式:Z=AX
计算完毕。
3.根据权利要求2所述的方法,其特征在于所述的步骤2中还包括:
步骤2.4、计算平滑功率谱密度值:
功率谱粗谱密度值Sxy完成后,选择性使用矩形窗或者三角形窗对粗谱进行平滑,用来消除随机噪声的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101727659A CN103295193A (zh) | 2013-05-10 | 2013-05-10 | 基于互功率谱的盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101727659A CN103295193A (zh) | 2013-05-10 | 2013-05-10 | 基于互功率谱的盲源分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103295193A true CN103295193A (zh) | 2013-09-11 |
Family
ID=49096000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101727659A Pending CN103295193A (zh) | 2013-05-10 | 2013-05-10 | 基于互功率谱的盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295193A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636313A (zh) * | 2014-12-16 | 2015-05-20 | 成都理工大学 | 一种冗余扩展单源观测信号的盲信号分离方法 |
CN105139353A (zh) * | 2015-08-14 | 2015-12-09 | 河南师范大学 | 一种置换混叠图像的盲分离方法 |
CN105446941A (zh) * | 2015-11-11 | 2016-03-30 | 西安电子科技大学 | 基于联合零对角化的时频域盲信号分离方法 |
CN106053382A (zh) * | 2016-06-23 | 2016-10-26 | 武智瑛 | 分析提取近红外小分子痕量气体特征含量的方法和分析仪 |
CN110236589A (zh) * | 2019-06-03 | 2019-09-17 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN114492536A (zh) * | 2022-02-15 | 2022-05-13 | 福州大学 | 一种肌阻抗信号分离方法 |
CN115598615A (zh) * | 2022-12-13 | 2023-01-13 | 中国人民解放军国防科技大学(Cn) | 基于子带滤波的功率谱信息几何雷达目标检测方法和装置 |
CN116866116A (zh) * | 2023-07-13 | 2023-10-10 | 中国人民解放军战略支援部队航天工程大学 | 一种延时混合线性盲分离方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040072336A1 (en) * | 2001-01-30 | 2004-04-15 | Parra Lucas Cristobal | Geometric source preparation signal processing technique |
CN1914683A (zh) * | 2004-02-26 | 2007-02-14 | 南承铉 | 频域中多通道卷积混合的盲分离方法和设备 |
-
2013
- 2013-05-10 CN CN2013101727659A patent/CN103295193A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040072336A1 (en) * | 2001-01-30 | 2004-04-15 | Parra Lucas Cristobal | Geometric source preparation signal processing technique |
CN1914683A (zh) * | 2004-02-26 | 2007-02-14 | 南承铉 | 频域中多通道卷积混合的盲分离方法和设备 |
Non-Patent Citations (1)
Title |
---|
JINGHUI WANG等: "Blind Source Separation Based on Power Spectral Density", 《ARTIFICIAL INTELLIGENCE AND COMPUTATIONAL INTELLIGENCE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636313A (zh) * | 2014-12-16 | 2015-05-20 | 成都理工大学 | 一种冗余扩展单源观测信号的盲信号分离方法 |
CN104636313B (zh) * | 2014-12-16 | 2017-12-29 | 成都理工大学 | 一种冗余扩展单源观测信号的盲信号分离方法 |
CN105139353A (zh) * | 2015-08-14 | 2015-12-09 | 河南师范大学 | 一种置换混叠图像的盲分离方法 |
CN105139353B (zh) * | 2015-08-14 | 2018-01-09 | 河南师范大学 | 一种置换混叠图像的盲分离方法 |
CN105446941B (zh) * | 2015-11-11 | 2018-03-06 | 西安电子科技大学 | 基于联合零对角化的时频域盲信号分离方法 |
CN105446941A (zh) * | 2015-11-11 | 2016-03-30 | 西安电子科技大学 | 基于联合零对角化的时频域盲信号分离方法 |
CN106053382A (zh) * | 2016-06-23 | 2016-10-26 | 武智瑛 | 分析提取近红外小分子痕量气体特征含量的方法和分析仪 |
CN110236589A (zh) * | 2019-06-03 | 2019-09-17 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110236589B (zh) * | 2019-06-03 | 2022-04-29 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN114492536A (zh) * | 2022-02-15 | 2022-05-13 | 福州大学 | 一种肌阻抗信号分离方法 |
CN115598615A (zh) * | 2022-12-13 | 2023-01-13 | 中国人民解放军国防科技大学(Cn) | 基于子带滤波的功率谱信息几何雷达目标检测方法和装置 |
CN115598615B (zh) * | 2022-12-13 | 2023-03-10 | 中国人民解放军国防科技大学 | 基于子带滤波的功率谱信息几何雷达目标检测方法和装置 |
CN116866116A (zh) * | 2023-07-13 | 2023-10-10 | 中国人民解放军战略支援部队航天工程大学 | 一种延时混合线性盲分离方法 |
CN116866116B (zh) * | 2023-07-13 | 2024-02-27 | 中国人民解放军战略支援部队航天工程大学 | 一种延时混合线性盲分离方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103295193A (zh) | 基于互功率谱的盲源分离方法 | |
Shi et al. | A novel fractional wavelet transform and its applications | |
CN108364659B (zh) | 基于多目标优化的频域卷积盲信号分离方法 | |
CN101653015A (zh) | 信号处理装置 | |
EP2232407A1 (en) | Method for separating mixed signals into a plurality of component signals | |
CN113032721A (zh) | 一种低计算复杂度的远场和近场混合信号源参数估计方法 | |
CN107122724A (zh) | 一种基于自适应滤波的传感器数据在线去噪的方法 | |
CN102967589B (zh) | 基于微分谱的多组份三维荧光混叠光谱数据处理方法 | |
Terreaux et al. | Robust model order selection in large dimensional elliptically symmetric noise | |
Chang et al. | Improved stochastic subspace system identification for structural health monitoring | |
Ahmad et al. | A review of independent component analysis (ica) based on kurtosis contrast function | |
Ye et al. | New Fast-ICA algorithms for blind source separation without prewhitening | |
Ozden | Adaptive multichannel sequential lattice prediction filtering method for ARMA spectrum estimation in subbands | |
Ma et al. | Determine a proper window length for singular spectrum analysis | |
Werner et al. | Reduced rank linear regression and weighted low rank approximations | |
Pelegrina et al. | A multi-objective approach for blind source extraction | |
CN111046526A (zh) | 基于统计学习的压缩采样传感矩阵扰动优化模型构建方法 | |
CN107517100A (zh) | 基于对数矩的时间差检测方法 | |
CN115204317B (zh) | 基于正交经验函数分解的声速剖面延拓方法及系统 | |
Wang et al. | Negentropy and gradient iteration based fast independent component analysis for multiple random fault sources blind identification and separation | |
Lewicka | Stability conditions for strong rarefaction waves | |
Morteza et al. | A novel initialization approach for solving permutation ambiguity of frequency domain blind source separation | |
Wang et al. | Underdetermined convolutive speech separation method based on channel identification and sparse recovery | |
Huang et al. | Overcomplete Blind Source Separation Based on Second Order Statistics | |
Montillet et al. | Covariance matrix analysis for higher order fractional Brownian motion time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130911 |