一种EFICA的稳定性改进算法

针对EFICA算法稳定性会因随机选择初始迭代矩阵而受到影响的问题,提出使用最速下降法选出合适的迭代初始矩阵对EFICA算法进行了改进,给出了EFICA算法以及EFICA改进算法与Fast ICA算法的对比实验.仿真实验结果表明,对于通信信号,EFICA改进算法的平均串音误差在数值上小于原算法,其方差也由原来的0.740 8降低到0.008 6,有效提高了算法稳定性.

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(ensemble empirical mode decom—position,EEMD)和高效快速独立分量分析(efficient variant of Fast ICA,EFICA)的盲源分离故障诊断方法;利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(intrinsic mode function,IMF),解决了盲源分离中的欠定问题;在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离;通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。

同频无线电信号分离方法和EFICA算法分离信号的仿真分析

针对无线电干扰查找中经常碰到的非法信号与合法信号同频混合问题,介绍了同频信号分离的相关理论和主要算法,并对其中的EFICA算法及改进EFICA算法分离混合信号的方法进行仿真分析,比较改进前后算法的分离性能。结果表明,改进的EFICA算法可以有效提高同频混合信号的分离性能,使得分离出的信号更接近源信号,有更好的应用前景。

混合语音信号盲分离算法研究与应用

盲源分离技术是指在信号源信息与传输信道的参数都不知道的情况下,仅仅通过所接收到的观测信息去恢复源信号的技术。这种技术现在的应用范围十分广泛,比如在图像处理、信号探测、阵列信号处理等,但应用最多的还是对语音信号的处理,尤其是在混合语音分离的情形下。文中简要论述了EFICA与THINICA两种盲源分离算法,使用这两种算法去处理混合语音信号,记录并比较每个方法对于混合语音信号的分离效果,最终实验结果表明这两种算法对于混合语音信号分离均能取得良好的效果。

带噪混叠语音信号盲分离算法研究

盲源分离也称盲信号分离,是指在源信号和传递信道的参数均未知的情况下,仅根据输入源信号的统计特性,通过观测信号恢复各个源信号的过程。语音信号的盲分离技术在计算机听觉、语音识别、语音增强等领域具有重大的研究意义。现有的有关语音信号盲分离研究基本不考虑噪声的影响,然而在现实生活中,接收到的语音信号不可避免地混有各种噪声。因此,对于带噪声混叠语音的盲分离方法研究具有十分重要的现实意义。针对带噪声混叠语音信号,提出一种基于稀疏编码和EFICA的分离方法。首先用稀疏编码去噪方法消除带噪混叠语音信号中的噪声,然后将经过去噪处理后的观测信号用EFICA方法进行盲分离。Matlab仿真实验结果表明,该算法对带噪声混叠的语音进行盲分离效果良好。