Sliding Z Transform: Applications to convolutive blind source separation
Z变换是信号处理中的一种数学运算，它给出了一种求解线性常系数差分方程的易处理的方法。在经典Z变换的基础上，受滑动DFT思想的启发，引入并推导了滑动Z变换（SZT）的新定义。然后将该方法应用于盲源分离中，给出了四个仿真结果，验证了滑动窗WIN设置时该方法的性能。它可以直接从卷积混合信号中恢复时域信号，并采用鲁棒的线性混合盲分离算法（如JADE）。该方法原理简单，可移植性好，可广泛应用于数字信号处理的各个领域。
2018-08-08 eess.SP
Adaptive Blind Separation of Two Dependent Sources
我们考虑的问题，自适应盲分离的两个来源，从他们的瞬时混合。我们专注于两个源不一定独立的情况。通过分析一般形式的自适应算法，我们表明，分离是可能的，不仅为独立的源，但也为源，是依赖提供他们的联合PDF满足一定的对称条件。一个非常有趣的问题在于确定类的依赖源是不可分离的，即，对应的高斯源的独立情况。我们证实了我们的理论分析与一些模拟，并给出了依赖源，可以很容易地分离的例子。
2019-08-06 eess.SP
Blind separation of rotor vibration signals in high-noise environments
在发动机转子运行过程中，传感器测得的振动信号是各振源的混合信号，同时含有较强的噪声。本文提出了一种新的强噪声环境（信噪比=-5）下混合振动信号的分离方法。首先采用时延自相关去噪方法对混合信号进行去噪，然后采用普通盲分离算法（这里采用MSNR算法）对混合振动信号进行分离，提高了分离性能。仿真结果验证了该方法的有效性。该方法为发动机转子振动信号的健康监测和故障诊断提供了新的思路。
2019-05-08 eess.SP
Underdetermined Blind Source Separation for Sparse Signals based on the Law of Large Numbers and Minimum Intersection Angle Rule
欠定盲源分离（UBSS）是一个重要的研究课题，针对稀疏信号，提出了一种基于大数定律和最小相交角准则的两步欠定盲源分离方法（LM方法）。第一步利用大数定律求出混合矩阵的估计，并以图形方式显示源信号的个数。第二步，提出了利用最小交角规则估计源信号的方法。最后，两个仿真结果说明了理论结果的有效性。该方法原理简单，可移植性强，可广泛应用于数字信号处理的各个领域。
2018-10-05 eess.SP
Sequential Detection-Based Iterative Blind Separation for Single-Channel Co-Frequency Signals
School of Electrical and Information Engineering, Zhengzhou University（郑州大学电气与信息工程学院）
针对单通道同频信号盲分离精度与鲁棒性不足的问题，提出基于序贯检测的迭代分离算法，融合延迟无迹卡尔曼滤波，提升分离与信道估计性能，并显著增强噪声容忍度。
2026-09-11 eess.SP
Semi-Blind Source Separation for Nonlinear Acoustic Echo Cancellation
非线性自适应滤波器用于非线性声学回声消除（NAEC）时，数值模型与实际模型的不匹配是一个难题。为了缓解这个问题，我们结合了一个基本的通用扩展的无记忆非线性半盲源分离（SBSS）。通过将远端输入信号的所有基函数视为已知的等效参考信号，推导出一种基于约束缩放自然梯度策略的SBSS更新算法。与常用的自适应算法不同，所提出的SBSS是基于近端信号和参考信号之间的独立性，并且对数值模型和实际模型之间的非线性失配不太敏感。实验结果表明，该方法优于传统方法的回声回波损耗增强（ERLE）和近端语音质量评价的语音质量的感知评价（PESQ）和短时客观可懂度（STOI）。
2021-02-13 eess.SP
HYPERION: Hyperspectral Penetrating-type Ellipsoidal Reconstruction for Terahertz Blind Source Separation
太赫兹（THz）技术由于其非侵入性和非破坏性的特性，在药物分析、化学鉴定、遥感和成像等方面有着广泛的应用。在这些应用中，穿透型高光谱THz信号，提供了关键的材料信息，通常涉及一个嘈杂的，复杂的混合系统。此外，由于测量频带中材料吸收峰的重叠，测量的THz信号可能是病态的。为了解决这些问题，我们考虑穿透型信号混合，并旨在开发一种盲高光谱解混（HU）方法，而不需要来自预建数据库的任何信息。所提出的超光谱穿透型椭球重建（HYPERION）算法是无监督的，不依赖于收集大量的数据或复杂的模型训练。相反，它是基于优雅的椭球几何形状下开发的一个非常温和的要求，数据纯度，其出色的功效实验证明。
2022-04-03 eess.SP
Modifications of FastICA in Convolutive Blind Source Separation
Tsinghua University（清华大学）
卷积盲源分离（BSS）是从卷积混合信号中分离出未知信号的一种方法。与瞬时情况下使用的对比度函数相反，时空预白化阶段和仿酉滤波器约束难以在卷积上下文中实现。在本文中，我们提出了几个修改FastICA，以减轻这些困难。我们的方法在分离之前对卷积混合物进行简单的预白化步骤，并在单值分解（SVD）实现的对角化约束下优化对比度函数。数值仿真验证了该方法的有效性。
2021-07-24 cs.LG eess.SP
Signals as Parametric Curves: Application to Independent Component Analysis and Blind Source Separation
作为参数曲面的图像堆栈（ISPS）是一个功能强大的模型，最初被提出用于图像配准。ISPS与互信息（MI）-图像配准中最经典的相似性度量密切相关，可以很好地解决不同类别的配准问题。将ISPS模型推广到一维信号，得到了信号参数曲线模型（SPC）。盲源分离（Blind Source Separation，BSS）是信号处理中的一个经典问题，其中基于独立分量分析（Independent Component Analysis，ICA）的盲源分离方法是一种流行而有效的方法。由于MI在ICA中起着重要的作用，基于与MI的密切关系，本文将SPC模型应用到盲源分离中，提出了一组简单而强大的几何目标函数，取代了原有的基于MI的目标函数。受几何目标函数的启发，我们还提出了一种二阶统计方法，FT-PCA。几何目标函数和傅立叶变换主成分分析都将信号看作函数而不是随机过程，利用信号的导数信息，不依赖于独立性假设。本文讨论了几何目标函数和FT-PCA假设的合理性，并通过合成实验与其他经典方法进行了比较，证明了它们的有效性。
2018-07-10 eess.SP
Towards Unsupervised Single-Channel Blind Source Separation using Adversarial Pair Unmix-and-Remix
Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Facebook AI Research（脸书人工智能研究院）
盲单通道信号分离是信号处理领域的一个长期挑战。许多方法被提出来解决这个问题，利用多个信号先验，如低秩，稀疏性，时间连续性等，最近的进展生成对抗模型的信号回归任务提供了新的机会。然而，对抗训练的力量还没有实现盲源分离任务。在这项工作中，我们提出了一种新的方法，盲源分离（BSS）使用对抗的方法。我们依赖于源的独立性来对近似分离的源对创建对抗性约束，这确保了良好的分离。在图像源上进行的实验验证了我们的方法的良好性能，并提出了我们的方法作为一个有前途的方法来解决一般信号的盲分离。
2019-05-16 cs.LG cs.SD eess.AS
Quantifying Non-linear Dependencies in Blind Source Separation of Power System Signals using Copula Statistics
针对可再生能源导致电力系统非线性增强的问题，提出基于copula统计量的盲源分离方法，通过最小化KL散度度量非线性依赖，在11母线4机系统上验证了更快的收敛速度和更优的干扰信号比。
2024-02-10 eess.SP stat.AP
A New Non-Negative Matrix Factorization Approach for Blind Source Separation of Cardiovascular and Respiratory Sound Based on the Periodicity of Heart and Lung Function
McMaster University（麦克马斯特大学）
提出一种改进的仿射非负矩阵分解方法，利用信号周期性从数字听诊器记录的混合声音中盲分离心音和肺音，提高了分离精度。
2025-02-25 eess.SP
Identifiability in Blind Source Separation through Stabilizer Shrinkage: Unifying Non-Gaussianity and Observation Diversity
Graduate School of Science and Engineering, Tokyo Denki University（东京电工大学理工学研究科）；Graduate School of Engineering, Maebashi Institute of Technology（前桥工科大学工学研究科）
本文从结构角度重新审视盲源分离的可识别性问题，将非高斯性和观测多样性统一为稳定器收缩机制，通过数值实验揭示了源统计与观测设计之间的结构性权衡。
2026-03-17 eess.SP
Blind Bounded Source Separation Using Neural Networks with Local Learning Rules
自然信号处理系统和工程信号处理系统所遇到的一个重要问题是盲源分离。在这个问题的许多实例中，源被它们的性质所限制，并且是已知的，即使特定的界限可能是未知的。为了将这些有界源从它们的混合物中分离出来，我们提出了一个新的优化问题，有界相似匹配（BSM）。一个自适应BSM算法的原理推导导致一个具有限幅非线性的递归神经网络。该网络适应当地的学习规则，满足了一个重要的约束，在神经形态硬件的生物兼容性和可实施性。
2020-04-11 cs.NE eess.SP q-bio.NC
Generalized Minimal Distortion Principle for Blind Source Separation
LINE Corporation（LINE公司）
本文从盲源分离（BSS）的角度重新研究了源图像的估计问题。我们推广了传统的最小失真原则，最大似然估计与模型的剩余频谱。由于剩余频谱图通常包含其他来源，我们建议使用混合范数模型，让我们微调时间和频率的稀疏性。我们建议进行最小化的混合范数通过优化，导致迭代重加权最小二乘算法。该算法很好地平衡了效率和易于实现。我们评估所提出的方法的性能，适用于两个著名的确定BSS和一个联合BSS去混响算法。我们发现，它是可能的调整参数，以提高分离高达2分贝，没有增加失真，并在很小的计算成本。该方法为提高盲源分离的性能提供了一种廉价、简便的方法。
2020-09-11 cs.SD eess.AS eess.SP
An Adaptive CM Array Preconditioner for Blind Multi-User Separation
恒模算法族广泛应用于无线通信系统和雷达中。经典的恒模自适应（CMA）算法，然而，无法锁定到一个单一的模式时，与天线阵列。相反，它均衡了整个空间频谱。在本文中，我们充分详细地描述了我们最近提出的方法，在无线电系统中的频率复用，如蜂窝网络，利用CMA算法的多个用户的分离。基于观察到的差分滤波器的权重类似于叠加的阵列导向矢量，我们投原始任务的到达方向估计问题。通过对基于离散空间傅里叶变换的阵列响应进行严格的理论分析，我们详细阐述了一种通过找到多项式方程的根来解决问题的解决方案。我们提供了一个数值例子来证明在高信噪比条件下的方法的有效性。此外，我们提出了一个更一般的预处理器的CMA阵列，它允许调制信号的幅度不同。作为一个副产品，预处理器产生一个低成本的估计并发用户的数量，即模型的顺序，通过简单地计算根与最强的响应。
2018-07-25 eess.SP
Biologically-Plausible Determinant Maximization Neural Networks for Blind Separation of Correlated Sources
Koc University（科奇大学）；Harvard University（哈佛大学）
提取复杂刺激的潜在来源对于理解世界至关重要。虽然大脑不断解决这个盲源分离（BSS）问题，但其算法仍然未知。以前的工作生物合理的BSS算法假设，观察到的信号是线性混合的统计独立或不相关的来源，限制了这些算法的适用范围。为了克服这一限制，我们提出了新的生物合理的神经网络的盲分离潜在的依赖/相关的来源。不同于以前的工作，我们假设一些一般的几何，而不是统计，允许分离潜在的依赖/相关源的源向量上的条件。具体地说，我们假设源向量在它们的域中是充分分散的，这些域可以由某些多面体描述。然后，我们考虑恢复这些来源的Det-Max标准，最大限度地提高了行列式的输出相关矩阵，以执行类似的传播源估计。从这个规范性的原则，并使用加权相似性匹配的方法，使任意线性变换适应本地学习规则，我们推导出两层生物合理的神经网络算法，可以分离的混合物成来自各种源域的源。我们证明，我们的算法优于其他生物合理的BSS算法相关的源分离问题。
2022-11-25 cs.LG eess.SP
On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction
Vienna University of Technology（维也纳技术大学）；University of International Business and Economics（对外经济贸易大学）
本文研究空间盲源分离作为空间预测预处理工具的效果，通过模拟实验和地球化学数据集，将其与协同克里金法、神经网络的多变量空间预测性能进行对比。
2020-07-01 cs.LG eess.SP stat.ML
Sample Dependence-Aware Blind Source Separation for Linear Causal Discovery
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
本研究提出一种样本依赖感知的盲源分离方法，通过将互信息率替代互信息代价，扩展线性非高斯非循环模型（LiNGAM）的因果可识别性，联合利用高阶统计量和样本依赖，在合成及fMRI数据上实现近乎完美的因果恢复并提升稳定性。
2026-10-06 eess.SP
Heuristics for Efficient Sparse Blind Source Separation
CEA Saclay（法国原子能委员会萨克雷中心）；University of Edinburgh（爱丁堡大学）
稀疏盲声源分离（sparse BSS）是从医学成像到天体物理等领域多通道数据分析的关键方法。然而，由于它依赖于寻求一个非凸惩罚矩阵分解问题的解决方案，其性能在很大程度上取决于优化策略。在这种情况下，近端交替线性化最小化（PALM）已成为一个标准的算法，尽管其理论基础，通常提供差的实际分离结果。在这项工作中，我们提出了一种新的策略，结合了启发式方法与PALM。我们显示其现实的天体物理数据的相关性。
2018-12-17 astro-ph.IM cs.LG eess.SP
Separable Joint Blind Deconvolution and Demixing
盲反卷积和解混是从卷积信号和卷积核的和中重建卷积信号和卷积核的问题。这个问题出现在许多应用中，例如盲MIMO。本文提出了一种基于凸优化的盲反卷积与去混叠分离方法。与以前的作品不同，我们的配方允许分离成更小的优化问题，这显着提高了复杂性。我们开发的恢复保证，这符合原来的不可分离的问题，并证明了几个规范化约束下的方法性能。
2021-02-04 eess.SP
Semi-Blind Source Separation with Learned Constraints
IRFU, CEA（法国原子能与替代能源委员会 红外与天体物理研究所）；Universite Paris-Saclay（巴黎萨克雷大学）
盲源分离（BSS）算法是一种无监督的方法，它是高光谱数据分析的基石，允许物理上有意义的数据分解。BSS问题是不适定的，解决方案需要有效的正则化方案，以更好地区分源和产生可解释的解决方案。为此，我们研究了一种半监督源分离方法，在该方法中，我们将投影交替最小二乘算法与基于学习的正则化方案相结合。在这篇文章中，我们专注于通过使用生成模型来约束混合矩阵属于学习流形。总之，我们表明，这允许一个创新的BSS算法，提高了准确性，提供物理上可解释的解决方案。所提出的方法，创造sGMCA，测试现实的高光谱天体物理数据在具有挑战性的情况下，涉及强噪声，高度相关的光谱和不平衡的来源。结果突出了在减少源之间的泄漏之前所学到的显著益处，这允许总体上更好地解缠。
2022-09-27 cs.LG eess.SP
Blind Source Separation for NMR Spectra with Negative Intensity
University of California, Irvine（加州大学欧文分校）；Sandia National Laboratories（桑迪亚国家实验室）
NMR光谱数据集，特别是在样品有限的系统中，如果包含多种化学成分（相、多晶型物、分子、晶体、玻璃等），则很难解释。以及重叠共振的可能性。在本文中，我们基准几个盲源分离技术分析的NMR光谱数据包含负强度。出于基准测试的目的，我们生成了一个大的合成四极固态NMR类光谱的合成基，模型自旋晶格T1弛豫或章动尖端/翻转角实验。我们的基准测试方法完全集中在盲源分离技术的能力，以重现光谱的基础纯成分。总的来说，我们发现FastICA（快速独立分量分析），SIMPLISMA（SIMPLE使用交互式自建模混合分析）和NNMF（非负矩阵分解）是性能最好的技术。我们证明，数据集归一化方法之前，盲源分离并没有显着改善的结果。在研究的噪音水平范围内，我们没有发现技术排名的剧烈变化。FastICA和SIMPLISMA的准确性迅速下降，如果多余的（不真实的）纯成分的预测。我们的研究结果表明SVD（奇异值分解）方法的性能不佳，我们提出了矩阵初始化的替代技术。基准技术也适用于真正的固态NMR数据集。总体而言，来自合成数据集的建议与来自真实数据分析的建议和结果一致。讨论提供了一些额外的建议，光谱学家应用盲源分离的NMR数据集，并为未来的基准研究。
2020-02-07 cs.LG eess.SP physics.chem-ph
Wideband photonic blind source separation with optical pulse sampling
提出并实验验证了一种用于光子盲源分离的光脉冲采样方法。光子系统基于混合信号的统计信息来处理和分离宽带信号，因此采样频率可以比信号的带宽低几个数量级。超快光脉冲的作用就像一个镊子，以非常低的采样率收集信号样本，每个样本都足够短，以保持信号的统计特性。低采样频率减少了模数转换和数字信号处理系统的工作负荷。同时，短脉冲采样保持了采样信号的准确性，因此欠采样信号的统计特性与原始信号的统计特性相同。利用锁模激光器产生的光脉冲，该光脉冲采样系统能够处理和分离带宽超过100GHz的混合信号，动态范围达到30dB。
2021-07-21 eess.SP physics.optics
SAR Tomography via Nonlinear Blind Scatterer Separation
叠层分离对于许多合成孔径雷达应用是基本的，例如建筑物重建和生物量估计。沿混合维度（高程）的散射轮廓的检索通常通过SAR成像模型的反演来解决，该过程称为SAR层析成像。本文提出了一种非线性散射体盲分离方法，用于反演分层散射体的相位中心，避免了计算量大的层析反演。我们证明，传统的线性分离方法，例如，主成分分析（PCA）在较好的条件下只能部分分离散射体。由于散射体导向矢量的非正交性，这些方法在检索的散射体中产生系统的相位偏差，特别是当源的强度相似或图像的数量较低时。所提出的方法使用核PCA人为地增加了数据的维数，从而减轻了上述限制。在处理过程中，该方法使用核PCA的最亮散射点的估计来依次收缩协方差矩阵。仿真结果表明，所提出的方法优于传统的PCA为基础的方法在各个方面的性能。使用TerraSAR-X数据的实验表明，高度重建精度提高了一到三倍，这取决于所使用的外观数量。
2020-09-02 eess.IV eess.SP
An Information Maximization Based Blind Source Separation Approach for Dependent and Independent Sources
我们介绍了一种新的信息最大化（infomax）方法的盲声源分离问题。所提出的框架提供了一个信息理论的角度为行列式最大化为基础的结构化矩阵分解方法，如非负和多面体矩阵分解。为此，我们使用一种基于协方差的对数行列式的替代联合熵度量，我们称之为对数行列式（LD）熵。两个向量之间的对应（LD）互信息反映了它们的相关性水平。我们提出的infomax BSS标准作为最大化的LD-互信息之间的输入和输出的分离器的约束下，输出向量位于一个假定的域集。与ICA infomax方法相比，所提出的信息最大化方法可以分离依赖源和独立源。此外，我们可以提供一个有限的样本保证完美的分离条件，在无噪声的情况下。
2022-05-02 cs.IT eess.SP math.IT
Blind and neural network-guided convolutional beamformer for joint denoising, dereverberation, and source separation
NTT Corporation（日本电信电话公司）
本文提出了一种优化卷积波束形成器（CBF）的方法，可以联合执行去噪（DN），去混响（DR）和源分离（SS）。首先，我们开发了一个盲CBF优化算法，不需要先验信息的来源或房间声学，通过扩展传统的联合DR和SS方法。为了使优化计算易于处理，我们将两种技术的方法：源明智的分解（SW-事实）的CBF和独立向量提取（IVE）。为了进一步提高性能，我们开发了一种方法，集成了基于神经网络（NN）的源功率谱估计与CBF优化的逆伽玛先验。实验结果表明，该方法在提高自动语音识别性能和降低信号失真性能方面，大大优于传统的基于掩码的神经网络语音识别方法。
2021-08-04 cs.SD eess.AS eess.SP
Independent Vector Extraction for Fast Joint Blind Source Separation and Dereverberation
我们解决了一个盲源分离（BSS）的问题，在嘈杂的混响环境中，麦克风的数量$M$是大于感兴趣的源的数量，和其他噪声成分可以近似为平稳和高斯分布。当$M$较大时，用于多输入多输出卷积波束形成器的优化的常规BSS算法遭受巨大的计算成本。在这里，我们提出了一种计算效率高的方法，集成了加权预测误差（WPE）去混响方法和一个快速的BSS方法称为独立矢量提取（IVE），这已被开发用于混响较少的环境。我们表明，给定每个源的功率谱，新方法的优化问题可以减少到IVE通过利用平稳条件，这使得优化易于处理和计算效率。语音信号分离实验表明，与传统的结合WPE和独立向量分析的方法相比，该方法在保持分离性能的同时，收敛速度更快。
2021-04-22 cs.SD eess.AS eess.SP
Blind Source Separation for Mixture of Sinusoids with Near-Linear Computational Complexity
我们提出了一个多音分解算法，可以找到的频率，幅度和相位的基本正弦信号在一个嘈杂的观察序列。在独立同分布的高斯噪声下，我们的方法利用最大似然方法从受污染的观测中估计相关的音调参数。在估计$M$数目的正弦源时，我们的算法连续地估计它们的频率，并联合优化它们的幅度和相位。我们的方法也可以实现为一个盲源分离器的信息的情况下，有关$M$。我们的算法的计算复杂度是近似线性的，即，$\tilde{O}(N)$。
2022-03-27 cs.LG eess.AS eess.SP
Unrolling PALM for sparse semi-blind source separation
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院电信巴黎）；CEA Saclay（法国原子能和替代能源委员会萨克莱研究中心）
稀疏盲源分离（BSS）已成为一个成熟的工具，用于广泛的应用-例如，在天体物理学和遥感。经典的稀疏BSS方法，如近端交替线性化最小化（PALM）算法，然而，经常遭受困难的超参数选择，这破坏了他们的结果。为了绕过这个陷阱，我们建议在这项工作中建立在蓬勃发展的算法展开/展开领域。展开PALM能够通过学习PALM超参数和变量来利用来自现实模拟或地面实况数据的数据驱动知识。与大多数现有的展开算法不同，这些算法在训练和测试阶段假设一个固定的已知字典，本文进一步强调了处理可变混合矩阵（也称为混合矩阵）的能力。字典）。因此，所提出的学习PALM（LPALM）算法能够执行半盲源分离，这是提高学习模型在现实世界应用中的泛化能力的关键。我们说明了LPALM在天体物理多光谱成像中的相关性：该算法不仅需要比PALM少$10^4-10^5$倍的迭代次数，而且提高了分离质量，同时避免了PALM繁琐的超参数和初始化选择。我们进一步表明，LPALM优于其他展开的源分离方法在半盲设置。
2022-03-07 astro-ph.IM cs.LG eess.IV
A Blind Source Separation Framework to Monitor Sectoral Power Demand from Grid-Scale Load Measurements
Politecnico di Milano（米兰理工大学）；Terna S.p.A（特纳股份公司）
本文提出盲源分离框架，通过非负矩阵因子化方法从电网负荷数据中分离出不同行业电力需求，验证了方法在意大利数据中的有效性。
2026-04-15 eess.SP stat.AP
Unsupervised training of a deep clustering model for multichannel blind source separation
Paderborn University（帕德博恩大学）
我们提出了一种训练方案，当并行干净数据不可用时，从头开始训练基于神经网络的声源分离算法。特别是，我们证明了无监督的空间聚类算法足以指导深度聚类系统的训练。我们认为，以前的工作需要强有力的监督，并详细说明为什么这是一个限制。我们证明了（a）根据所提出的方案单独训练的单通道深度聚类系统能够在单词出错率方面实现与多通道教师类似的性能，以及（b）使用深度聚类结果初始化空间聚类方法，与无监督教师相比，相对单词出错率降低了26%。
2019-04-02 cs.LG eess.SP stat.ML
Blind Source Separation of Radar Signals in Time Domain Using Deep Learning
Fraunhofer Institute for High Frequency Physics（弗劳恩霍夫高频物理研究所）；Radar Techniques FHR（雷达技术部）；Institute of Signal Processing（信号处理研究所）；System Theory, University of Stuttgart（系统理论系，斯图加特大学）
本文提出利用深度学习进行时域雷达信号盲源分离，通过监督训练的神经网络实现对未知雷达和通信信号的解交织。
2026-01-27 cs.SD eess.AS eess.SP
Self-Supervised Autoencoder Network for Robust Heart Rate Extraction from Noisy Photoplethysmogram: Applying Blind Source Separation to Biosignal Analysis
Mellowing Factory Co. Ltd.（梅洛灵工厂有限公司）；Chungnam National University Hospital（全南国立大学医院）；Department of Radiology, Seoul National University College of Medicine（首尔国立大学医学院放射科）
本文提出了一种自监督多编码器自动编码器，用于从噪声PPG信号中提取心跳相关信号，提升心率检测性能。
2025-08-11 cs.LG eess.SP
Broadband physical layer cognitive radio with an integrated photonic processor for blind source separation
随着通信规模的扩大，串扰和干扰问题日益严重，物理层认知方法盲源分离（BSS）可以有效地解决这些问题。BSS需要最少的先验知识来从它们的混合信号中恢复信号，与载波频率、信号格式和信道条件无关。然而，由于射频（RF）组件的固有窄带宽、数字信号处理器（DSP）的高能耗以及它们的低可扩展性的共同弱点，BSS的先前电子实现方式不能满足这种通用性要求。在这里，我们报告了一种光子BSS方法，继承了光学器件的优点，并可以充分履行其“盲”的方面。使用集成在光子芯片上的microwave重量银行，我们展示了节能，WDM可扩展BSS跨越19.2 GHz的带宽，覆盖许多标准频段。我们的系统也有一个高（9位）的信号解混的分辨率，由于最近开发的抖动控制方法，导致更高的信号干扰比（SIR），即使是病态的混合物。
2022-06-08 eess.SP physics.app-ph physics.optics
A Hypothesis Testing Approach to Nonstationary Source Separation
Emory University School of Medicine（埃默里大学医学院）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）
从盲和半盲多元观测中提取非平稳信号是一个经常出现的问题。许多算法已经开发了这个问题，这是基于精确或近似的联合对角化的二阶或高阶累积量矩阵/张量的多通道数据。虽然大量的研究一直致力于联合对角化算法，对角化矩阵/张量集的选择仍然是高度特定的问题。本文综述了非平稳信号识别的各种方法，提出了一种基于假设检验的新的通用框架，从分类/聚类的角度研究了非平稳信号的半盲源分离。将该方法应用于胎儿心电的无创提取。
2021-06-28 cs.LG eess.SP
A Blind Signal Separation Algorithm for Energy Detection of Dynamic PU Signals
用于在动态主用户（PU）场景中实现机会性频谱接入的能量检测过程需要估计范围从噪声方差和信噪比（SNR）到瞬时和平均PU活动的若干参数，其中PU在随机时间实例处将状态从活动改变到不活动。参数估计的先决条件是在接收信号时间帧中准确提取信号和噪声样本。在这封信中，我们提出了一个低复杂度和准确的信号分离算法相比，众所周知的方法，这也是盲目的PU活动分布。该算法的准确性和时间复杂度，在识别信号和噪声样本，并在信道占用估计，在不同的占用率和信噪比的PU信号的半实验仿真设置进行了分析。结果证实其适用于获得必要的信息，PU的动态行为，这是否则假定在文献中是已知的。
2020-03-20 cs.IT eess.SP math.IT
Semi-blind source separation using convolutive transfer function for nonlinear acoustic echo cancellation
Key Laboratory of Modern Acoustics, Institute of Acoustics, Nanjing University（南京大学声学研究所现代声学重点实验室）；NJU-Horizon Intelligent Audio Lab, Horizon Robotics（南京大学-地平线智能音频实验室，地平线机器人）
最近提出的用于非线性声学回声消除（NAEC）的半盲源分离（SBSS）方法在衰减非线性声学回声方面优于自适应NAEC。然而，乘性传递函数（MTF）近似使其不适合实时应用，特别是在高混响环境中，自然梯度使其难以在快速收敛速度和稳定性之间取得平衡。在本文中，我们提出了两个更有效的SBSS方法的基础上，基于独立的函数的独立向量分析（MATIVA）和独立的低秩矩阵分析（ILRMA）。使用卷积传递函数（CTF）近似代替MTF，以便可以用短延迟来模拟长脉冲响应。根据NAEC的约束解混矩阵，对MARIVA和ILRMA中的优化方案进行了严格的正则化。实验结果验证了所提出的方法具有更好的回波消除性能。
2022-07-04 cs.SD eess.AS eess.SP
Target Speech Extraction Based on Blind Source Separation and X-vector-based Speaker Selection Trained with Data Augmentation
从混合语音中提取所需的语音是一项有意义且具有挑战性的任务。端到端的基于DNN的方法虽然有吸引力，但面临泛化问题。在本文中，我们探讨了一个顺序的方法，目标语音提取相结合的盲源分离（BSS）的x-向量为基础的说话人识别（SR）模块。利用并比较了两种基于信源独立性假设的盲源分离方法：独立低秩矩阵分析（ILRMA）和多通道变分自编码（MVAE）。ILRMA采用非负矩阵分解（NMF）来捕获源信号的频谱结构，MVAE利用深度神经网络（DNN）的强大建模能力。然而，MVAE的研究一直局限于很少的说话人的训练，通常包括测试说话人的语音信号。我们使用500个说话人的干净语音信号扩展MVAE的训练，以评估其对未见过的说话人的泛化。为了提高正确提取率，我们采用了两种数据增强策略来训练SR模块。所提出的级联方法的性能进行了研究与测试数据构建不同环境下的真实房间脉冲响应。
2020-10-30 eess.AS eess.SP
Lorentzian Peak Sharpening and Sparse Blind Source Separation for NMR Spectroscopy
本文介绍了一种非负重叠数据盲源分离的预处理方法。对于核磁共振谱（NMR），Naanaa和Nuzillard（NN）的经典方法要求源信号在某些位置不重叠，而允许它们在其他地方彼此重叠。NN的方法适用于具有独立峰（SAP）的数据信号。然而，SAP并不完全适用于实际的NMR光谱。违反SAP通常会在NN的分离结果中引入错误或伪影。为了解决这个问题，一个预处理技术的基础上洛伦兹峰形状和加权峰锐化。其思想是用其加权负二阶导数对原始峰值信号进行去噪。由此产生的尖锐（更窄和更高）峰使NN的方法能够与更宽松的SAP条件（所谓的主峰条件（DPS））一起工作，并提供改进的结果。为了实现最佳锐化，同时保持数据的非负性，我们证明了存在的上界的权重参数，并提出了一个选择标准。对核磁共振谱数据的数值实验表明，我们提出的方法具有令人满意的性能。
2020-09-04 cs.NA eess.SP math.NA
Identification of Power System Oscillation Modes using Blind Source Separation based on Copula Statistic
由于可再生能源的不稳定性及其电力电子器件的切换，具有大量可再生能源渗透的电力系统的动态变得更加非线性。因此，当电力系统受到扰动时，准确地识别这种系统的动态振荡模式以启动适当的预防或校正控制措施是至关重要的。在本文中，我们提出了高阶盲源识别（HOBI）算法的基础上Copula统计，以解决这些非线性动力学模态分析。该方法结合希尔伯特变换（HOBI-HT）和迭代过程（HOBMI），可以从最少一个通道的观测信号中识别出所有的模态和模型阶次。我们访问的性能所提出的方法对数值模拟信号和记录的数据从模拟的时域分析的经典11总线4机测试系统。我们的仿真结果优于国家的最先进的方法的准确性和有效性。
2023-02-07 eess.SP stat.ML
Directional Sparse Filtering using Weighted Lehmer Mean for Blind Separation of Unbalanced Speech Mixtures
Nanyang Technological University（南洋理工大学）；Delta-NTU Corporate Lab for Cyber-Physical Systems（Delta-南大网络物理系统联合实验室）；Delta Electronics Inc（台达电子公司）
在语音信号的盲源分离中，源频谱中固有的不平衡性对依赖于单源优势来估计混合矩阵的方法提出了挑战。我们提出了一种算法的基础上的方向稀疏滤波（DSF）的框架，利用Lehmer平均与可学习的权重，自适应占源不平衡。在多个真实声学环境中的性能评估显示，与基线方法相比，源分离有所改善。
2021-05-14 cs.LG cs.SD eess.AS
Decomposition of Higher-Order Spectra for Blind Multiple-Input Deconvolution, Pattern Identification and Separation
与普通功率谱一样，高阶谱（HOS）描述了在时间平移下不变的信号特性。与功率谱不同，HOS保留相位信息，从相位信息可以恢复信号波形的细节。在这里，我们考虑的问题，识别多个未知的瞬态波形内发生的合奏记录在相互随机延迟。我们开发了一种新的技术，用于恢复滤波器从HOS的波形检测的性能接近的最佳匹配滤波器，不需要有关波形的先验信息。与以前的技术通过HOS的信号识别，该方法同样适用于确定性和非确定性HOS的信号。在非确定性的情况下，它会产生一个添加剂分解，引入一个新的方法来分离的非高斯信号具有非确定性的高阶矩的分量过程。我们展示了与最小熵盲反卷积（MED）的密切关系，本技术通过避免对数值优化的需要而改进，同时仅需要时移、逐元素乘法和平均的数值稳定操作，使其特别适合于实时应用。HOS分解在实际信号中的应用通过心电图中正常和异常心跳的盲去噪、检测和分类来展示。
2019-08-25 eess.SP q-bio.QM stat.AP
Convolutive Blind Source Separation on Surface EMG Signals for Respiratory Diagnostics and Medical Ventilation Control
Cambridge University（剑桥大学）；Institute for Electrical Engineering in Medicine, University of Lübeck（吕贝克大学生物医学电气研究所）；Drägerwerk AG（德尔格有限公司）
本文提出利用卷积盲源分离技术对表面肌电信号进行预处理，以解决区分吸气、呼气和心肌活动的问题，从而提升呼吸诊断和医疗通气控制的应用效果。
2019-04-08 cs.SY eess.SP eess.SY
XVAE-WMT: Explainable Wavelet-Temporal Variational Autoencoder for Blind Source Separation of Heart and Lung Sounds
McMaster University（麦克马斯特大学）；Bell Canada（贝尔加拿大公司）
本文提出XVAE-WMT算法，无需配对干净心肺音记录，结合VAE、XAI与CWT前端，经SHAP降维后在两个数据集上实现26.8 dB SDR等优异分离性能，提升心肺音盲源分离效果。
2026-09-02 cs.SD eess.SP
Blind Source Separation of Single-Channel Mixtures via Multi-Encoder Autoencoders
Mellowing Factory Co. Ltd.（梅洛灵工厂有限公司）
提出多编码器自编码器及编码掩码、稀疏混合与零重建损失，实现单通道非线性混合信号的盲源分离，并在玩具数据和睡眠生物信号上验证。
2025-07-23 cs.LG eess.SP
Blind Separation of Vibration Sources using Deep Learning and Deconvolution
RSL Electronics LTD（RSL电子有限公司）
针对齿轮振动掩盖低能量轴承故障信号的问题，提出结合 dilated CNN、残差平方对数包络与 WBD 的两阶段盲分离方法，可在无设备先验信息时早期检测局部及分布式轴承故障。
2024-05-21 cs.AI cs.LG eess.AS
Generalized Fast Multichannel Nonnegative Matrix Factorization Based on Gaussian Scale Mixtures for Blind Source Separation
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院电信巴黎）；RIKEN（理化学研究所）；Kyoto University（京都大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文从统一的角度描述了一种称为快速多通道非负矩阵分解（FastMNMF）的最先进的通用盲声源分离方法的重尾扩展。导出这种扩展的常见方式是用其重尾推广来替换似然函数中的多变量复高斯分布，例如，多元复Student t分布和尖峰广义高斯分布，并量身定制了相应的参数优化算法。使用更广泛的一类称为高斯尺度混合（GSM）的重尾分布，即，混合高斯分布的方差扰动的正随机标量称为脉冲变量，我们提出了GSM-FastMNMF和开发的expectationmaximization算法，即使当脉冲变量的概率密度函数没有解析表达式。我们表明，现有的重尾FastMNMF扩展的GSM-FastMNMF的实例，并推导出一个新的实例的基础上的广义双曲分布，包括正常逆高斯，学生的t，高斯分布的特殊情况。实验结果表明，在语音增强和分离方面，正态逆高斯FastMNMF的信失真比优于FastMNMF扩展和ILRMA模型。
2022-05-11 cs.SD eess.AS eess.SP
Robust Blind Source Separation by Soft Decision-Directed Non-Unitary Joint Diagonalization
一组矩阵的近似联合对角化为许多统计信号处理应用提供了一个强大的框架。对于基于最小二乘（LS）准则的非酉联合对角化（NUJD），离群值（也称为异常或不一致观测）对性能具有负面影响，因为对残差求平方会放大它们的影响。为了解决这个问题，我们提出了一个新的代价函数，将软决策导向计划的最小二乘算法，并开发了一个有效的算法。通过在每个迭代步骤中应用与残差相关联的决策导向权重来减轻离群值的影响。具体地说，混合矩阵估计的改进的驻点方法，其中的更新方向是基于梯度函数的线性近似确定的。仿真结果表明，该算法在收敛性能和对离群点的鲁棒性方面优于传统的非酉对角化算法。
2021-06-28 cs.IT eess.SP math.IT
Blind Audio Source Separation with Minimum-Volume Beta-Divergence NMF
Université de Mons（蒙斯大学）
考虑到混合信号组成的各种音频源和记录与一个单一的麦克风，我们认为在本文中的盲音频源分离问题，其中包括在隔离和提取每个源。为了执行此任务，基于Kullback-Leibler和Itakura-Saito $β$ -发散的非负矩阵分解（NMF）是使用信号的时频表示的标准和最先进的技术。我们提出了一个新的NMF模型更适合这项任务。它是基于最小化的$β$ -发散以及一个惩罚项，促进列的字典矩阵有一个小的体积。在一些温和的假设和无噪声条件下，我们证明了该模型是可证明的能够识别的来源。为了解决这个问题，我们提出了乘法更新，其推导是基于标准的优化最小化框架。我们的几个数值实验表明，我们的新模型是能够获得更多的解释比标准NMF模型的结果。此外，我们表明，它是能够恢复的源，即使当源的数量存在于混合信号被高估。事实上，我们的模型在这种情况下会自动将源设置为零，从而自动执行模型顺序选择。
2020-04-28 cs.LG cs.SD eess.AS
Provably robust blind source separation of linear-quadratic near-separable mixtures
Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎综合理工学院）；University of Mons（蒙斯大学）；University of Toulouse, IRIT/INP-ENSEEIHT（图卢兹大学，IRIT/INP-ENSEEIHT）
在这项工作中，我们考虑的问题，盲源分离（BSS）离开通常的线性模型，并专注于线性二次（LQ）模型。我们提出了两种可证明鲁棒且计算上易于处理的算法来在可分离性假设下解决这个问题，这些假设要求源作为样本出现在数据集中。第一种算法推广了为线性盲源分离设计的连续非负投影算法（SNPA），称为SNPALQ。通过显式建模的产品项固有的LQ模型沿着SNPA计划的迭代，混合的非线性贡献被减轻，从而提高分离质量。SNPALQ被证明是能够恢复地面真实的因素，产生的数据，即使在存在噪声。第二个算法是一个蛮力（BF）算法，它被用作SNPALQ的后处理步骤。它能够丢弃由SNPALQ提取的假（混合）样本，从而扩大其适用性。反过来，BF被证明是强大的噪声下，比SNPALQ检查和温和的条件下。我们表明，SNPALQ与BF后处理和没有在现实的数值实验是相关的。
2020-11-24 cs.LG cs.NA eess.IV
ArrayDPS: Unsupervised Blind Speech Separation with a Diffusion Prior
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Columbia University（哥伦比亚大学）；Southern University of Science and Technology（南方科技大学）
针对麦克风阵列盲语音分离中阵列结构、RIR和源信号均未知的难题，提出基于扩散后验采样的无监督生成式方法ArrayDPS，通过优化近似似然与房间声学特性，仅需单说话人扩散先验即可实现优于现有无监督方法、媲美有监督方法的分离性能。
2025-06-17 cs.LG cs.MM cs.SD
VM-ARRAYDPS: Virtual Microphone Augmented Diffusion Posterior Sampling for Unsupervised Blind Speech Separation
Southern University of Science and Technology（南方科技大学）
针对麦克风数量限制ArrayDPS性能的问题，提出VM-ArrayDPS，通过添加高信噪比虚拟麦克风提供额外多通道一致性约束，显著提升2/3说话人盲语音分离性能。
2026-10-08 cs.LG cs.MM cs.SD
Ongoing EEG artifact correction using blind source separation
本文提出一种基于快速盲源分离和滑动窗口多域特征的持续EEG伪迹校正算法，可在线与离线运行，并在2035个标记伪迹上验证其去除率和计算效率优于现有方法。
2023-06-29 eess.SP q-bio.QM stat.ME
