约束独立分量分析(CICA)算法在故障诊断中的应用

盲源分离(BSS)是利用源信号间的统计独立性,在源信号和混合通道都是未知的条件下,仅由观测信号分离出各源信号的过程,也称独立分量分析(ICA)。经典的ICA仅仅用到数据的统计信息特征,即统计独立性。然而,机械故障存在其他如频率特征等已知的先验知识,将主要利用这些先验信息进行故障诊断。提出一种带参考信号约束的ICA算法(CICA)进行盲源信号的分离,选取与待提取信号频率相同的脉冲信号作为参考信号,以均方误差作为相似性测度的方法进行了实验仿真,仿真实验表明CICA算法能够很好地分离出待提取信号。

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。

多元消减约束独立分量分析及其在振源贡献量计算中的应用

为寻找机械系统的主要振源,提出一种利用多元消减约束独立分量分析(Multi-unit deflation constraint independent component analysis,MDcICA)估计振源贡献量的方法。约束独立分量分析(Constraint independent component analysis,cICA)在经典独立分量分析(Independent component analysis,ICA)算法的对照函数中利用约束的形式引入源信号先验知识,提高独立分量的精度和算法的稳定性,并能够得到独立分量和振源信号的对应关系。在cICA中引入多元消减技术,去除混合信号中每次迭代被提取的独立分量的成分。多元消减过程中混合信号能量的减少量等于被提取独立分量对混合信号的贡献量。将提出的算法引入到壳体激励试验台和圆筒结构试验台中,成功地完成了试验台机械振源的分离和贡献量的计算。

改进的独立分量分析算法

对独立分量分析算法的基本理论和FastICA算法进行了简要介绍.传统的FastICA算法只具有二阶的收敛速度,为了提高独立分量分析算法的收敛速度,减少迭代次数和运行时间,提出了一种改进的独立分量分析算法——五阶收敛的牛顿迭代法.对牛顿迭代算法加以修正,使改进的独立分量分析算法具有五阶的收敛速度.图像信号分离仿真实验表明,改进算法与传统的FastICA算法在分离效果相当的情况下,明显减少了传统的FastICA算法的迭代次数和运行时间,提高了收敛速度和运行效率.

单通道独立分量分析算法的比较分析

分析单通道ICA方法中不同算法的适用范围和优劣程度,通过仿真实验证实了单通道ICA算法在单通道信号分离的实用性,并讨论了单通道ICA算法在变形分析中应用的可行性。

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。

一种独立分量分析的迭代算法和实验结果

介绍盲信源分离中一种独立分量分析方法 ,基于信息论原理 ,给出了一个衡量输出分量统计独立的目标函数。最优化该目标函数 ,得出一种用于独立分量分析的迭代算法。相对于其他大多数独立分量分析方法来说 ,该算法的优点在于迭代过程中不需要计算信号的高阶统计量 ,收敛速度快。

基于改进粒子群算法的独立分量分析

提出一种有效的基于改进的粒子群算法的盲源分离算法.首先引入进化速度和聚集强度来更新粒子群算法中的动态惯性权重w,然后定义基于改进PSO的独立分量分析算法的适应性函数,最后给出算法的具体步骤.实验结果表明,改进的ICA算法可以快速有效地得到BSS的最优解.

基于独立分量分析和遗传算法的图象分离方法研究与实现

在深入分析独立分量分析技术的基础上 ,针对常规数值求解方法容易陷入局部最优解的问题 ,提出了一种基于遗传算法和独立分量分析相结合的盲源分离新算法 .通过对图象信号分离仿真试验表明 ,采用最佳保留机制和移民方式的动态补充子代个体操作 ,在一定的群体规模和遗传代数的情况下 ,该方法能实现信号的盲分离 ,并可获得全局最优解 .对超高斯信号和亚高斯信号的混合信号 ,与扩展信息最大化方法相比 ,该方法可获得更好的分离效果 .

机械故障诊断的遗传-独立分量分析算法

为了解决现有独立分量分析算法需要根据源信号的峭度性质选择二次型函数的问题,提出了一种基于遗传算法的独立分量分析算法。该算法选择互信息作为优化目标,针对互信息计算较复杂的现象,对其进行了简化;采用直方图法估计信号的概率分布,解决了互信息计算问题;采用遗传算法寻找使互信息最小的分离矩阵,实现了对线性混叠信号的分离。模拟信号分离结果表明,改进独立分量分析算法的性能优于FastICA算法。将该算法应用于滚动轴承故障诊断,实验结果表明,改进独立分量分析算法成功地分离出滚动轴承声音信号。

基于约束独立分量分析的矿用齿轮故障诊断研究

针对矿用齿轮传动故障信号较弱,极易被其他振动信号所淹没,使得已有诊断方法在矿用齿轮故障诊断中的应用受到限制,难以提取出齿轮故障特征信息的问题。将约束独立分量分析(CICA)这一理论方法应用于矿用齿轮振动故障诊断,通过对齿轮传动振动的分析,建立齿轮振动约束独立分量分析(CICA)参考信号,用于提取齿轮振动信号中的故障信息(即独立分量)。研究实例表明,应用约束独立分量分析(CICA)方法,能有效提取出矿用提升机齿轮减速箱中齿轮的故障,为矿用齿轮传动振动故障诊断提供一条新途径。

基于独立分量分析的自适应最大熵算法对脑电干扰的识别与剔除

目的提出一种在脑电信号采集过程中自动识别和剔除各种干扰的新方法。方法将独立分量分析(ICA)最大熵算法和非线性参数阈值设定相结合。首先对ICA最大熵算法进行自适应改进,并将其用于对包含肌电、眼动等各种干扰的19导脑电信号进行独立分量分解;然后对各独立成分进行3个参数的非线性分析,通过设定的阈值,自动识别出其中的伪迹成分;在去除识别出的各伪迹的独立成分后,将其余独立成分反投影到头皮各电极处,得到去除干扰后较为纯净的脑电信号。结果研究表明,基于盲源分离技术的自适应最大熵算法实现了脑电信号与其中所包含的多种干扰成分的分离,通过信号的重建可实现对不同来源干扰的剔除。结论自适应最大熵算法是生理信号消噪研究中一种有潜力的方法。

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain-computer interface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrained independent component analysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independent component analysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCI Competition II dataset IIb和BCI Competition III dataset II两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达67.1%,15次达95.2%,在相同实验条件下,分类时间也较其他方法缩短.

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。

基于独立分量分析和遗传算法的人脸性别分类

性别是人脸反映的一个重要信息,通过人脸图像实现性别自动分类对大型人脸数据库的检索和识别具有重要意义。提出了一种新的结合独立分量分析(ICA)和遗传算法(GA)的人脸性别分类方法。首先采用快速独立分量分析方法(FastICA)提取人脸图像的独立基图像和投影向量,获得人脸的低维表征;然后通过遗传算法从该低维空间中选择对性别分类有利的特征子集;最后采用支持向量机进行分类。将ICA的空间局部特征提取功能、遗传算法快速寻优的特征选择功能以及SVM的强分类能力有机地结合起来。实验表明,该方法取得了很好的分类性能。

独立分量分析的一种剖析方法及其搜索算法

给出了独立分量分析(ICA)问题可解性的一种直观解释,并设计了直接的搜索算法。首先通过分析二维ICA问题,将输出信号分量的峰度作为ICA最优化问题的目标函数,分析了目标函数的波形随源信号之间耦合程度不同而变化的规律,以直观的图示解释了最大化输出信号非高斯性的ICA准则,且具有严格的数学意义。通过4点比较,将目标函数定位于某确定子区间,在该子区间上,目标函数是单峰函数,峰值点为全局极大值点,且为ICA问题的解。用快速搜索法进行了ICA求解,并将算法推广到多维ICA问题的求解。对算法进行了双通道图像分离、多通道语音分离的数值实验。

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法—JADE、Fast ICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,Fast ICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。

基于独立分量分析的荧光造影图像降噪算法

荧光造影图像分析是一种重要的糖尿病眼底病变测试方法,针对荧光造影图像易受噪声污染以及白内障病变影响导致眼底视网膜图像辨识困难等问题,基于盲信号处理理论,运用维纳滤波与独立分量分析进行降噪,并运用FASTICA算法进行源信号提取。测试图像处理结果表明:该方法能够有效地抑制噪声,提高分离图像的信噪比,且较好地恢复原始图像。

一种改进的独立分量分析算法在大地电磁去噪中的应用

根据大地电磁噪声的特点和独立分量分析(ICA)中M-FastICA算法的优良性能,结合小波分析和盲源分离的相关理论,提出了一种改进的独立分量分析去噪方法。首先对观测信号进行多尺度小波分解,使信号从单道变成多道,以满足独立分量分析对观测信号的数目需求;然后采用M-FastICA算法对小波分解提取的多层高频分量进行独立分量分析以提取有效独立分量和特定独立分量;引入动态自适应因子来限制特定独立分量的权重以减小观测信号信噪比对去噪效果的影响;最后由小波低频分量和M-FastICA算法提取的两种独立分量共同构成恢复信号。模拟信号仿真实验表明,该方法的去噪性能优于传统小波阈值去噪方法。将该方法应用于实际大地电磁观测资料的去噪处理,无论是视电阻率曲线还是相位曲线,都比去噪前更加光滑和稳定,说明改进的独立分量分析算法能有效地去除大地电磁噪声。