基于辅助函数独立分量分析的频域声回波消除

传统的声回波消除(Acoustic Echo Cancellation, AEC)方法使用双端通话检测器判断单、双端通话场景,性能受限.盲源分离(Blind Source Separation, BSS)信号模型是一个远端和近端信号并存的全双工模型,因此基于BSS的AEC无需双端通话检测器.本文采用基于辅助函数的独立分量分析(Auxiliary function based Independent Component Analysis, Aux-ICA)算法在频域上实现声回波消除,以最小化互信息为目标函数,借助辅助函数技术进行优化.仿真实验结果表明,在连续的双端通话场景中,该方法具有较低的计算复杂度和较好的回波消除性能.

基于采样的二维独立分量分析的单训练样本人脸识别

人脸识别是当前人工智能和模式识别的研究热点。二维独立分量分析(two-dimensional independentcomponent analysis,2DICA)是人脸特征描述和识别地一种非常有效的方法,但是必须有一定数量和代表性的训练样本的支持。当仅有一个训练样本时,该方法中的协方差矩阵就变成了零矩阵,方法就会失效。针对这一问题,提出了一种基于采样二维独立分量分析(sampled two-dimensional independent component analysis,S2DICA)人脸识别方法。该方法是在2DICA运算之前,首先对单训练样本进行采样,通过多频率采样可以获取多个不同频率下的采样样本,然后对采样样本进行2DICA特征提取,最后采用神经网络分类识别,对人脸库ORL和YEL作了相关实验,将该方法与GREY、PCA、ICA、2DICA、PC PCA、FLDA、Sampled FLDA等传统方法作了比较,最终证明了该方法可以有效地解决单训练样本人脸识别的问题。

基于独立分量分析的脑电信号的眼电伪迹消除

介绍了独立分量分析技术的基本概念和原理,及其具有代表性的基于负熵最大的快算独立分量分析算法和基于核空间的独立分量分析算法,并分别对脑电中的眼电伪迹进行去除。通过仿真实验表明了独立分量分析算法较快速独立分量分析算法能更好去除眼电伪迹,具有较好准确性和鲁棒性。

基于独立分量分析和普鲁克分析的运动想象迁移学习策略

针对传统上基于运动想象的脑机接口系统在应用之前需要进行枯燥冗长的校准实验的问题,提出基于独立分量分析(ICA)和普鲁克分析的迁移学习算法。该算法采用独立分量分析对脑电信号进行空间滤波,对比应用多种对齐变换方法,实现对样本数据的平移和缩放。并提出欧氏空间下的旋转变换方法,以进一步匹配目标受试者与其他受试者的样本分布,实现有效的跨受试者和跨数据集的迁移学习。所提算法相较基于黎曼普鲁克分析的方法具有更好的分类性能以及计算效率,并在公共数据集PhysionetMI和BCIIV-2a上较传统机器学习算法将平均kappa值提高了约0.1和0.04。结果表明该方法能有效提高小样本下的分类正确率,这有助于降低对校准数据量的需求,从而减少校准实验的耗时。

基于独立分量分析的数字图像水印技术研究

数字水印是一项热点技术,主要应用于版权保护和信息安全方面,有诸多特点。数字水印技术具体来说就是将一些有特点的信息直接放入图片或者视频里,不会影响原图片或者视频的观感和使用价值。文章研究了基于独立分量分析方法的空域水印模型,并分别进行独立分量分析实现对水印的提取和嵌入,得出了对比后的结果。实验表明,对独立分量分析的空域水印进行提取效果一般,不过在嵌入的时候效果很好。

用独立分量分析方法实现地震转换波与多次反射波分离

独立分量分析(ICA)是新兴的一种统计学方法。其目的是寻求对非高斯分布数据进行有效表示,使得各个基分量在统计学意义上独立,或者尽最大可能独立。这种表示意在获取数据的基本结构,可有效实现特征提取和信号分离。本文概述ICA的基本理论和快速算法,并在分析地震记录特点的基础上,阐明采用ICA方法可以实现对沉积地区远震记录中转换波和多次反射波的分离。研究结果表明,ICA方法可有效地分离地震转换波和多次反射波,并由此获得较为合理的地下间断面初步解释结果,从而有利于扩展接收函数技术的应用。

基于独立分量分析的工频干扰消除技术

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。

核独立分量分析在机械振动信号分离中的应用

针对旋转机械振动信号成分复杂,甚至表现出非线性特征,文章采用核独立分量分析(KICA)对其进行预处理。与独立分量分析(ICA)不同,KICA是通过非线性映射在高维特征空间上构建了核化的目标函数,并引入核方法实现该目标函数的优化操作。仿真实验中通过比较KICA、ICA和传统KICA(DKICA)的分离信号与源信号之间的相关系数,文中介绍的KICA对混合信号分离处理具有更高的准确性和鲁棒性;实测数据实验验证,经过KICA处理的机械振动信号,其表征的振动信息更为单一,使得隐含的特征频率得到凸显,为进一步处理和分析奠定良好基础。

应用核独立分量分析的电力用户负荷曲线估计

提出了核独立分量分析算法,即白化的核主分量分析加上独立分量分析算法。该算法在电网信息不足时,利用电网部分支路的潮流作为观测值,就可以完成对用户负荷曲线的估计。经过IEEE9节点系统的仿真验证,结果表明,观测值在经过白化的核主分量分析算法处理后,非高斯性增强。应用独立分量分析算法对处理后的观测值进行盲源分离后,所得用户负荷需求曲线的估计值逼近实际值。与仅用独立分量分析方法的仿真结果相比,估计误差降低,相关系数增加。

基于改进的独立分量分析的人脸识别方法

将独立分量分析(Independen t Com ponen t A na lys is,ICA)作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于ICA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法(In form ax算法)存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用F astICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的F astICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法(G enetic A lgorithm,GA)应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。

基于部分独立分量分析的盲源分离

独立分量分析是近年来发展起来的一种可有效应用于盲源分离的多通道信号处理方法,对从观测信号中分离出信源信号有较好的性能.但独立分量分析方法的主要限制之一是信源信号统计独立,而大多数实际应用问题都不能保证这一点,使运用独立分量分析进行盲源分离的效果受到极大的影响.因此,提出了利用特征选择的方法近似获得信源信号中的独立分量,对这些分量上的观测信号运用已有的独立分量分析方法进行盲源分离,获得了较好的分离结果.

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。

基于独立分量分析的拟牛顿方法在脑电多源定位问题中的应用

在时空源模型的基础上,应用基于独立分量分析的拟牛顿方法进行多源的分离及定位,源分离的过程使得多偶极子的定位问题转化成几个单偶极子的定位,此方法的另一个优点是可以获得独立源的数目。计算机仿真表明基于独立分量分析的拟牛顿方法在定位精度、计算时间及抗噪性能等方面都要优于传统的非线性优化方法。

参考独立分量分析固定点算法

参考独立分量分析将源信号的先验信息以参考信号的形式引入到算法中,仅实现期望源信号的抽取,消除了传统独立分量分析中抽取信号的不确定性;以期望信号和参考信号的接近性度量作为目标函数提出了一个固定点算法,避免了人为选取步长,同时通过优选初值进一步提高算法的收敛速率。针对合成数据和实际的心电图数据仿真实验,证明了算法的有效性和更好的收敛性。

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术 .传统方法是采用陷波滤波器或自适应滤波 .论文则提出了用独立分量分析 (ICA)进行生物医学信号中工频干扰消除的新方法 .在简要介绍了独立分量分析的基本理论及算法的基础上 .根据三种不同的实际情况 ,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤 ,并给出了实验结果 .

利用独立分量分析法去除地震噪声

独立分量分析(ICA)作为盲源分离(BSS)的一种新方法,是分解观测数据中独立信息的有力工具。以往的ICA算法一般假设噪声可以忽略不计,而实际的观测数据中又常常包含一些加性噪声。对于加性噪声的影响不能忽略的情况下,改进的ICA算法首先利用非零时间滞后协方差,应用两步特征值分解法(EVD)可成功地去除部分加性噪声的影响;再利用ICA算法就能更好地分离出原信号。本文通过对地震理论模型和实际资料的试验,说明改进的ICA算法能够有效地克服加性噪声对常规ICA算法的影响,能够分离出地震资料中的有效信号,从而实现利用独立分量分析压制地震资料噪声的目的。

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析 ( ICA )和遗传算法 ( GA )相结合的人脸自动识别方法 ,人脸图像的独立基的获取是采用基于四阶统计信息的 ICA算法 ;为了减少计算复杂度 ,对原图像进行滤波降维 ,并用遗传算法对 ICA求得的独立基集合进行搜索得到了一个最优的独立基子集 ;最后 ,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决 .对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高 ,且计算量小于传统的基于

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。

基于频率约束独立分量分析的开关柜局部放电故障识别

针对开关柜局部放电故障检测中窄带干扰等多种噪声消除难题,为提高故障识别率,提出了一种新的局部放电故障识别方法。借助射频电流互感器和高速数据采集系统采集局部放电混合信号,运用频率约束独立分量分析方法从混合信号中分离局部放电的有效信号,克服了其它信号频谱混叠的影响,大幅度提高了信噪比。以0.4-1.1 MHz和1.8-2.7 MHz 2个频带的功率谱构造故障识别的特征向量,采用最小二乘支持向量机对局部放电故障进行识别。通过搭建局部放电实验平台验证了算法的有效性,实验结果表明,开关柜局部放电故障的识别率达98.0%,所提供的识别算法具有良好的泛化能力。