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。

基于维纳滤波和快速独立分量分析的有噪混合图像盲分离

简要介绍了独立分量分析的基本数学模型和算法,在此基础上探讨了独立分量分析在有噪混合图像分离中的应用,提出了一种结合维纳滤波去噪与独立分量分析相结合的解决方法。实验结果表明,该方法能有效地降低噪声信号的影响,较好地恢复了原始图像。

基于形态滤波和独立分量分析的轴承故障盲分离

针对独立分量分析(ICA)对噪声较为敏感及滚动轴承故障信号的调制特性,提出一种基于形态滤波与ICA相结合的方法。该方法首先对观测信号进行形态滤波以突出故障特征同时消除其他干扰源,然后应用ICA分离形态滤波后信号。对滚动轴承外圈内圈复合故障信号进行实验研究,结果表明该方法能够有效识别分离滚动轴承故障特征。

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含嗓混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态-空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF+FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。

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。

自适应复数信号独立分量分析算法

针对强不相关变化算法不适用于谱系数相同的非圆信号的问题,提出了一种自适应复数独立分量分析算法.利用非圆信号的二阶统计量都不为零的特点构造代价函数,在复数域中直接优化代价函数,推导出一种针对非圆信号的自适应算法.该算法不仅对谱系数相同的非圆信号有效,而且适用于任意包含有非圆信号的统计独立的信源信号,不需要计算特征向量和奇异向量,算法的结构简单.实验仿真结果验证了算法的有效性.

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.

基于自适应学习率独立分量分析的图像盲分离

以独立分量分析(ICA)技术作为主要研究对象,对基于独立分量分析的定点算法进行了详细的分析和推理。传统定点算法具有结构简单、运算速度快的特点,但是在图像盲分离中数据有时不能完全满足独立性假设,因此在有些情况下,该算法是否收敛仍具有不确定性。由此,提出了一种能够自适应调整学习率的改进定点图像盲分离方法。将该方法用于混合图像的分离中,较传统方法而言,有收敛速度更快、鲁棒性更强、对数据相关性要求相对较低的优点。计算估计图像的峰值信噪比可知,分离效果是十分有效的。可见,该算法是一种新的、快速有效的图像分离方法。

独立分量分析在转子多源故障自适应时频分析中的应用

针对短时傅里叶变换(STFT)和Wigner-Ville分布等传统时频分析方法对转子多源故障分析效果不理想的问题,提出了一种基于独立分量分析(Independent Components Analysis,ICA)和自适应时频分析结合的抗干扰转子故障非平稳信号分析方法。该方法首先对采集的信号进行ICA处理得到独立分量,然后对独立分量进行自适应时频分析,提取出故障频率信息,最后对独立分量进行阶比跟踪分析得到的瀑布图,更加充分地验证了试验结果。仿真和试验对转子不平衡和地脚螺栓松动故障进行了研究,分析结果验证了本方法的可行性和有效性。

核独立分量分析的随机滤波剩余寿命预测模型

基于随机滤波的预测模型是剩余寿命预测方法的一个重要分支,当前制约滤波模型的一个重要问题就是如何对大量高维非线性状态监测数据进行特征降维,以易于模型参数求解。通过线性回归处理了非定期换油保养对油液数据的影响;运用核独立分量分析进行特征降维,消除了各维数据之间相关性对模型预测精度的影响;建立了基于油液增量的滤波模型,并设计了极大似然估计方法求解模型参数;最后实例验证了模型的有效性和实用性。

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。

基于独立成分分析的自适应图像滤波算法

近年来提出的独立成分分析(ICA)算法基于非高斯分布度量,可以有效提取图像边缘等重要信息。基于FastICA算法,利用"MIT图像数据库"分别对不同场景图像集进行图像块采样,构建基于单一场景的训练集,训练各训练集得到ICA滤波器,得到并分析各组ICA滤波器对同类型图像集的滤波结果。实验表明ICA滤波可以实现不同场景图像的稀疏编码,且滤波结果具有对训练集自适应拟合能力。

基于独立分量分析的自适应最小均方误差多用户检测

分析了CDMA矩阵信号模型和线性独立分量分析的数学模型,根据比较得出这两种模型具有相同形式。将独立分量分析应用于CDMA系统的多用户检测中,提出了基于ICA后处理的自适应最小均方误差(MMSE)多用户检测方法。该方法采用自适应MMSE检测器的输出来初始化独立分量分析的迭代,既利用了信源的独立性,又充分利用了已知扩频码的信息,从而提高了多用户检测器的性能。仿真结果表明:采用提出方法的误码性能优于自适应MMSE检测方法,尤其在高信噪比的情况下,误码性能得到了较大改善。

基于独立分量分析的等变化自适应盲分离算法

基于独立分量分析的等变化自适应算法是一种在线分离算法,这种算法的特点是 能够很快的适应外部环境,当混合参数改变后,通过无监督自适应学习算法,可以很快的调整 权矩阵W,从而使得WA重构为一个新的广义交换矩阵。对迭代系数进行了改进,使得算法 的收敛时间缩短了约15倍,并对概率密度函数进行了在线估计。

约束独立分量分析在无线通信信号分离中的应用

无线通信信号的调制方式识别是复杂电磁环境下频谱检测和频率控制的重要研究目标,为了实现频谱共存条件下调制信号的模式识别,通过利用范围区间和灵敏度参数构造参考信号,提出了一种带参考信号约束的独立分量分析(CICA)算法进行无线通信信号分离,实验仿真表明CICA算法能够很好地分离出感兴趣的信号,在0dB信噪比下分离信号和源信号的相似系数高于60%,与传统ICA方法相比,分离效果有了明显的提升。

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。

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。

基于独立分量分析的谐波估计和消除

从盲源分离的角度对谐波估计和消除方法进行了探讨 ,提出了基于独立分量分析的谐波消除新方法。新方法的特点是在消除谐波干扰的同时 ,有效地保护有用信号成分不被破坏。文中通过实测数据对新方法进行了验证 ,并与传统陷波谐波消除方法进行了比较 ,取得了较理想的效果。

基于独立分量分析的遥感图像分类技术

遥感图像的自动分类方法一般基于图像的统计信息。多光谱遥感图像之间有着一定的相关性 ,对遥感图像的自动分类有不利影响。一般用主成分分析去除波段之间的相关性。独立分量分析能利用相对主成分分析更高的统计分量 ,不但可以获得去相关的效果 ,而且可以得到相互独立的结果波段图像。本文首先讨论了独立分量分析的基本原理。在此基础上 ,介绍FastICA算法 ,并对其进行改进 ,得到M FastICA算法 ,并将其应用到遥感图像的分类上。实验结果表明 ,M FastICA算法较FastICA算法收敛性大为改善 。