Single-Mixture Source Separation Using Dimensionality Reduction of Ensemble Empirical Mode Decomposition and Independent Component Analysis

Guo, Yina; Huang, Shu-Hua; Li, Yongtang

doi:10.1007/s00034-012-9414-1

Cited by 42 publications

(23 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Moreover, none of the above mentioned MLE methods can recognize the multiscale characteristic of fractional Brownian motion [3]. On the other hand, Empirical Mode Decomposition (EMD) based MLE method possesses the recognition ability of multiscale characteristic in fractional Brownian motion and has demonstrated higher sEMG classification accuracy [11]. But EMD based decomposition techniques have drawbacks, such as multiple dimensions, which cannot be reduced automatically [12].…”

Section: Introductionmentioning

confidence: 99%

Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification

Guo

Naik

Huang

et al. 2015

Applied Soft Computing

Self Cite

View full text Add to dashboard Cite

Section: Introductionmentioning

confidence: 99%

Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification

Guo

Naik

Huang

et al. 2015

Applied Soft Computing

Self Cite

View full text Add to dashboard Cite

“…В последние годы исследователи разрабо-тали несколько специальных алгоритмов для одноканального слепого разделения источни-ков смешанных сигналов одинаковой частоты [3][4][5][6][7]. Среди них следует назвать фильтр час-тиц (particle filter) [8] …”

Section: Introductionunclassified

“…Однако сигналы связи имеют ограничен-ные символьные характеристики, и могут быть точно описаны путем использования символов и параметров. Если указанные характерные особенности использовать в полной мере, это позволит улучшить одноканальное выделение PCMA-сигнала.В последние годы исследователи разрабо-тали несколько специальных алгоритмов для одноканального слепого разделения источни-ков смешанных сигналов одинаковой частоты [3][4][5][6][7]. Среди них следует назвать фильтр час-тиц (particle filter) [8], представляющий собой мощное инструментальное средство для нели-нейной и негауссовой оценки состояния.…”

unclassified

Быстродействующий Параллельный Фильтр Частиц Для Слепого Разделения PCMA Сигналов

Фенг¹,

Гао²

2016

Известия вузов. Радиоэлектроника

View full text Add to dashboard Cite

Аннотация. В статье предложен усовершенствованный алгоритм быстродействующего параллельного фильтра частиц (particle filter) для слепого разделения PCMA-сигналов путем использования характери-стик параллелизма фильтра частиц с помощью кластерной компьютерной системы, построенной с исполь-зованием распределенного вычислительного сервера пакета Matlab и набора инструментальных средств для параллельных вычислений пакета Matlab. Результаты моделирования показывают, что параллельный алгоритм способен быстро и эффективно производить слепое разделение PCMA-сигналов. Кроме того, он значительно сокращает время разделения без снижения эффективности работы алгоритма и улучшает ра-боту системы в режиме реального времени.Ключевые слова: PCMA; совместный доступ к полосе парой несущих; слепое разделение; параллельный фильтр частиц ВВЕДЕНИЕСовместный доступ к полосе парой несу-щих PCMA (paired carrier multiple access) -это вид системы спутниковой связи, предложен-ный Марком в 1998 году [1]. Особенность этой системы, позволяющая осуществлять связь на обеих сторонах с той же частотой сигнала в то же время, приводит к удвоению коэффициента использования полосы и повышает способ-ность системы избегать помех. В случае авто-номной (без приемоответчика) связи или в слу-чае радиотехнической разведки, в результате влияния многих факторов третья сторона часто не имеет априорной информации о каком-либо сигнале. Информация может быть получена только в виде смешанного сигнала, из которо-го необходимо восстановить дуплексный (дву-сторонний) символ, содержащийся в этом сиг-нале, либо передаваемую информацию. Как та-ковой, это вопрос для системы с одноканаль-ным слепым разделением источников инфор-мации [2].Одноканальное слепое разделение источ-ников имеет много неизвестных переменных, и обычно не может быть решено математиче-ски. Однако сигналы связи имеют ограничен-ные символьные характеристики, и могут быть точно описаны путем использования символов и параметров. Если указанные характерные особенности использовать в полной мере, это позволит улучшить одноканальное выделение PCMA-сигнала.В последние годы исследователи разрабо-тали несколько специальных алгоритмов для одноканального слепого разделения источни-ков смешанных сигналов одинаковой частоты [3][4][5][6][7]. Среди них следует назвать фильтр час-тиц (particle filter) [8], представляющий собой мощное инструментальное средство для нели-нейной и негауссовой оценки состояния. Ука-2016 ИЗВЕСТИЯ ВУЗОВ. РАДИОЭЛЕКТРОНИКА Т.59 № 10

show abstract

“…The challenge in the BSS problem is that the separation is blind, i.e., the separation has no knowledge of the sources or the mixing environment. In the past few years, BSS has become an important research area because of its extensive potential applications [3,5,6]. In reference [6], Zhang proposes a fast proximal-gradient method for independent component analysis (ICA), termed as FastPG-ICA, in the blind source separation problem.…”

Section: Introductionmentioning

confidence: 99%

“…In reference [6], Zhang proposes a fast proximal-gradient method for independent component analysis (ICA), termed as FastPG-ICA, in the blind source separation problem. A new method based on dimensionality reduction of ensemble empirical mode decomposition and ICA solves the blind source separation of single-channel mixed recording [5]. In reference [3], Wang proposes an efficient algorithm to separate harmonic source signals using only one observed channel signal from linear mixtures of source signals, etc.…”

Section: Introductionmentioning

confidence: 99%

A Descent Algorithm-Based Parallel Variable Dual Matrix Model and Application to Blind Source Separation

Zeng

Feng

2014

Circuits Syst Signal Process

View full text Add to dashboard Cite

In this paper, we focus on the problem of blind source separation (BSS). To solve the problem efficiently, a new algorithm is proposed. First, a parallel variable dual-matrix model (PVDMM) that considers all the numerical relations between a mixing matrix and a separating matrix is proposed. Different constrained terms are used to construct the cost function for every sub-algorithm. These constrained terms reflect a numerical relation. Therefore, a number of undesired solutions are excluded, the search region is reduced, and the convergence efficiency of the algorithm is ultimately improved. Parallel sub-algorithms are proven to converge to a separable matrix only if the cost function approaches zero. Second, a descent algorithm (DA) as a PVDMM optimizing approach is proposed in this paper as well. Apparently, the efficiency of the algorithm depends completely on the DA. Unlike the traditional descent method, the DA defines step length by solving inequality instead of merely utilizing the Wolfeor Armijo-type search rule. Stimulation results indicate that the DA can improve computational efficiency. Under mild conditions, the DA has been proven to have strong convergence properties. Numerical results also show that the method is very efficient and robust. Finally, we applied the combinative algorithm to the BSS problem. Computer simulations illustrate its good performance.

show abstract

Single-Mixture Source Separation Using Dimensionality Reduction of Ensemble Empirical Mode Decomposition and Independent Component Analysis

Cited by 42 publications

References 25 publications

Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification

Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification

Быстродействующий Параллельный Фильтр Частиц Для Слепого Разделения PCMA Сигналов

A Descent Algorithm-Based Parallel Variable Dual Matrix Model and Application to Blind Source Separation

Contact Info

Product

Resources

About