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。

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。

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。

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。

改进的快速独立分量分析在语音分离系统中的应用

为了提高语音分离系统的处理速度和去除其内部噪声,提出了改进的快速独立分量分析算法。首先,运用时频二值掩蔽模型,在前期的处理中滤除语音数据中的部分噪声。其次,运用牛顿插值的思想,用一阶均差来代替迭代中的求导,提高语音信号分离速度。最后,建立系统分离模型和三麦克风阵列,并进行改进算法与经典算法的处理时间的对比实验。实验结果表明,该算法可以实现对一段包括人声、音乐声和随机噪声的混合语音的分离,并且处理效率比经典算法提高了13.5%。

一种改进的快速独立分量分析方法在信噪分离中的应用

通常在信号分析过程中,由于测试环境存在诸多的干扰因素,使得故障信号中存在大量的噪声信息,因此,在提取信号中的故障特征之前,需要对其进行信噪分离,以确保提取到有用信息。在研究传统独立分量分析方法的基础上,提出了改进的快速独立分量分析方法。试验表明,采用改进的快速独立分量分析方法不仅大大提高了信噪分离的效率,而且能有效地提取信号中的故障特征。

基于快速独立分量分析与改进随机子空间算法相结合的次同步振荡模态辨识

为了提高电力系统次同步振荡参数辨识精度,针对次同步振荡采样信号存在强噪声干扰和系统模态阶数定阶难的问题,提出一种快速独立分量分析技术和精确模态定阶改进随机子空间相结合的次同步振荡辨识方法。首先利用快速独立分量分析技术对采样信号进行噪声和原信号的分离预处理,然后将处理后的信号作为新的信号输入到随机子空间算法,针对随机子空间算法存在系统模态阶数定阶难的问题,用精确模态定阶方法予以改进,避免出现虚假模态和模态遗漏的现象,最终快速确定主要模态,准确地辨识出信号的模态参数。通过理想算例、风电场标准模型和电网实测数据进一步分析验证,结果表明所提方法能够有效降低噪声干扰,缩短辨识时间,准确地辨识出信号的主要模态,提高了辨识精度。

基于快速独立分量分析的异步多用户检测方法

深入分析了非理想功率控制下异步CDMA多用户接收机的信号特点,推导出了多小区接收信号模型。提出了基于快速独立分量分析(Fast Independent Component Analysis,FastICA)的异步多用户检测方法,该方法具有抗远近效应,抗多址干扰的能力。仿真结果表明:该算法具有迭代次数少、计算量小、多用户分离效果好的优点,非常适合于非理想功率控制下的多用户检测,该方法大大提高了非理想功率控制下多用户接收机的性能。

基于快速独立分量分析算法的气体绝缘开关设备局部放电混合信号分离与缺陷类型辨识

为解决气体绝缘开关设备(GIS)内多种绝缘缺陷并存时的混合局部放电(简称局放)的信号分离和缺陷类型辨识问题,提出了基于快速独立分量分析(FastICA)算法的GIS局放混合信号分离与模式识别方法。该方法具体包括:采用FastICA算法从局放混合信号中分离出单一局放信号,针对各单一局放信号,提出的模式识别策略是通过增添相反符号和幅值归一化的单一局放信号用于分类器训练或者使用对信号符号不敏感的特征(如分形特征等)作为分类特征。算例分析结果表明,提出的方法能够实现GIS多绝缘缺陷局放信号的有效分离,并能对分离出的单一局放信号进行准确缺陷类型辨识,且具有抗噪能力强、计算速度快、robust性好等优点。

基于快速独立分量分析的红外运动小目标的检测

针对红外图像运动小目标的特点,将包含复杂背景和运动小目标的图像序列视作混合信号,目标可视作为其中一个独立分量,应用快速独立分量分析(FastICA)将此独立分量从混合信号中分离出来,以检测出运动小目标。试验结果表明,此分析方法简单,速度快,适应性较强。

基于快速独立分量分析的谐波间谐波频谱分离算法

在非同步采样条件下,若电网采样信号中谐波和间谐波相邻,会出现严重的频谱干涉问题,且无法识别出信号中实际频率成分。针对以上问题,提出了一种基于快速独立分量分析(Fast ICA)的频谱分离算法测量谐波和间谐波参数。首先构建了多频率成分模型,将频谱中的谱线表示为多个频率成分分量的叠加,然后利用Fast ICA算法和最小二乘法得到频率成分参数,最终实现了对相邻多频率成分的测量。仿真结果表明,该算法可以在需求谱线数较少的情况下准确识别频率成分并保持较好的测量精度,且具有一定的抗噪能力。

一种基于快速独立分量分析的图像水印算法

本文提出了一种基于快速独立分量分析的图像水印算法。该方法是把一幅二值水印图像嵌入到原图像的小波逼近子图中 ,检测时利用一种FICA(快速独立分量分析 )方法来提取水印。实验证明 ,该水印具有较好的透明性和较好的鲁棒性。

快速独立分量分析及其在脑电信号处理中的应用

独立分量分析(IndependentComponentAnalysis,ICA)是一种基于信号统计特性的盲源分离方法,由于其分离的信号之间是互相独立的,所以在生物电信号去除干扰和伪迹、信号分离以及特征提取等方面有很大的潜在价值。本文提出了一种改进的快速ICA方法,提高了收敛速度。通过仿真,证明这种方法的优越性。最后利用该方法去除脑电中眼动伪迹,达到了较好的效果。