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。

基于盲源分离的一种快速独立分量分析算法

基于盲源分离理论提出了一种快速独立分量分析 (FastICA)算法 .该算法以负熵作为独立性判决准则 ,在迭代过程中引入遗忘因子 ,加快了算法的收敛速度 .仿真结果表明 ,该方法能快速。

光偏振复用正交频分复用系统中基于联合近似特征矩阵对角化-独立分量分析的盲均衡算法

该文提出一种在光偏振复用正交频分复用(PDM-OOFDM)系统中基于联合近似特征矩阵对角化-独立分量分析(JADE-ICA)的盲解偏振复用算法。在传统的偏振复用系统中,恒模算法(CMA)被用于解偏振复用信号。然而,该方法需要多次对CMA滤波器系数更新,CMA收敛时间较长,并且CMA算法解偏振复用可能导致奇异性问题。该文结合对经典ICA算法及其模型的分析,提出将JADE-ICA算法用于PMD-OOFDM系统中进行解偏振复用信号。利用该方法,可以分离在发送端和接收端混有高斯白噪声的偏振信号成分,并且提高了系统中偏振信号的分离性能;同时,避免了传统CMA在解偏振复用中的奇异性问题。仿真结果表明,该文方法可以有效分离PMD-OOFDM系统中的偏振信号。

快速独立分量分析法识别结构模态参数研究

采用快速独立分量分析(FastICA)算法,快速、准确地识别结构模态参数.该算法以模态响应之间的独立性为依据构建出目标函数,并以此目标函数为基准采用ICA算法对结构输出信号进行分离,而得到结构振型向量.进而通过单模态识别技术-希尔伯特(Hilbert)变换,识别出结构的频率和阻尼比.最后通过白噪声激励下六层框架结构的模态参数识别,验证了快速独立分量分析算法识别结构模态参数的可行性和鲁棒性.

独立分量分析算法在信号去噪中的应用

快速独立分量分析算法是近些年兴起的批量的数据处理方法。利用此方法对混有噪声的数据进行源信号与噪声信号的分离,并且以无噪声信号作为标准。通过对经过快速分量分析算法后的数据与无噪声数据相关系数的比较,证明快速独立分量分析在去除噪声方面的可行性。声学法仓储粮食的温度场检测是通过在粮仓周围布置扬声器与传声器,通过计算两个传声器接收到扬声器发出的声波飞行时间进而计算声波的飞行速度,再通过速度与温度之间关系可以得出这条声波路径上的温度。但是在实际的检测中,不可避免的将有噪声的干扰。因此本文使用快速独立分量分析的方法实现对噪声的抑制。

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。

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。

约束独立分量分析及其在脑电信号伪差分离中的应用

独立分量分析(ICA)算法是一种运用统计方法,从一系列标准信号中提取独立成分的技术。由于脑电信号是由若干相对独立的成分组成,所以运用ICA算法来处理脑电信号受到广泛关注。本文介绍了一种新型的约束独立分量分析(cICA)算法,它能解决FastICA算法在源信号分离时输出排列无序性的问题。并通过实验表明,它在脑电伪差分离时可减少人工处理的影响,且具有良好的稳健性与较快的收敛速度。

基于ICA算法的智能电子鼻在混合气体特征提取中的应用

电子鼻传感器在对环境污染的混合气体浓度监测及对工业废气检测中具有重要的作用,但由于现有算法的辨识能力和抗干扰能力差,影响提取原始信息信号的准确度;独立分量分析(ICA)方法是一种高效盲信号分离方法;它将独立的源信号从混合信号中分离出来;文中经过电子鼻传感器检测出混合气体信号,通过ICA算法对混合气体进行分解,对外界干扰噪声进行消除,从而使气体成分辨别达到很好的效果;最后经过MATLAB仿真验证,对辨识出来的原始气体成分具有高精度,强抗干扰能力。

FastICA算法及其在地震信号去噪中的应用

ICA算法是求解盲源分离问题的有效算法。建立了ICA算法的数学模型,对模型的求解条件及多解性进行了分析。给出一种基于负熵极大的FastICA算法,讨论该算法在地震信号去噪中的应用。仿真实验验证了该算法的有效性。

基于遗传算法的盲源分离算法

针对现有盲源分离算法的性能依赖于对比函数选择的现象,提出了一种基于遗传算法的盲源分离算法,该算法直接从信号的样本序列中估计出信号的概率分布,解决了信号间互信息的求解问题.通过遗传算法最小化信号的互信息,实现了对线性混叠信号的分离.对模拟信号的分离结果表明,该算法可以成功地分离混叠信号,同时与快速独立分量分析算法相比,该算法的性能对源信号的概率密度性质没有依赖,因而对亚高斯和超高斯信号的混合信号表现出更加优异的分离能力.

ICA算法在fMRI中的应用

独立分量分析(ICA)是信号处理领域新近发展起来的一种很有应用前景的方法,而脑功能磁共振(fMRI)信号的有效分离与识别是一个正在研究和实验之中的技术领域。近年来,ICA已被成功地应用于fMRI数据的处理,成为分析fMRI数据的一种很有效的方法。本文介绍了ICA在分析fMRI数据方面的应用,以及多种ICA算法在fMRI信号盲源分离中的应用,分析了三种算法的问题,给出了本人对此研究的展望。

基于EOG的阅读行为识别中眨眼信号去除算法研究

由于眼电图(EOG)能反映不同行为状态下的眼球运动模式,因此,基于EOG的阅读行为识别已经成为一个新的研究热点。为了降低眨眼信号对阅读行为识别的影响,提高正确率,本文提出了一种基于独立分量分析(ICA)的眨眼信号去除算法。该算法首先利用ICA方法从原始多通道EOG信号中分离出眨眼信号,然后通过计算各输出通道的峭度值,自动识别眨眼信号通道,将其置零后映射回原始观测信号以达到噪声去除目的。实验室环境下,对降噪后的EOG信号进行阅读状态识别,其平均正确率达到95.5%,相比较原始EOG信号、带通滤波法及主分量分析方法(PCA)分别提升了3.39%,5.00%和2.70%,实验结果验证了所提算法的有效性。

一种OFDM系统混合ICA盲频偏估计算法

在无线正交频分复用(OFDM)系统中,通信对象高速移动造成的载波频偏(CFO)会严重恶化系统的传输性能,因此必须在接收机进行精确的CFO估计。在原有快速独立分量分析(Fast ICA)算法和自然梯度ICA算法的基础上,提出一种新的混合ICA盲频偏估计算法。改进算法先优化Fast ICA算法中的步长选择和定点迭代过程,通过最小化初始估计的分离矩阵,解决信号盲源分离时存在的顺序模糊性问题,同时与自然梯度ICA算法相结合进行CFO估计。采用循环矩阵设计将待估计矩阵中的参数个数由N×N减少到N,大大降低了复杂度。仿真结果表明,改进算法与经典算法相比估计精度明显提高。

基于改进Fast ICA-BP算法在直肠生理信号处理中的研究

大便失禁是指肛门括约肌失去对粪便及气体排出的控制能力。随着医工学科的交叉发展,提出了使用人工肛门括约肌系统(AAS)来帮助患者治疗大便失禁,重建直肠感知功能,监测直肠压力和诊断直肠病变。本文改进了原括约肌执行机构,分析了直肠受力情况,进行了AAS系统的离体信号采集实验。针对AAS系统在直肠生理信号处理方面的缺失,提出了使用相空间重构(PSR)对一维直肠压力信号进行多维重建,并利用改进的快速独立分量分析(Fast ICA)算法对重构信号进行分离,提取分离后直肠信号的特征分量,采用BP神经网络进行模式识别。实验对比表明,改进的执行机构对直肠平均最大应力基本保持在12 kPa左右,保证了直肠受压区域的正常供血,实现直肠内容物的夹持。该算法迭代次数少,分离效率高,直肠功能平均诊断率达89.5%,可以实现直肠生理信号的初步处理。

基于松弛改进快速独立分量分析的同频混叠信号提取算法

针对快速独立分量分析(FastICA)算法提取多个同频混叠信号时的初值选择敏感性和收敛性能差的问题,提出了一种双松弛因子改进的FastICA(DLM-FastICA)算法。先在牛顿迭代法中引入双松弛因子,通过自适应调节分离矩阵的组合系数得到最优权值分离矩阵,从而改善FastICA算法的初值敏感性;再利用改进的FastICA(MFastICA)算法的快速收敛特性提取信号,提高算法的分离精度和收敛速度。仿真结果表明,该算法使得提取信号与源信号的相似系数达到0.9,同时迭代次数较原算法减少近40%,具有更加快速、稳定的提取性能。

基于ICA的多通道低频振荡模式识别方法

针对电力系统中多通道低频振荡模式辨识过程中计算复杂、辨识精度不高等问题,提出将独立分量算法(Independent Component Algorithm,ICA)引入低频振荡多通道信号分离中,结合Prony法实现对低频振荡的模式辨识。首先将待处理的多通道信号利用ICA算法进行分离(噪声可视作某一通道信号进行分离)预处理,进而利用Prony法对分离后的信号进行模式辨识。结果表明:利用ICA+Prony法进行多通道信号低频振荡模式辨识时,具备较好的抗噪性,辨识结果更加接近于理论值,相对误差均小于4%,且能够解决直接Prony方法在多通道信号辨识时的模式遗漏问题。在多通道背景下,该方法可以较大程度地保留原始信号特征,克服Prony方法的缺陷,提高多通道低频振荡模式辨识精度与准确度,更加能够满足实际电网的应用需求。

基于Fast-ICA的Wigner-Ville分布交叉项消除方法

针对Wigner-Ville分布中交叉项干扰的问题,提出一种基于快速独立分量分析(Fast-ICA)算法的交叉项消除方法。采用Fast-ICA方法将若干独立分量信号从混合信号中分离出来,对各独立分量信号进行Wigner-Ville分析,叠加分析结果,重构原混合信号消除交叉项后的总体Wigner-Ville分布。仿真结果表明,该方法能消除混合信号Wigner-Ville分布中的交叉项,收敛速度快、实时性高,同时可保持较好的时频聚集性。

ICA方法用于脑电信号α波提取的研究

为在有效提取闭眼脑电信号α波的同时能够很好地保留原始信号中的其余信息,采用独立分量分析方法提取闭眼脑电信号中的α波。构造一组频率在α波频率之间的正弦和余弦信号作为对α波的参考信号,然后把这些信号以及实测闭眼脑电信号作为ICA混合矩阵的输入端,采用fastICA算法进行信号分离,实现对α波的分离和提取,并进一步对所提取的α波进行了功率谱分析。结果表明,分离出的信号频率集中在8～13Hz之间,完全符合α波形的特点,且去除α波后的其余信号与原始信号相关系数达到0.942,说明有效地保留了原始信号的其余信息。

音频检测西瓜成熟度的噪声消除方法

针对音频检测西瓜成熟度中击打响应信号更类似噪声的特点,实现了信噪分离方法与小波消噪方法相结合消除环境噪声和信号微小噪声的方法。在消除嘈杂环境噪声方面,提出使用快速独立分量分析算法(Fast independent componment analisis,FastICA),利用不同两路混有环境噪声的混叠信号分离出噪声和击打信号,以获得能够用于西瓜成熟度检测的击打信号。在消除能量较小的噪声方面,提出了适合西瓜击打信号特点的小波消噪算法,能够有效降噪并保留高频信息。该方法经验证达到了较好的噪声消除效果。