基于快速独立成分分析和支持向量回归的混合馈线线损估算

提出了一种基于快速独立成分分析和支持向量回归的架空和电缆混合配电网的线损估算方法。这种方法以混合馈线所含架空线长度、电缆线长度、馈线首端的有功和无功为特征参数,估计配电网的线损值。采用快速独立成分分析提取特征参数的独立成分,以特征参数的独立成分和线损值为支持向量回归的输入和输出,建立混合馈线的线损估算关系。实测数据的仿真结果表明,所提出的架空和电缆混合馈线的线损估算方法准确、有效、可行。

基于快速独立成分分析的RoQ攻击检测方法

降质服务(Reduction of Quality,RoQ)攻击比传统的拒绝服务攻击(Denial of Service,DoS)攻击更具有隐秘性和多变性,这使得检测该攻击十分困难。为提高检测准确率并及时定位攻击源,该文将攻击流量提取建模为一个盲源分离过程,提出了基于快速ICA(Independent Component Analysis)的攻击流特征提取算法,从若干观测网络和终端设备中分离出RoQ攻击流,然后提取表征攻击流的特征参数。接着设计了一种基于支持向量机的协同检测系统和检测算法,通过用已标记的有攻击和无攻击的样本训练SVM分类器,最终实现RoQ攻击的检测。仿真结果表明该方法能够有效检测并定位伪造IP地址的RoQ攻击,检测率达到90%以上,而选取合适的ICA参数会提高检测效果。

基于快速独立成分分析和能量比函数的串补线路故障测距

串补线路由于具有高度的非线性特性,使得常规的故障测距算法不再适用。为此本文提出一种基于快速独立成分分析和能量比函数的精确测距算法。该算法首先利用快速独立成分分析将故障行波从复杂信号中分离出来,然后运用能量比函数对分离出的信号进行处理,实现串补线路故障行波测距。由于该算法能将噪声分离出来,使得算法具有很强的抗干扰能力。ATP/EMTP仿真结果表明,该算法准确、快速、高效。

改进快速独立成分分析在胎儿心电提取中的应用

背景:胎儿心电图是反映胎儿心脏电生理活动的一项客观指标,获取的胎儿心电图受到母体心电的干扰,如何快捷、有效提取出胎儿心电成为重要的研究课题。目的:用改进的快速独立成分分析算法更快速、准确地将胎儿的心电从母体的心电信号中分离出来,以便更准确研究胎儿心电检查胎儿健康状况。方法:建立加入松弛因子和接近性度量函数的快速独立成分分析算法,旨在观察改进后的算法与原始快速独立成分分析算法在分离母体胎儿心电信号时速度和准确性上的区别。结果与结论:实验结果表明,改进后的快速独立成分分析方法能快速、有效从观察到的胎儿心电混合信号中分离出胎儿心电信号,且同时保留了其他信号。

基于局部均值分解与快速独立成分分析的潜水泵故障诊断

针对潜水泵故障诊断与分析时的信号干扰问题,提出使用局部均值分解与快速独立成分分析相结合的方法。将采集的振动信号进行局部均值分解,得出一系列的乘积函数分量,计算出每个分量与振动信号的互相关系数,选取互相关系数较大的分量进行重构并与振动信号组成矩阵,对矩阵进行快速独立成分分析处理,将处理后的有效数据进行频谱分析,得到最后的频谱图。通过具体实验,对比局部均值分解与快速独立成分分析处理后的正常运行和故障运行的频谱图,实现故障分析与诊断。实验结果表明,经过局部均值分解与快速独立成分分析处理的频谱图能够清晰地分辨出故障特征频率,提高了故障诊断的准确性。

基于快速独立成分分析的高效合作频谱感知方法

针对能量检测无法区分主用户与次用户的局限性,将基于快速独立成分分析的盲源分离算法引入频谱感知以分离主次用户的混合信号。在此基础上,提出一种基于近似负熵的判决准则对分离后的信号进行检测。针对单节点频谱感知的不可靠性,将以上算法拓展到加权合作感知,同时提出一种选择合作感知算法以降低感知数据传输开销和检测延时。仿真结果表明:所提算法能够可靠地检测主用户并能有效地提高频谱利用率。

结合快速独立成分分析算法和卷积神经网络的胎儿心电信号提取与分析方法

胎儿心电信号为胎儿异常情况的早期诊断和干预提供了重要的临床信息,本文提出一种胎儿心电信号提取与分析的新方法。首先,将改进的快速独立成分分析(FastICA)法和奇异值分解(SVD)算法结合,来提取高质量胎儿心电信号并解决波形缺失问题。其次,运用一种新的卷积神经网络(CNN)模型识别胎儿心电信号QRS复合波,并有效解决波形重叠问题。最终,实现胎儿心电信号的高质量提取与胎儿QRS复合波的智能识别。以复杂生理信号研究资源网2013年心脏病学计算挑战赛(PhysioNet2013)数据库资料对本文所提方法进行验证,结果表明该提取算法平均灵敏度与阳性预测值为98.21%和99.52%;QRS复合波识别算法平均灵敏度与阳性预测值为94.14%和95.80%,相较于其他研究成果均有较好的提升。综上,本文提出的算法与模型具有一定的实践意义,今后或可为临床医学决策提供理论依据。

独立成分分析在化学战剂混叠峰识别中的应用

在战场等复杂环境得到的混合气体的红外光谱主次吸收峰交错重叠,因此对其定性识别的特征提取方法就显得尤为重要。采集到的各种化学战剂和有机气体的红外光谱数据都是高维度数据,首先采用中心化后降维进行特征提取来尽可能多地捕获到它所包含的本质信息,由于混合气体的红外光谱是非线性、非高斯性信号,把非高斯性作为独立性度量将各成分作为独立分量分离出来,为了满足实时需求,在传统快速独立成分分析(Fast ICA)算法的基础上对其迭代过程进行优化,并应用极限学习机(ELM)建立模型进行定量分析。实验结果表明:改进算法的迭代次数较传统算法减少,定量分析均方差E=2.392 6×10-4,回归系数R=0.999,说明该方法在不影响分离精度的前提下提高了混合物质中纯物质光谱分离出来的效率。

一种融合KPCA、FastICA及SVD的腹壁源胎儿心电 信号提取算法研究

目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法。方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分。随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道。在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计。最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号。在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和PhysioNet 2013挑战赛数据库中对提出的算法进行验证。结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能。在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74%、98.85%和99.30%;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10%、97.87%和98.48%。结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持。

基于盲源分离的纱线张力信号去噪研究

针对采集到的纱线张力信号精确度低、对张力的大小读取困难的问题,课题组提出一种经验模态分解(empirical modal decomposition, EMD)、奇异值分解(singular value decomposition, SVD)、快速独立成分分析(fast independent component analysis, FastICA)相结合的纱线张力信号盲源分离方法。应用经验模态分解方法对张力信号进行自适应分解,得到多个平稳、有线性特点的本征模态函数(intrinsic mode function, IMF)分量;将本征模态函数与张力信号组成多维观测信号,对其协方差矩阵进行奇异值分解,计算邻近奇异值差值并确定源信号的数目;计算IMF分量与张力信号间的相关系数,选择IMF分量与张力信号重构,得到虚拟的多通道信号;对得到新的多通道观测信号进行快速独立成分分析运算,实现纱线张力信号的噪声分离;搭建实验平台去噪实验对该算法进行分析验证。结果表明:该方法实现了纱线张力信号的有效分离,信噪比得到了提高,与15层小波去噪相比,信噪比提高了2.678 1 dB,完成了纱线张力自由振动信号的噪声去除。

基于平行因子分析的振动信号盲分离方法研究

发动机缸盖振动信号为卷积混合信号,为消除延时滤波的干扰,提出了平行因子分析和快速独立成分分析结合的盲源分离方法,并对振动仿真信号与缸盖振动信号进行分析,结果表明:消除干扰后,分离得到的信号有更高的信噪比。利用分离信号的奇异值特征向量动态聚类对发动机进行故障诊断,应用实例表明:消除延时滤波影响后,发动机故障诊断精度提高47.17%。

一种强干扰下超弱水声信号自适应盲分离的快速算法

许多盲源分离算法对超弱信号收敛速度变慢甚至失效。文章提出一种算法 ,用FASTICA算法所得的分离矩阵作为一种基于输出去相关自适应盲分离算法的初始值 ,算法的收敛速度得到明显改善。算法的学习速率通过一种自适应算法选取 ,从而降低了算法收敛速度对学习步长的依赖。仿真结果表明 ,文中提出的算法对超弱信号特别有效 ,算法收敛速度大大增强。

基于FastICA算法的物理漏损流量分析模型

为解决传统供水管网物理漏损流量分析模型模拟准确度不高、无法体现物理漏损流量与水头关系的不确定性等问题,基于快速独立成分分析(FastICA)算法构建物理漏损流量分析模型.该模型将供水总流量划分为用水流量和物理漏损流量,并视为2个源信号.以供水总流量和管网入口处水头2个参数为输入参数,通过源信号分离获得2个流量的波形信息,通过比较相关系数确定源信号的顺序,通过水平衡方程确定物理漏损流量的真实尺度,实现物理漏损流量在时间序列上的模拟.该模型输入参数易于获取且有效避免了物理漏损流量与水头关系的复杂性,在单水源供水管网中模拟准确度较高,并且在供水管网水力模型节点流量分配中得到了较好的应用.

GPU上高光谱快速ICA降维并行算法

高光谱影像降维快速独立成分分析过程包含大规模矩阵运算和大量迭代计算。通过分析算法热点，设计协方差矩阵计算、白化处理、ICA迭代和Ic变换等关键热点的图像处理单元映射方案，提出并实现一种G-FastICA并行算法，并基于GPU架构研究算法优化策略。实验结果显示：在处理高光谱影像降维时，CPU／GPU异构系统能获得比CPU更高效的性能，G—FastICA算法比串行最高可获得72倍加速比，比16核CPU并行处理快4～6．5倍。

基于线谱特征保持的单枚浮标多目标信号分离算法

针对单枚被动全向声纳浮标多目标信号的分离问题,提出联合非负矩阵分解(non-negative matrix factorization,NMF)和快速独立成分分析(fast independent component analysis,FastICA)的多目标信号盲分离算法。首先,基于空间与谱间相关性优化NMF算法,以增强NMF算法对水声信号调制线谱特征的适应性,提高对线谱的保持优势;然后,以NMF基矩阵优势结合FastICA算法实现水声多目标信号的盲分离。仿真信号实验结果表明,所提算法取得了较高的信号分离精度,可以较好地保持信号的调制特征,同时对分离信号进行了一定的降噪增强,更好地保证了后续目标识别的特征支撑。

基于EFICA的AD微阵列数据基因网络分析

将EFICA(Efficient Variant of Algorithm FastICA)方法与基因网络相结合分析一组阿尔茨海默病(AD)微阵列数据.根据分类结果提取特征基因集并探寻与早期AD相关的基因网络,实验结果表明,EFICA方法比传统的Fastica方法能够获得更好的分类效果.并且通过对基因网络的研究,扩展了EFICA在生物信息学中的应用,为AD疾病的进一步研究提供新思路.

FastICA算法的收敛性与一致性分析

快速独立成分分析(Fast Independent Component Analysis,FastICA)是解决盲源分离问题使用最广泛的方法。在实际中,只能得到有限数据样本,所以采用的均是基于样本的FastICA算法。而常见的FastICA算法的收敛性分析均属于全集FastICA算法的收敛性分析,所以研究基于样本FastICA算法的收敛性和算法的一致性有至关重要的意义。以一种更简洁的方法证明了全集FastICA的相关收敛性质,包括对比函数的局部极大值和FastICA迭代函数不动点之间的关系。引入狄拉克函数,构造观测信号的概率密度函数,通过大数定律,给出了基于样本的FastICA算法收敛性条件。依据M-估计一致性定理,证明了FastICA给出的估计是一致估计。仿真实验的结果验证了FastICA估计的一致性。

融合峰值最大化小波分析与fastICA的胎儿心电提取

目的:针对母体心电信号和胎儿心电信号重叠度太高,导致胎儿心电分离精度低、受母体心电信号干扰的问题,提出一种峰值最大化的小波分析与快速独立成分分析(fast independent component analysis,fastICA)结合的胎儿心电提取算法。方法:首先对母体腹部混合信号(包含母体心电信号和胎儿心电信号)进行白化和去均值处理,再利用峰值确定小波包分解点,以降低混合信号重叠程度;然后利用基于负熵的fastICA分离混合心电信号,得到含有噪声的胎儿心电信号;最后使用小波去噪去除信号中的噪声和基线漂移。结果:该算法提取的胎儿心电信号比基于峭度的fastICA算法提取的胎儿心电信号更清晰,收敛性更好。结论:该算法能在母体心电信号和胎儿心电信号重叠度太高的时候,对胎儿心电信号进行有效分离,满足目前医疗市场上对提取胎儿心电信号的需求。

基于独立成分分析的火电厂数据重构方法

独立成分分析的数据检验方法在对测量参数相关性分析的基础上,通过对一个多元数据的非奇异变换,使变换后的数据分量相互独立,再通过独立成分分析进行信号复原,实现测量数据的重构。研究了测量数据的独立成分的分析过程,阐述快速独立成分分析算法原理,介绍基于此的冗余传感器诊断方法。采用快速独立成分分析算法对某电厂600 MW机组主蒸汽压力数据进行分析和重构,结果表明采用独立成分分析重构的各个测量参数可对故障仪表进行有效的数据检验。

基于独立成分分析的激光回波信号去噪方法

半导体激光云高仪后向散射信号较弱,同时受到了各种噪声的干扰,因此,如何采取有效措施去除回波信号中的噪声是半导体激光云高仪信号检测的首要任务和难点。根据独立成分分析(ICA)的冗余取消特性,提出利用快速独立成分分析算法对半导体激光云高仪后向散射信号进行去噪。针对快速独立成分分析去噪时需要多元信号的要求,取连续测量的多组回波信号作为观测变量,然后通过快速独立成分分析算法进行信噪分离,得到有效源观测信号,从而实现噪声的有效消除。实验结果表明,该方法能有效去除半导体激光云高仪回波信号中的噪声,在半导体激光云高仪回波信号处理上具有实用价值。