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 .

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。

基于仿射投影-非线性主分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离收敛速度慢的问题,以盲源分离的非线性主分量分析(PCA)为基础,结合仿射投影算法,提出了盲源分离的非线性APA-PCA准则,并设计出盲源分离的APA-Kalman,APA-RLS,APA-LMS新算法。在这些新算法中,预白化后的观测向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了盲源分离的收敛速度。仿真结果表明,非线性APA-PCA准则是有效的。

改进的基于主分量分析的码书设计算法

针对基于主分量分析和遗传算法的码书设计算法中当码书大小超过64时码书性能下降的问题,提出了一种改进的码书设计算法.首先采用主分量分析对训练矢量降维以减少计算复杂度,然后利用遗传算法的全局优化能力计算得到接近全局最优的码书.实验结果表明,与原算法和经典的LBG算法相比,文中算法所生成的码书性能有了明显提高,而且计算时间也少于LBG算法.

基于主分量分析和遗传算法的码书设计算法

提出了一种高效的矢量量化码书设计算法 首先采用主分量分析对训练矢量排序以减少计算复杂度 ,然后充分利用遗传算法的全局优化能力计算得到接近全局最优的矢量量化码书 实验结果表明 :该算法的计算时间少于经典的LBG算法 ,而且当码书大小不超过 6 4时 。

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。

新颖的能量函数准则下的主分量分析算法

本文通过一个新颖的能量函数把Oja规则与准确的梯度搜索联系起来 ,从而证明了Oja规则可以通过梯度搜索而获得。推导了相应的梯度算法和递归最小二乘算法 ,根据Lyapunov稳定性原理和随机扰动理论分析了算法的全局渐近收敛性能。最后 ,给出了跟踪时变DOA的计算机模拟结果。

基于主分量分析GA-BP神经网络的人脸识别算法

针对人脸图像数据量大和BP神经网络容易陷入局部最优的问题,提出将主分量分析、遗传算法和BP神经网络相结合的新算法,并将其应用于人脸识别中。利用主分量分析法来处理人脸图像,以减小人脸图像的数据量,再利用遗传算法优化BP网络的初始权值和阈值,最后利用ORL数据库对该算法进行验证。实验结果表明,该算法可以大大减少人脸图像的数据量使收敛速度加快,并且可以克服其陷入局部最优的缺点,提高了识别精度。

点对主分量分析算法的模拟电路故障诊断研究

针对利用领域覆盖算法(Neighborhood Covering Algorithm,NCA)解决模拟电路故障诊断过程中出现的故障诊断率不高的问题,文章采用一种改进的领域覆盖算法称之为点对主分量分析算法(Double Points Principal Component Analysis Algorithm,DPCAA)进行模拟电路故障诊断,首先通过对待诊断的模拟电路的可测点采用幅频特性技术进行故障特征提取,然后构建点对主分量分析算法的三层神经网络进行模拟电路故障诊断。为了验证该方法的可行性,本文最后对某一个带通滤波电路进行模拟电路故障诊断,对该电路的故障诊断率提高了2.22个百分点。

Fast-ICA算法非线性函数性能的仿真分析

利用Fast-ICA算法进行盲源分离时,计算其目标函数最常用的非线性函数主要是双曲正切函数(tanh)、高斯函数和y^3三种类型的函数。为了比较这三种非线性函数对算法的影响,找到一种令算法最优的非线性函数,基于不同角度和方法,构造两种类型的源信号组。仿真分析了三种函数代入迭代公式时得到的结果及误差。通过对比得出y^3函数令算法最优,这一结论为复杂庞大的工程计算提供了快速计算的实际依据。

基于主分量分析的柴油机振动信号特征提取

针对柴油机振动信号非线性非平稳性的特点,提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型,该模型首先应用相空间重构理论从已知时间序列中抽取动力系统,然后通过主分量提取以降低空间维数、突出故障信息,最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明,该方法能去除柴油机振动信号局域波时频图中的冗余信息,突出故障信息,从而证明了方法的有效性。

用KM算法增强测试集的频谱主分量

在集成电路测试领域常常需要对测试集和测试响应进行频谱分析,计算其频谱主分量,用于指导测试产生和进行测试数据压缩等。提出一种用KM(Kuhn-Munkras)算法增强测试集频谱主分量的方法,先根据测试集和其频谱主分量矩阵构建二分图模型和权值矩阵,把增强频谱主分量的问题转化为二分图的匹配问题,然后用KM算法求解。根据匹配关系调整测试集中测试向量的顺序后,频谱主分量和测试集的相关性增加,频谱主分量得到增强。在ISCAS-89基准电路测试集的实验表明,测试集排序后,其频谱主分量的相关性提高了19.05%,测试集残差FDR编码压缩率提高了4.59%。

基于主分量分析的声信号特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效方法。研究了基于这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征类器对声目标进行分类,分类结果准确率较高。

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。

基于非线性主元子空间的故障模式识别方法

针对多元统计过程监控中的故障源识别问题,提出一种非线性主元子空间方法识别故障模式。该方法对不同类型的故障数据进行核主元分析,获得描述数据主要变化的非线性主元子空间,以此为基础构造故障模式分类器。考虑到核主元分析的计算复杂性,提出一种基于特征样本的非线性主元子空间算法,使用基于克隆选择原理的免疫算法提取特征样本用于故障模式识别。在Tennessee Eastman过程上的仿真结果说明,非线性子空间方法能够比线性子空间方法更有效的识别故障模式。

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。

快速增量主分量算法的近似协方差矩阵实现

针对主分量分析法在实际应用中运算量较大的问题,首先基于特征向量相互正交的特性,将子空间投影算法的运算量降低为原算法的1/P(P为所需的特征向量个数).然后利用大特征值及其对应的特征向量构成的近似协方差矩阵,将子空间投影算法中的广义特征值分解问题转化为特征值分解,得到运算量降低为原算法1/N(N为向量维数)的快速算法.最后基于ORL人脸数据库的实验验证了算法的有效性.

基于局部非线性投影滤波算法的ECG信号处理

含有一定强度干扰的混沌系统可以通过局部非线性投影的方法逼近其吸引子。单导心电信号(ECG)在时间延迟嵌入空间中表现出一定的几何结构 ,包含其它成分的ECG可以在一个较高维的空间得到没有交叠的状态轨迹。利用局部非线性投影法可以逼近ECG的一个低维吸引子 ,从而将ECG和其它成分分离。

概率二维主分量分析

二维主分量分析是一种直接面向图像矩阵表达方式的特征抽取与降维方法.提出了一个基于二维主分量分析的概率模型.首先,通过对此产生式概率模型参数的最大似然估计得到主分量(矢量);然后,考虑到缺失数据问题,利用期望最大化算法迭代估计模型参数和主分量.混合概率二维主分量分析模型在人脸聚类问题上的应用表明概率二维主分量分析模型能作为图像矩阵的密度估计工具.含有缺失值的人脸图像重构实验阐述了此模型及迭代算法的有效性.

基于暂态主频分量相关性分析的故障选线方法

提出了一种利用零序电流暂态主频分量相关性来进行小电流接地系统故障选线的新方法,以解决单纯利用零序电流选线效果不佳的问题。通过对故障零序电流特征的分析,提出了采用Prony算法来提取各线路暂态主频分量。利用故障后非故障线路暂态主频分量波形相似,而故障线路与非故障线路之间有着明显区别的特点,对其进行相关性分析,得出综合相关系数,实现正确选线。理论计算及仿真结果表明,该方法准确可靠,抗干扰能力强,无须整定,不受故障初相角、接地电阻、故障距离及接地方式的影响,进一步提高了保护的裕度。