传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.

基于小波包-变分贝叶斯独立分量分析的源信号盲分离方法

结合小波包分析和变分贝叶斯独立分量分析的各自优点,提出了一种基于小波包-变分贝叶斯独立分量分析的盲源分离方法,该方法利用小波包对观测信号进行分解,将得到的重构的小波包系数组成新的观测信号,再利用变分贝叶斯推论对源信号进行估计。仿真结果表明,该方法是有效的,即使在非常低的信噪比噪声混合下,也能得到非常满意的分离效果。

基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法

针对传统基于随机初始化的变分贝叶斯独立分量分析(VBICA)方法的不足,即随机初始化导致经过不同的学习得到的分离结果存在差异性,提出了一种基于主分量分析(PCA)的变分贝叶斯独立分量分析的盲源分离方法,在提出的方法中,利用PCA来初始化模型参数。并与传统的变分贝叶斯独立分量分析方法进行对比。仿真结果验证了该方法的有效性,提出的方法不仅比传统的VBICA方法取得了更好的分离性能,并且保持分离结果的稳定性,克服了传统的VBICA方法的不足。

变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究

传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。

vbICA方法用于GNSS坐标序列共模误差提取研究

全球导航卫星系统(global navigation satellite system,GNSS)坐标序列精度主要受共模误差(common mode error,CME)影响。为提高GNSS坐标序列精度,采用变分贝叶斯独立分量分析方法(variational Bayesian independent component analysis,vbICA)提取实验区20个GNSS测站坐标序列的CME,并对比分析vbICA与主成分分析(principal component analysis,PCA)和独立分量分析(independent component analysis,ICA)的滤波性能。结果表明,vbICA滤波效果优于PCA和ICA;经vbICA滤波后,E、N、U方向坐标残差序列均方根(RMS)平均降低36.57%、31.63%、10.97%,距离相关系数平均降低60.53%、56.84%、25.80%;扣除CME后,GNSS速度场估计更加可靠和精确,可有效提高GNSS坐标序列精度,为地球动力学研究提供可靠的数据支撑。

基于VbMoICA的机械故障盲源分离研究

用独立分量分析(ICA)分解和表示数据时,假设整个数据分布完全可以用一个坐标系来描述。然而,当观测数据是由许多自相似的、非高斯的流形组成时,则硬是用一个单独的、全局的表示是不合适的,这样会产生一个次优的表示。针对ICA在盲源分离中的不足,在变分贝叶斯理论的基础上提出了一种基于变分贝叶斯混合独立分量分析的机械故障源盲分离方法。该方法是考虑到源信号来自于多个坐标系,然后在多个坐标系下建立独立分量分析混合模型对观测信号进行学习分离。实验结果表明,本文提出的方法是非常有效的。