基于非线性主分量分析—多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况,综合利用了各特征气体含量及其比值信息,并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中,非线性主分量分析网络执行多元输入特征信息的融合及主特征选择,形成待识别故障类的敏感特征量;随后的多层感知器执行故障模式识别。试验结果表明,在DGA分析的基础上,应用非线性主分量分析-多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别,获得较好的诊断结果。

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法 ,将非线性引入主分量分析算法 ,可以完成对输入信号独立分量的分离 .分析认为现有的非线性主分量分析算法只能实现实数信号的分离 ,对复数信号无效 .通过对非线性函数进行修改 ,提出了一种非线性主分量分析复数算法 ,成功地实现了复数信号的盲分离 .文中还借助于计算机仿真 ,对实数和复数算法分离亚高斯和超高斯信号混合的特性进行了分析评价 .

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.

一类基于非线性PCA准则的复数信号盲分离算法

在阵列信号处理过程中，经常遇到复数信号盲分离问题。例如，卷积混合型的源信号的盲分离；声纳信号盲分离。本文提出了一类基于非线性准则的复数信号盲分离算法。将非线性函数引入学习过程，由算法自动调节学习速率。计算机仿真实验验证了算法的有效性，文中给出了验证结果。

一种改进的非线性PCA胎儿心电信号提取算法

传统非线性主分量分析(PCA)算法在提取胎儿心电信号(FECG)时,对信道参数变化的跟踪能力较差,为有效地跟踪信道参数的变化,快速提取胎儿心电信号,提出一种通过预测误差调整遗忘因子的非线性PCA算法.该算法具有收敛速度快,参数估计误差小的优点.仿真结果表明,该算法与传统算法相比,可以快速有效地抑制掉母亲心电信号(MECG)和各种噪声,提取更清晰的胎儿心电信号.

盲源分离及盲信号提取的研究进展

盲源分离和盲信号提取是从观测信号中恢复源信号的有效方法,目前已成为信号处理领域的研究热点。介绍了盲信号处理的数学模型,给出盲源分离与盲信号提取的基本思想,阐述了各方法的原理、特点及性能,并对它们之间的区别与联系进行分析,最后指出盲源分离及盲信号提取的发展方向。

基于核函数的雷达一维距离像目标识别

该文分析了基于核函数的三大模式识别方法(支持向量机、非线性主分量分析、非线性判别分析)的分类机理,并将其应用于雷达一维距离像目标识别中。用3种飞机实测雷达距离像数据样小进行识别研究,结果表明对于雷达目标距离像识别,支持向量机方法较其它两种方法更为有效,并对实验结果给出了合理的解释。

一种按块递归的盲源分离方法

自然梯度算法比随机梯度算法有更好的收敛性能和数值稳定性,块递归算法需要较少的运算时间.结合这两者的优点,提出一种基于块递归的盲源分离算法.首先基于自然梯度和非线性主分量分析,构造出按块递归更新的矩阵方程,然后用QR分解和回代法逐块求解该矩阵方程得到最优分离矩阵.与已有递归型盲源分离算法相比,数值仿真实验表明本方法运行一次所需平均时间减少了65%,所求矩阵的正交性能指标改善了10 dB.

盲信号分离的现状和展望

盲信号分离是近几年才发展起来,用于解决从混合观测数据中分离源信号的一门新技术,已在许多领域获得了广泛应用。本文介绍了盲分离的主要理论和两大类实现方法——独立分量分析和非线性主分量分析,并在此基础上介绍了实现盲信号分离的不同算法、在非线性混合情况下的算法以及盲信号分离将来的发展方向。

盲信号分离问题的分类和现状

盲信号分离是用于解决从混合观测数据中分离出源信号的一门技术,目前已经在很多领域中获得了广泛应用。从盲信号分离问题的数学模型出发,介绍在盲信号分离中主要使用的对比函数,并分别从线性混合模型和非线性混合模型两个方面综述了盲信号分离的优化算法,最后提出了这一领域中有待进一步研究的几个问题。

基于NPCA的盲源分离算法

主要讨论了基于非线性主分量分析(NPCA)的盲源分离,从理论与实验2个方面详细分析了算法的特性与效果。针对算法中的非线性函数选择的问题,采用了在线统计的方法,即根据不同的输入信号选择不同的非线性函数。从实验结果可以看出,该方法不仅可以很好地解决源信号为亚高斯信号混合的盲源分离问题,而且对源信号为亚高斯和超高斯信号混合的盲源分离问题也取得了很好的效果。

基于Anscombe变换的X射线图像序列盲源分离降噪

为降低泊松噪声对X射线图像质量的影响,本研究提出一种采用非线性主分量分析(NLPCA)对X射线图像序列进行盲源分离的降噪方法。该降噪方法首先采样一序列X射线图像,并通过Anscombe变换将图像中泊松噪声转化为高斯噪声;然后将每张含噪声图像视为噪声分量和信号分量的组合,进而采用NLPCA将信号分量和噪声分量分离达到降噪目的;最后通过Anscombe逆变换获取最终降噪图像。研究结果表明:当序列中含噪声图像张数从2增加到50时,提出的降噪方法可以将Shepp-Logan头模型含噪声图像的PSNR值由28.2894 dB提高到37.2678 dB、SSIM值由0.7007提高到0.9638。相比较常用的降噪算法,提出的降噪方法在有效消除X射线图像中泊松噪声的同时,使图像中细节轮廓保留更完整。