一种基于标准峭度的新型复数盲分离算法

doi:10.12068/j.issn.1005-3026.2015.05.002

东北大学学报:自然科学版 ›› 2015, Vol. 36 ›› Issue (5): 614-617.DOI: 10.12068/j.issn.1005-3026.2015.05.002

一种基于标准峭度的新型复数盲分离算法

季策，王艳茹，王晓宇

(东北大学信息科学与工程学院，辽宁沈阳110819)

收稿日期:2014-04-04 修回日期:2014-04-04 出版日期:2015-05-15 发布日期:2014-11-07
通讯作者: 季策
作者简介:季策(1969-)，女，辽宁沈阳人，东北大学副教授，博士.
基金资助:
国家自然科学基金资助项目(11273001，61370152，61273164)；教育部新世纪优秀人才支持计划项目(NCET-10-0306).

A New Complex Blind Source Separation Algorithm Based on Standard Kurtosis

JI Ce， WANG Yan-ru， WANG Xiao-yu

School of Information Science & Engineering， Northeastern University， Shenyang 110819， China.

Received:2014-04-04 Revised:2014-04-04 Online:2015-05-15 Published:2014-11-07
Contact: WANG Xiao-yu
About author:-
Supported by:
-

摘要/Abstract

摘要： 在复值信号的盲分离算法中，经常采用信号的峭度最大化作为代价函数.以复数标准峭度代替复数峭度，将复数信号的标准峭度最大化作为新的代价函数，采用修正的复值拟牛顿迭代算法对代价函数进行优化，并运用该算法对混合QAM信号进行分离.仿真实验结果表明:改进后的算法具有很好的分离效果，相比于峭度最大化为代价函数的分离算法，收敛性能有明显提高.

关键词: 复值, 峭度, 标准峭度, 代价函数, 独立分量分析

Abstract: In the complex blind source separation algorithm， the complex signal kurtosis maximization is often used as the cost function. The complex standard kurtosis was used instead of complex kurtosis as the new cost function for optimimization， and a modified complex quasi-newton iterative algorithm was employed to optimize the cost function. The algorithm was applied to separate mixed QAM signal， and simulation results showed that the improved algorithm has a good separation effect. Compared with the algorithm of the kurtosis maximization as the cost function， the convergence performance was improved obviously.

Key words: complex valued, kurtosis, standard kurtosis, cost function, independent component analysis(ICA)

中图分类号:

TN911.6

季策，王艳茹，王晓宇. 一种基于标准峭度的新型复数盲分离算法[J]. 东北大学学报:自然科学版, 2015, 36(5): 614-617.

JI Ce， WANG Yan-ru， WANG Xiao-yu. A New Complex Blind Source Separation Algorithm Based on Standard Kurtosis[J]. Journal of Northeastern University Natural Science, 2015, 36(5): 614-617.

参考文献

[1]Hyvarinen A，Karhunen J，Oja E.Independent component analysis［M］.New York:Wiley Interscience，2001.
[2]Eriksson J，Koivunen V.Complex random vectors and ICA models:identifiability，uniqueness，and separability［J］.IEEE Transactions on Information Theory，2006，52(3):1017-1029.
[3]郭旭红，朱忠奎，刘刚，等.基于ICA的工业过程监控方法及其在TEP中的应用［J］.系统仿真学报，2009，21(8):2331-2334.(Guo Xu-hong，Zhu Zhong-kui，Liu Gang，et al.Industry process monitoring based on ICA and its applications in TEP［J］.Journal of System Simulation，2009，21(8):2331-2334.)
[4]Li H L，Correa M.Application of independent component analysis with adaptive density model to complex-valued FMRI data［J］.IEEE Transactions on Biomedical Engineering，2011，58(10):2794-2803.
[5]Shen H，Kleinsteuber M.Complex blind source separation via simultaneous strong uncorrelating transform［C］// Proceedings of the 9th International Conference on Latent Variable Analysis and Signal Separation.Belin:Heidelberg，2010:287-294.
[6]谢德光，张贤达，李细林，等.基于独立分量分析的雷达目标识别方法［J］.系统工程与电子技术，2007，29(2):164-166.(Xie De-guang，Zhang Xian-da，Li Xi-lin，et al.Radar target recognition method based on independent component analysis［J］.Systems Engineering and Electronics，2007，29(2):164-166.)
[7]季策，于洋，于鹏.改进的独立分量分析算法［J］.东北大学学报:自然科学版，2010，31(8):1086-1088.(Ji Ce，Yu Yang，Yu Peng.Improved algorithm for independent component analysis［J］.Journal of Northeastern University:Natural Science， 2010，31(8):1086-1088.)
[8]季策，胡祥楠，朱丽春，等.改进的高阶收敛FastICA算法［J］.东北大学学报:自然科学版，2011，32(10):1390-1393.(Ji Ce，Hu Xiang-nan，Zhu Li-chun，et al.Improved higher order convergent FastICA algorithm［J］. Journal of Northeastern University:Natural Science，2011，32(10):1390-1393.)
[9]Leong W Y.Blind source extraction［C］//2008 10th International Conference on Control，Automation，Robotics and Vision.Hanoi，2008:1672-1677.
[10]赵立权，杨莘元，张朝柱，等.复值信号盲分离算法的研究［J］.哈尔滨工程大学学报，2008，29(12):1335-1339.(Zhao Li-quan，Yang Shen-yuan，Zhang Chao-zhu，et al.A blind separation algorithm for complex-value signal sources［J］.Journal of Harbin Engineering University，2008，29(12):1335-1339.)
[11]Are H，Gesbert D.Introduction to complex-valued matrix differentiation ［J］.IEEE Transactions on Signal Processing，2007，15 (8):1-30.
[12]Li H L，Adail T.Optimization in the complex domain for nonlinear adaptive filtering ［C］ // Signals，Systems and Computers，Fortieth Asilomar Conference.Pacific Grove，2006:263-267.
[13]于洋.独立分量分析算法及其在图像处理中的应用研究［D］.沈阳:东北大学，2010.(Yu Yang.Research on independent component analysis algorithm and its application in image processing［D］.Shenyang:Northeastern University，2010.)

一种基于标准峭度的新型复数盲分离算法

A New Complex Blind Source Separation Algorithm Based on Standard Kurtosis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价

[1]	刘启冉，连静，陈实，范蓉. 考虑交互轨迹预测的自动驾驶运动规划算法[J]. 东北大学学报（自然科学版）, 2022, 43(7): 930-936.
[2]	王新刚，王超，韩凯忠. 基于优化VMD和MCKD的滚动轴承早期故障诊断方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 373-381.
[3]	王彬，高冰，谷沛尚，辛凤鸣. 基于FastICA的低信噪比雷达信号分选算法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1555-1560.
[4]	蒋芳芳，刘星航，宁国琛，耿若雪. 一种基于体震信号的快速ICA胎儿心搏信号提取方法[J]. 东北大学学报:自然科学版, 2017, 38(11): 1530-1533.
[5]	黄璐，王宏. 基于约束独立分量分析的脑电特征提取[J]. 东北大学学报:自然科学版, 2014, 35(3): 419-423.
[6]	季策，王艳茹，沙明博，杨正义. 引入松弛因子的高阶收敛FastICA算法[J]. 东北大学学报:自然科学版, 2014, 35(2): 204-207.
[7]	刘晓志;冯大伟;杨英华;秦树凯;. 基于核独立分量分析的盲多用户检测算法[J]. 东北大学学报(自然科学版), 2012, 33(6): 778-781.
[8]	李晶皎;安冬;王骄;. 基于EEMD和ICA的语音去噪方法[J]. 东北大学学报(自然科学版), 2011, 32(11): 1554-1557.
[9]	季策;胡祥楠;朱丽春;张志伟;. 改进的高阶收敛FastICA算法[J]. 东北大学学报(自然科学版), 2011, 32(10): 1390-1393.
[10]	季策;于洋;于鹏;. 改进的独立分量分析算法[J]. 东北大学学报(自然科学版), 2010, 31(8): 1086-1088+1097.