改进的复值快速独立分量分析算法

针对复值快速独立分量分析算法(CFastICA)对初始权值敏感且收敛速度较慢的问题,提出了改进的CFastICA算法。该算法首先利用牛顿下降因子优化牛顿迭代的收敛方向,使分离矩阵在一定程度上接近最优值,然后去除牛顿收敛因子,利用普通牛顿迭代实现分离矩阵快速收敛。仿真实验表明:提出的算法拥有和牛顿下降CFastICA同样的收敛精度,收敛时间比牛顿下降CFastICA减少了近53%,且在低SNR下,提出算法的综合收敛性能明显优于CFastICA和牛顿下降CFastICA算法。

基于复值独立分量分析的配电网谐波状态估计

针对独立分量分析算法在谐波阻抗未知条件下无法准确估计谐波电流幅值的问题,提出基于复值独立分量分析法的相量比例系数计算方法,来估计谐波电流的幅值和相位。首先采用复值独立分量分析法估计谐波电流相量初始值;然后考虑到系统侧等效阻抗远小于负荷侧等效阻抗,忽略线性负荷对谐波电流的分流作用,推导出2种不同情况下相量比例系数的计算方法;最终确定谐波电流幅值和相位。利用IEEE 14节点配电网系统和某地区局域电网对该方法进行验证,并与现有独立分量分析法对比,结果表明该方法能在谐波阻抗未知条件下准确地估计出谐波电流幅值和相位。

基于特征值分解和快速独立分量分析的谐波/间谐波检测方法

针对电力系统谐波污染问题,提出了基于特征值分解和快速独立分量分析(FastICA)的谐波/间谐波检测算法。该方法在不需要任何先验知识的情况下,将单道电力系统混合信号通过时间延迟构造出多道观测信号,对其自相关函数进行特征值分解确定原谐波/间谐波信号中源信号频率成分的个数,确定观测信号矩阵的阶数,再利用FastICA算法对谐波/间谐波信号中各个频率成分进行分离提取,借助频谱分析得到各个成分的频率估计。在此基础上,借助最小二乘法对谐波/间谐波信号进行幅值和相位估计。通过仿真实验与其他经典算法比较,充分说明了所提出算法的可行性、准确性和有效性。

在线复值独立分量分析算法

基于复向量不相关特性和复值非线性函数,提出一种在线复值独立分量分析算法.结合非正则复向量的协方差矩阵和伪协方差矩阵构造出了新的代价函数,进而提出新算法,通过复非线性不相关,从混合信号中提取出复值独立分量.由于充分利用了非正则复向量不相关的特性,获得了更多有用的信息量,因此算法的收敛速度更快、提取效果更好,并且在线方式下算法更加稳定.仿真试验表明,所提出的在线复值独立分量分析算法更具有实际应用前景.

应用复值独立分量分析实现特征融合识别

介绍了复值独立分量分析(Complex ICA)的基本原理和算法,提出了基于复值独立分量分析的目标识别方法并将其应用于多传感器融合的目标识别中。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。在本文的实验条件下,提出的方法获得了92.1%的识别准确率,远优于传统ICA方法的78.1%和PCA方法的76.2%。

一种改进的复值信号独立分量分析算法

独立分量分析方法无需完整的系统先验知识,可用于多天线移动通信系统多用户盲接收机。为了改善收敛速度,采用修正的具有三阶收敛速度的牛顿迭代法的近似公式,提出了一种改进的复FastICA算法。并将该算法应用于多输入多输出系统中进行仿真,结果表明新算法在与传统的复FastICA算法分离效果相当的情况下,迭代次数减少了16.5%,加快了收敛速度。

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。

基于奇异谱和稳健独立分量分析的星载AIS接收信号分离算法

[目的]在高密度流量地区,船舶经常出现自动识别系统(AIS)信号碰撞的问题,故对接收机的分离性能和实时性能均提出了很高的要求。[方法]针对不同信噪比(SNR)下的混合信号,提出一种基于奇异谱分析(SSA)与稳健独立分量分析(RobustICA)的分离算法S-RICA。通过对单通道AIS信号的Hankel矩阵分别开展奇异值分解和时间序列重构,并利用奇异谱分析代替传统的独立成分分析(ICA)中的白化预处理,再采用峰度对比函数来计算分离矩阵每次迭代的最优步长,从而快速获取最优分离矩阵。[结果]仿真实验结果表明,当信号长度改变时,S-RICA的信号均方误差均可稳定在1.5左右,而快速独立分量分析(FastICA)算法则极不稳定;当SNR为0~9 dB时,S-RICA的误码率为0.97×10^(-2)~1.97×10^(-2),其性能较RobustICA和FastICA提升了1个数量级,且其在SNR为0~7 dB时比S-FICA提高了4~6 dB;S-RICA的平均计算时间和迭代次数分别为18.5 ms和13.6次左右,具有明显的优势。[结论]在样本容量和SNR变化的情况下,S-RICA均表现出更为优异的分离性能,研究成果可为S-RICA在未来星载AIS系统中工程应用提供参考。

快速独立分量分析算法在局放超声阵列信号去噪中的应用

根据阵列信号去噪需要最大限度保留"相位差"信息的要求,提出采用快速独立分量分析(fast independent component analysis,FastICA)对含噪局放超声阵列信号进行去噪处理。首先通过分离矩阵U实现混合信号中源信号与噪声信号的逐次分离;然后采用波形相似性原则对分离后的信号进行盲抽取,获得去噪后局放超声信号;在此基础之上,对局放超声阵列信号模型进行了重构。同时,提出以阵列流型平均相角差、波形变化趋势、波形相似性以及去噪前后的信噪比等参数对局放超声阵列信号的去噪效果进行综合评价。最后,将FastICA用于实验室实测局放超声阵列信号的去噪。结果表明,FastICA能够很好的抑制局放超声阵列信号中的白噪声,在保证高信噪比的情况下,可最大限度地保留阵列信号的"相位差"信息,确保良好的测向效果。

一种基于负熵最大化的改进的独立分量分析快速算法

在深入分析FastICA算法的基础上,提出了一种基于牛顿迭代算法和最速下降法相结合的独立分量分析改进算法。仿真结果表明,改进的算法能有效提高收敛速度,避免原算法中收敛速度不均匀问题。

基于快速独立分量分析的模态振型识别方法研究

快速、准确地识别出结构的模态参数,特别是结构的振型是结构损伤精确识别与健康监测的重要前提。大多的模态参数识别时域方法都是从曲线拟合的角度或解算特征值的过程来实现。振型向量通过求解各阶模态的留数获得,这些方法依赖于模态频率与模态阻尼的识别。本文提出一种模态振型的直接提取方法,该方法基于快速独立分量分析技术,以模态响应之间的独立性构造目标函数,通过优化目标函数寻求振型向量的最优解,直接从结构自由响应或脉冲响应的数据矩阵中提取结构的振型向量。三自由度数值算例表明该方法有效,具有很高的识别精度且对测量噪声具有很好的鲁棒性。

基于快速独立分量分析的系统侧谐波阻抗计算方法

提出一种基于快速独立分量分析(FastICA)计算系统侧谐波阻抗的方法。根据系统侧和用户侧谐波源变化近似独立,用FastICA对公共耦合点电压与电流波动的x-y正交分量解混得到独立分量,利用最小二乘法求得混合系数;根据混合系数之间的线性关系,计算系统侧谐波阻抗值。该方法考虑系统侧和用户侧谐波的共同影响,一定程度上削弱了系统侧谐波变化的干扰,在谐波源相角波动较大情况下,具有更高的计算精度,且无需先验数据匹配。仿真分析和现场数据计算结果表明,该方法可以有效抑制系统背景谐波干扰,得到更为准确的系统侧谐波阻抗值。

双树复小波和独立分量分析的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于双树复小波变换和独立分量分析(ICA)的检测方法。对图像作预处理:利用双树复小波对原始图像进行去噪,再利用Top-hat算子抑制背景;从原始图像减去通过快速独立分量分析(FastICA)分离出的背景图像,用双树复小波去噪;上述2方面得到的图像求和即为预处理图像。采用模糊Tsallis-Havrda-Charvat熵选取阈值来分割预处理图像。针对红外小目标图像进行了大量实验,并和基于快速独立分量分析的目标检测方法、基于形态滤波的目标检测方法进行了比较。结果表明,本文方法抗噪性强,具有更为优越的检测性能。

快速独立分量分析方法在感应电动机故障检测中的应用

以检测到的交流感应电动机定子电流为实验数据,对定子正常和故障电流信号进行分析和比较,将基于快速独立分量分析的方法用于提取相应故障信号的特征点,进而对感应电劝机的故障进行检测和诊断.实验结果表明,将快速独立分量分析方法应用于感应电动机故障检测是可行的.

结合广义S变换和快速独立分量分析的局放信号中窄带干扰抑制方法

针对现有方法对局部放电(partial discharge,PD)信号中窄带干扰抑制效果较差的问题,提出了一种基于广义S变换和快速独立分量分析的窄带干扰抑制方案。该方案首先利用广义S变换对染噪PD信号进行时频分析,在染噪PD信号的时频分布图中,根据窄带干扰和PD信号的不同时频特征,可以确定窄带干扰的特征区域;然后在窄带干扰的特征区域中,利用Candan算法对窄带干扰的频率进行估计;最后利用窄带干扰频率估计值和快速独立分量分析方法分离出PD信号,实现窄带干扰抑制。仿真和实测结果说明,所提方法可以有效抑制染噪PD信号中窄带干扰,并且能准确获取PD信号的波形特征,对比传统的奇异值分解方法和快速傅里叶变换滤波方法,文中方法对窄带干扰的抑制效果更好,残余干扰的能量较小。

基于快速独立分量分析的脑电波信号降噪

针对原始脑电波信号存在非平稳性且非常容易受到各种信号的干扰等特点,对基于小波变换和快速独立分量分析的脑电波信号的滤波降噪方法进行了研究,说明了小波变换和快速独立分量分析的降噪原理,并通过对利用MindSet耳机采集得到的原始脑电波数据的处理,证明了快速独立分量分析算法可以将原始脑电波信号中包含的心电伪迹和工频干扰等多种干扰信号成功地分离出来,同时比较了两种方法的性能,验证了基于快速独立分量分析的降噪方法具有明显的优越性。

基于独立分量分析与小波包分解的混叠声源信号波形恢复

通过联合应用独立分量分析与小波包分解,提出一种混叠声源信号波形恢复的新方法。首先,借助基于奇异值分解的聚类分析估计原始多通道混合声观测中的独立源数。在此基础上,依据最小相关准则削减原始观测维数。随后,利用独立分量分析的冗余取消特性,由被削减的新观测出发初步抽取各独立源分量。最后,基于小波包分解进行信号消噪,实现多个混叠声源信号的波形恢复。实验结果表明,基于独立分量分析与小波包分解联合的新方法,能有效分离并正确恢复被噪声强烈污染的混叠声源信号波形,从而为后续的应用(如声源识别、声学故障诊断等)奠定了基础。

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。

基于快速独立分量分析的音频盲数字水印算法

针对盲水印技术中存在稳健性差、提取过程复杂等问题,提出了基于快速独立分量分析(FastICA)的音频数字水印算法。嵌入水印前,对水印进行置乱加密预处理。嵌入时,对原始音频进行DCT变换,在变换后的信号中利用随机混合的方法嵌入置乱加密的水印信号,然后利用DCT逆变换重构音频信号。提取时,首先对嵌入水印的音频信号进行DCT变换,然后采用基于正交对称矩阵的FastICA方法进行水印提取。实验表明,该算法在稳健性和透明性方面均有很好的效果,产生的水印可以作为版权保护的依据。

基于维纳滤波和快速独立分量分析的P300提取方法

应用维纳滤波和快速独立分量分析技术 ( Fast ICA) ,提出一种诱发电位 ( EP) P30 0分量的少次提取算法。首先由少次刺激平均后的 EP和具体一次刺激信号构造维纳滤波器 ,对滤波后的结果进行叠加平均得到新的EP,然后利用 Fast ICA实现 EP与伪迹噪声的盲分离 ,最后通过人工或自动的方式识别出伪迹分量 ,将该分量移去进行算法的重新映射 ,提取出信噪比较高的 P30 0。实验结果表明 ,本文算法能取得较好的 EP提取效果 ,同时由较少的刺激次数就可获得易于辨识和测量的 P30 0 ,避免了过多刺激导致的神经疲劳及波形失真。