基于快速独立分量分析算法的不同情绪下事件相关电位差异性分析

针对不同情绪诱发的脑电(Electroencephalogram,EEG)存在差异这一特性以及传统的情绪诱导方法效果不明显的问题,采用虚拟现实(Virtual Reality,VR)技术作为实验情绪诱导环境,并将三阶FastICA(Fast Independent Component Analysis)算法与事件相关电位(Event-Related Potentials,ERP)技术应用于脑电数据的伪迹处理和分析。实验结果表明:通过去伪迹处理之后的正、负性情绪和中性情绪下的脑电信号在ERP的N1、P2阶段有着显著性差异。在N1时间窗上,低效价负性刺激相较于高效价正性刺激会获得更多的注意资源的分配。在P2阶段发现大脑不仅优先加工对个体产生威胁的负性刺激,同样对具有动机意义的各类刺激也会表现出优先加工。

基于辅助函数独立分量分析的频域声回波消除

传统的声回波消除(Acoustic Echo Cancellation, AEC)方法使用双端通话检测器判断单、双端通话场景,性能受限.盲源分离(Blind Source Separation, BSS)信号模型是一个远端和近端信号并存的全双工模型,因此基于BSS的AEC无需双端通话检测器.本文采用基于辅助函数的独立分量分析(Auxiliary function based Independent Component Analysis, Aux-ICA)算法在频域上实现声回波消除,以最小化互信息为目标函数,借助辅助函数技术进行优化.仿真实验结果表明,在连续的双端通话场景中,该方法具有较低的计算复杂度和较好的回波消除性能.

基于独立分量相异性分析的动态过程监控研究

针对动态独立分量分析(dynamic independent component analysis,DICA)在过程中捕获的独立分量存在自相关性和故障漏报的问题,提出基于独立分量相异性分析(DICA dissimilarity analysis,DICA-DISSIM)的动态过程监控方法。首先,利用DICA从原始数据中捕获独立分量;其次,在独立分量子空间中引入滑动窗口并进行相异性分析得到一个新的统计指标来监控过程的当前状态;最后,利用变量贡献图方法分析过程异常原因。与传统的DICA相比,所提方法能够有效地降低DICA捕获的独立分量的自相关性,降低了过程动态特征对故障检测的影响,最后解决了DICA统计量中存在的故障漏报问题。通过对动态数值例子和田纳西−伊斯曼过程进行仿真,仿真结果表明,与独立分量分析(independent component analysis,ICA)、DICA和动态主成分分析(dynamic principal component analysis,DPCA)相比,该方法有效地提高了动态过程监控性能。

基于独立分量分析(ICA)的通信信号盲侦察技术

在通信对抗中,由于电磁环境的复杂性和通信信号调制方式的多样性,我们事前无法确知接收信号的任何信息,给通信侦察带来了极大的困难.为解决复杂多信号环境下的通信侦察难题,作者提出了一种采用独立分量分析(ICA)技术,对原始信号进行盲分离,然后分别对分离的各个信号进行后续处理的盲侦察技术.在介绍ICA技术的基础上,采用基于自然梯度的ICA算法(EASI算法)对分离效果进行了仿真.仿真结果表明,采用该方法在无需任何先验知识的情况下(如载频、信号带宽、调制样式),可以很好地分离出原始发射信号,为后续信号处理(如分析识别、解调等)奠定了基础.

基于ICA独立分量分析的模态参数识别研究

阐述了模态识别原理和独立分量分析原理,说明了ICA混叠矩阵与模态频率之间的对应关系,将信号处理技术应用于机械系统动力学问题中。对XXX型弹体涂镀层厚度检测仪机架进行试验模态分析,对获取的振动信号采用不同的算法提取出机架的固有频率并进行对比,结果证明,基于ICA方法的模态参数识别方法可以得到较好的识别。获得的模态参数结果对于降低检测仪振动、保证检测仪稳定运行具有重要价值。研究结果对于仅可测得响应的机械系统模态参数识别问题,具有一定理论和实际意义。

基于独立分量分析和普鲁克分析的运动想象迁移学习策略

针对传统上基于运动想象的脑机接口系统在应用之前需要进行枯燥冗长的校准实验的问题,提出基于独立分量分析(ICA)和普鲁克分析的迁移学习算法。该算法采用独立分量分析对脑电信号进行空间滤波,对比应用多种对齐变换方法,实现对样本数据的平移和缩放。并提出欧氏空间下的旋转变换方法,以进一步匹配目标受试者与其他受试者的样本分布,实现有效的跨受试者和跨数据集的迁移学习。所提算法相较基于黎曼普鲁克分析的方法具有更好的分类性能以及计算效率,并在公共数据集PhysionetMI和BCIIV-2a上较传统机器学习算法将平均kappa值提高了约0.1和0.04。结果表明该方法能有效提高小样本下的分类正确率,这有助于降低对校准数据量的需求,从而减少校准实验的耗时。

独立分量分析(ICA)在齿轮箱故障诊断系统中的应用

文章应用基于互信息最小化的独立分量分析算法(ICA算法),提出了一种用于齿轮箱故障诊断的信号预处理方法FASTICA,并应用确定性混合信号进行仿真验证。以JZQ200型号齿轮箱为例,应用FASTICA对采集的振动信号进行预处理,处理结果表明,经ICA分离后故障信息明显增强,故障诊断精度可以明显提高。

基于独立分量分析(ICA)的图像去噪方法

独立分量分析(Independent Compondent Analysis,ICA)是近年来提出的一种非常有效的数据分析方法,主要用来从混合数据中提取出原始的独立信号.在独立分量分析基本模型的基础上,计算在变换基下的投影,应用软门限算子进行去噪处理,结合实例对含噪图像进行去噪.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统图像去噪方法具有明显的改善.

基于独立分量分析(ICA)的音频数字水印

独立分量分析(IndependentComponentAnalysis,简称ICA)是一种多元统计方法。利用ICA的盲分离特征,提出了一种基于ICA的音频数字水印方法,在保证听觉效果的基础上利用随机混合嵌入数字水印,利用基于互信息和负熵的ICA方法提取水印。仿真试验表明该方法具有较强的鲁棒性。

独立分量分析(ICA)在地球物理学中的应用

描述独立分量分析(ICA)算法,建立数学模型并给出求解条件。在此基础上,介绍一种基于负熵极大的FastICA算法,用仿真实验证明该算法的有效性。最后,指出该算法在地球物理学中的应用。

基于独立分量分析的数字图像水印技术研究

数字水印是一项热点技术,主要应用于版权保护和信息安全方面,有诸多特点。数字水印技术具体来说就是将一些有特点的信息直接放入图片或者视频里,不会影响原图片或者视频的观感和使用价值。文章研究了基于独立分量分析方法的空域水印模型,并分别进行独立分量分析实现对水印的提取和嵌入,得出了对比后的结果。实验表明,对独立分量分析的空域水印进行提取效果一般,不过在嵌入的时候效果很好。

基于独立分量分析(ICA)与小波变换的过程监测方法

提出了一种ICA与小波变换技术相结合的过程监测方法。通过ICA方法分析出独立分量,经过小波分解后构造平均能量作为过程特征量。然后以相似度为监测指标实现过程监测。应用ICA方法比应用主分量(PCA)方法能更准确地提取非高斯分布信号信息,可以更加有效地实现对过程的监测。ICA能从原始的输入特征提取出更紧致、更适合后端处理的二次特征。由于二次特征能体现出数据中的本质信息,所以ICA方法相对于那些只考虑方差信息的特征提取方法有更好的性能。

约束独立分量分析(CICA)算法在故障诊断中的应用

盲源分离(BSS)是利用源信号间的统计独立性,在源信号和混合通道都是未知的条件下,仅由观测信号分离出各源信号的过程,也称独立分量分析(ICA)。经典的ICA仅仅用到数据的统计信息特征,即统计独立性。然而,机械故障存在其他如频率特征等已知的先验知识,将主要利用这些先验信息进行故障诊断。提出一种带参考信号约束的ICA算法(CICA)进行盲源信号的分离,选取与待提取信号频率相同的脉冲信号作为参考信号,以均方误差作为相似性测度的方法进行了实验仿真,仿真实验表明CICA算法能够很好地分离出待提取信号。

基于独立分量分析的FastICA心电消噪

本文介绍基于独立分量分析的一种算法FastICA,根据FastICA算法对脑电中心电噪声的消除,实验结果表明,采用该算法成功地消除了脑电中的心电信号,实现了脑电信号在噪声中的有效提取。

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析 ( ICA )和遗传算法 ( GA )相结合的人脸自动识别方法 ,人脸图像的独立基的获取是采用基于四阶统计信息的 ICA算法 ;为了减少计算复杂度 ,对原图像进行滤波降维 ,并用遗传算法对 ICA求得的独立基集合进行搜索得到了一个最优的独立基子集 ;最后 ,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决 .对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高 ,且计算量小于传统的基于

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术 .传统方法是采用陷波滤波器或自适应滤波 .论文则提出了用独立分量分析 (ICA)进行生物医学信号中工频干扰消除的新方法 .在简要介绍了独立分量分析的基本理论及算法的基础上 .根据三种不同的实际情况 ,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤 ,并给出了实验结果 .

基于独立分量分析的电压闪变检测方法

独立分量分析利用信号的高阶统计量快速准确地实现信号的分离和恢复。提出利用独立分量分析和同步滤波相结合的电压闪变检测方法。首先,采用同步解调的方法将包络信号和工频电压相乘的形式转变为包络信号和中心频率为100 Hz的双边带调幅信号的线性组合;然后依据负熵最大化的独立性准则和基于固定点的Fast-ICA算法进行盲信号分离;对分离得到的包络信号进行幅值修正,实现真实信号的估计。仿真结果表明该算法能准确分离平稳和非平稳的电压闪变信号的包络信号,且对幅值和频率的检测精度高。

独立分量分析法在电能质量监测与分析中的应用

介绍了目前的电能监测设备,讨论了电能质量监测与分析方法,分析了傅里叶变换、短时傅里叶变换、Wigner谱分析和小波变换的不足之处,提出可以将独立分量分析法(independentcomponentanalysis,ICA)应用于电能质量的监测与分析中。基于ICA的原理通过2个实验模拟了电网中出现电压跌落、电压上升、欠电压、电压波动、瞬时脉冲等电能质量扰动的情况,对含强噪音与干扰的电网电压进行了监测和分析,并用仿真试验验证了将ICA应用于电能质量监测与分析的正确性和有效性。

独立分量分析及其在变形监测数据处理中的应用探讨

在变形监测数据处理中存在噪声与信号频率混叠、变形影响因素监测量相关等问题,而独立分量分析在盲信号分离、去除冗余、处理频率混叠干扰等方面具有独特的优势。为此,将独立分量分析引入变形监测数据处理中,用仿真实验证实了该方法处理"频率混叠干扰不可分"问题的有效性,并探讨了该方法在变形监测数据处理中的应用。