基于最小联合互信息亏损的最优特征选择算法

提出了一种基于最小联合互信息亏损的最优特征选择算法。该算法首先通过一种动态渐增策略搜索一个特征全集的无差异特征子集,并基于最小条件互信息原则在保证每一步中联合互信息量亏损都最小的情况下筛选其中的冗余特征,从而得到一个近似最优特征子集。针对现有基于条件互信息的条件独立性测试方法在高维特征域上所面临的效率瓶颈问题,给出了一种用于估计条件互信息的快速实现方法,并将其用于所提算法的实现。分类实验结果表明,所提算法优于经典的特征选择算法。此外,执行效率实验结果表明,所提条件互信息的快速实现方法在执行效率上有着显著的优势。

基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用

提出一种利用盲源分离技术对齿轮箱混合故障进行诊断的方法。该方法以最小互信息量为准则,采用自然梯度的自适应算法求解统计独立源信号的估计值,并根据分离信号的频谱成功地提取了混合故障的特征信息,有效地诊断出齿轮箱所处的故障状态。

基于最小互信息原理的机械振动源分离研究

盲源分离技术是近年来出现的一种先进的信号处理方法。该文推导了基于最小互信息原理的自然梯度法,用于机械振动信号源的分离。实验证明,该方法是分离机械振动信号源的一种有效方法。

阵列天线系统的最小互信息盲接收器

提出了平衰落信道中阵列天线多输入多输出(MIMO)系统的基于广义高斯分布近似的最小互信息盲接收器(GGMIR)。该接收器采用输出信号的广义高斯分布近似,基于互信息目标函数最小化的方法自适应调整接收器的系数。比较了基于广义高斯分布近似和非线性变换(NLMIR)的两种最小互信息盲接收算法。实验表明基于广义高斯分布近似自适应盲接收算法GGMIR比NLMIR算法有更快的收敛速率,得到的信号星座图有更大的距离和更好的误码性能。

基于最小互信息的盲源分离技术在图像处理中的应用

本文基于最小互信息原理,推导了基于自然梯度法的盲源分离算法,将其应用于图像信号处理部分进行图像分离,并采用Matlab对算法进行仿真。理论分析和仿真结果表明该算法能够有效地进行图像分离。

神经能量与神经信息之间内在动力学关系初探

根据信息论的基本原理和方法,运用最小互信息和最大熵原理对神经编码进行研究和分析.通过对两个原理的基本介绍,描述了最小互信息和最大熵原理是如何用于评估神经反应中的信息量.研究结果表明神经信息的表达和神经能量的利用率密切相关,并发现高度进化的神经系统在能量的消耗和利用上严格遵循着经济性和高效性两个基本原则.为了验证神经信息处理与能量利用率的关系,提出了信能比的新概念,用于衡量最大熵原理对应神经系统在能量利用率上的经济性和高效性.并通过数值计算证实了一个猜想,即神经系统所消耗的能量反映了神经信息处理的内在规律,这为进一步研究一种崭新的神经信息处理原理——能量神经编码奠定了重要的理论基础.

一种结合均值和互信息的线上AP选取新算法

探讨了基于RSS（received signal strength）的WiFi室内定位技术的AP（access points）选取算法,并分析了两种现有AP选取算法对WiFi室内定位性能的影响。基于均值最大的AP选取算法存在无法顾及AP相互干扰的局限,而基于线上互信息最小的AP选取算法计算过程复杂,当AP个数较多时,其时耗较大,同时难以完全摒弃观测质量过差的AP。考虑到上述两种方法的局限,提出了一种线上AP选取新算法,首先利用均值最大选取算法对AP进行预处理,从而加快AP选取的速度,并剔除部分观测质量较差的AP,然后利用互信息进行AP的精确选取。实验分析表明,新算法能够有效地提高位置估计的速度,并且改进了位置估计精度。

广义高斯混合模型的自适应盲信号分离

针对传统盲信号分离算法中信号概率密度函数计算速度慢、计算效果一般等问题,提出一种广义高斯混合模型的自适应盲信号分离算法。该算法根据信号拖尾特性的不同,自适应地选取t分布与广义高斯模型,分别估计重拖尾信号和轻拖尾信号的概率密度函数,通过建立峭度和形状因子的查找表得到不同信号评价函数的估计值,并对亚高斯信号和超高斯信号的混合信号进行有效分离。实验结果表明,该算法能对传统算法难以分离的重拖尾与轻拖尾混合信号进行快速有效的分离,具有较好的分离效果。

独立分量分析及其应用

独立分量分析是近年来兴起的一种高效的信号处理方法。它主要解决的问题是如何从观测到的混合信号中分离或提取出各个源信号。简要介绍了独立分量分析的数学模型、数学原理等基本问题,分析了现有的几种独立分量分析的主要算法,最后介绍了独立分量分析的主要应用领域,并对以后的研究方向进行了展望。

全局参数估计的水下目标偏振复原方法

水体介质对光的吸收和散射是导致水下成像退化的两大主要影响因素。针对水下目标成像,本文提出了一种全局参数估计的水下目标偏振复原方法,利用构建的精简水下目标偏振重构模型,通过自动估计全局最优偏振信息重构参数,复原出水下目标图像,降低水体对图像质量的影响。在估计重构参数的过程中,首先,采用偏振中值滤波方法和基于亮原色原理的方法,分别估算水下背景光偏振度信息和无穷远处水下背景光强值;再利用基于最小互信息原则对估计的背景光偏振度信息进行优化;然后采用水下目标偏振图像增强算法将得到的水下目标重构图进行细节增强处理,最终获得复原后的水下目标辐射信息图。实验结果表明,在性能评价指标方面,相较于水下原图和其他水下复原方法处理图,利用本文方法处理后所得的图像增强测量值EME平均提高了120%,图像质量得到了明显的改善。该方法解决了人工取景估计参数不佳的问题,提高了复原目标图像的对比度,可以用于浑浊水下的目标探测与识别。

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题,由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量,这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低.为此,本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件,并在此基础上用高斯混合模型来估计信号的概率分布,提高了信号概率密度估计的精度;同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法,提高了算法的收敛速度.通过对船舶辐射噪声信号的盲分离实验,证明了此分离算法是有效的.

盲信号分离的现状和展望

盲信号分离是近几年才发展起来,用于解决从混合观测数据中分离源信号的一门新技术,已在许多领域获得了广泛应用。本文介绍了盲分离的主要理论和两大类实现方法——独立分量分析和非线性主分量分析,并在此基础上介绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将来的发展方向。

基于源信号之间统计独立性的 ICA方法的等价性研究

引入了基本ICA问题的发生模型;通过对基于源信号之间统计独立性的三种基本ICA方法(极大似然法、最大信息法和最小互信息法)的推导结果的对比,得出了这三种算法是完全等价的结论;并通过仿真实验,验证了这些算法的有效性。

基于MISEP算法的瞬时混合模型非线性电路的信噪盲分离

针对非线性电路信噪分离问题,提出基于互信息的信噪盲分离算法,用以对非线性电路的测量信号进行补偿.首先面向瞬时混合模型下的非线性电路,将用于计算分离信号的模块与用于调整参数的模块进行反馈级联,构造多层感知机网络;然后采用含随机噪声的电路测量数据,以最小互信息为目标对该网络进行训练,直至代价函数值收敛于预设的误差范围;最后利用训练好的网络进行非线性电路盲源分离问题的解算.对前非线性电路、后非线性电路和单级放大器的实验结果表明,该算法分离出的信号和噪声在时域波形和功率谱特征方面均与输入相符.

基于改进遗传算法的盲解卷积

针对时域盲解卷积存在求解变量多、收敛速度慢、容易陷入局部最优等问题进行了研究,提出一种防止遗传算法局部收敛的"监测策略",可以实时监控算法向全局最优解靠近的情况;同时对交叉概率、变异概率等关键技术进行相应设计,该算法能够自动跳出局部最优,快速地收敛于全局最优解。在概率密度估计的基础上,得到时域盲解卷积的基于最小互信息的分离准则。以此最小互信息准则确定遗传算法的寻优标准,快速地实现了时域盲解卷积。使用Matlab软件仿真验证了该时域盲解卷积算法的有效性。

基于仿射投影--独立分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离(BSS)收敛慢问题,以BSS的独立分量分析(ICA)为基础,结合APA思想,设计出BSS的APA-ME、APA-MMI、APA-EASI新算法。在这些新算法中,输出向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了BSS的收敛速度。仿真结果表明,APA-ICA类的BSS算法是有效的。

基于反馈神经网络的图像盲分离

介绍基于神经网络的盲源分离算法的原理和结构,针对基于最小互信息后馈神经网络,建立了新的盲源分离算法,比起简单的独立分量分析,该算法可以更有效地对混合图像进行分离,计算机仿真实验验证了该算法的优良性能。

基于多层神经网络和PReLU函数的后非线性BSS算法

本文提出了一种以多层神经网络来估计概率密度函数的后非线性盲源分离算法.该算法将PReLU函数作为激活函数,并对概率密度函数进行自适应逼近,以最小互信息作为基本准则来构建目标函数测试独立性.最后用改进后的自然梯度算法推导出分离矩阵和迭代公式,以此来更新目标函数.仿真实验证明所提算法可以有效分离非线性混合信号.

多特征值分解的稀疏混沌信号盲源分离算法研究

针对受到噪声干扰的激光混沌源信号高精度重构的问题,本文提出了一种基于相位空间重构混沌流信号的盲源分离算法。该算法首先对分离信号的相位空间进行时间延迟重构,然后将分离矩阵作为待优化参数,通过在相空间中构建目标函数,将盲源分离问题转换为优化问题,应用粒子群优化算法求解最优分离矩阵,进而将观测数据乘以最优分离矩阵来重构源信号。实验结果表明,该算法不仅具有快速收敛的特点,其精度明显优于各种噪声强度下现有的独立分量分析方法。