基于整数小波和非负有序独立成分分析的遥感影像融合

结合ICA算法可以去除高阶冗余信息和IWT具有多分辨率、运算速度快的特性,在非负性条件的约束下,提出一种基于整数小波变换和非负有序独立成分分析(IWT-ONICA)的遥感影像融合方法。将该方法用于全色影像和多光谱影像的融合,数理统计(峰值信噪比、扭曲度、熵等)和目视判读结果表明,该方法融合效果优于其他方法,融合结果更加清晰,可视性更好。

一种用于低维光谱空间构造的非负主成分分析法

针对经典主成分分析法进行多光谱图像数据降维会使重构光谱反射比出现负值的问题,提出一种非负主成分分析法,并用该法构造低维光谱空间,实现高维多光谱数据与低维光谱空间的转换。首先分析主成分分析法产生非光谱反射比数据的原因,据此对主成分分析模型增加非负约束,建立迭代方程,求出一组线性无关的非负主成分权向量;然后用该组向量构造低维光谱空间;最后用非线性优化技术确定高维数据在低维空间中的投影值。实验表明,新方法与经典主成分分析法相比,能使重构光谱反射比数据限制在[0,1]范围内,保持了光谱反射比的物理意义,同时所构造低维光谱空间的精度能与经典主成分分析法保持一致。

高光谱数据非监督分类的改进独立成分分析方法

利用数据本身统计特性是实现高光谱数据非监督分类的有效方法之一。针对利用高光谱数据一阶、二阶统计量不能完全表征数据结构的问题,提出了一种基于数据高阶统计特性——峭度的改进独立成分分析方法(Improved Kurtosis-Based Independent Component Analysis,IKICA)的高光谱数据非监督分类方法,并针对利用峭度进行非高斯性度量时对噪声等敏感的问题进行了模型改进。利用同一航带的OMIS高光谱遥感数据对该算法的性能进行了评价,并分别与基于最大似然估计和基于负熵的独立成分分析(ICA)方法进行了性能比较。将该方法应用于PHI获取的方麓茶场航空高光谱数据的非监督分类,结果表明,本文提出的算法明显地提高了运算的收敛速度和鲁棒性,并具有较高的分类精度和较强的抗噪声能力。

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全"盲"要求.传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息.基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题.所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路.模拟实验从统计性质和计算时间说明了所提算法性能的优越性.

时频域非参数密度估计的独立成分分析

这篇文章提出了一种新的时频域非参数密度估计独立成分分析,考虑到含噪的情况将小波包系数阈值降噪作为其预处理过程,该种算法实现非平稳信号过定瞬时混合的盲分离,它同时估计了解混合矩阵以及未知时频域内的密度函数,其最大优点是不需要选择时频点或者是划分时频面,目前对于实际信号时频盲处理方法来说,选择有效的时频点以及进行合理的时频面划分是有很大局限性的.如仿真所示,其在相同的信噪比特别是低信噪比下分离效果要优于某些时频算法.

基于独立成分分析算法的非侵入式家用电动汽车充电负载的提取

采用非侵入式独立成分分析算法来提取电动汽车充电负载,包括电动汽车负载充电模式的3个阶段。所提出的无监督算法,能够提取不同类型的电动汽车(包括高压特斯拉电动汽车)的全部充电过程,并且回顾了所提出的独立成分分析方法的理论背景,说明了提取电动汽车充电模式中每一阶段的算法形成过程,显示了利用所提出的算法获得了从实际家庭获取的数据集的结果,验证了此算法的有效性。

改进的非负独立分量分析法

传统的非负独立分量分析(ICA)算法假设源信号独立,通过对观测信号预白化得到Z,再找到旋转矩阵W,从而保证Y=W×Z为非负,但不适用于源信号相关程度较大的情况。本文在深入分析传统算法的基础上对传统算法进行了相应的改进,通过引入去相关矩阵R,对于即使相关程度较大的源信号也可以进行较好地分解。实验结果证明,改进后的算法简单有效。

基于非负字典训练和鲁棒主成分分析的语音增强算法（英文）

在鲁棒主成分分析中引入非负矩阵分解学习得到非负语音字典,提出了一种非负字典训练和鲁棒主成分分析相结合的非监督单通道语音增强算法.算法采用交替方向乘子计算优化解.采用客观感知语音质量评估方法(PESQ)对增强效果进行评估.评估中采用了TIMIT标准语音和20多种噪声在不同信噪比下进行混合得到的带噪语音信号.评估结果表明:本文提出的方法优于典型的非负矩阵分解方法和鲁棒主成分方法.

独立成分分析的研究进展

介绍了独立成分分析(ICA)的基本模型及其假设、含混性、非高斯性度量和通用求解过程。讨论了目前ICA的几个研究方向的发展现状和面临的问题,分析了ICA基本模型和几种扩展模型的求解算法,包括盲反卷积、卷积混和的盲分离、非线性瞬时混合的盲分离。提出了ICA未来理论和应用研究中的开放课题。

基于独立成分分析的胃电信号检测

胃电是一种典型的微弱信号,其检测过程中会引入大量的强背景噪声,其中又以心电、呼吸伪迹最难去除。这是由于两者的幅值远高于胃电,而两者的频带却与胃电极为接近。为此,以高精度ΣΔADC采集8通道混合信号,先经数字带通预处理去除基线漂移并滤去大部分干扰,再用FastICA算法分析其中的独立成分,将心电、呼吸对应的部分权重置0反向投影回观测空间,从而得到清晰的胃电波形。该算法原理简单、收敛速度快、去噪效果明显,所得的结果与临床理论分析得出的结论相符,具有较高的实用价值。

独立成分分析及其在图像处理中的应用

独立成分分析是一种新的信号处理技术,在数字图像处理的诸多方向均表现出其独特性。对独立成分分析(ICA,Independent Component Analysis)及其在图像处理中的应用进行了综述。简要介绍了独立成分分析的数学模型,给出了极大化非高斯性的ICA估计方法、极大似然ICA估计方法、极小化互信息ICA估计方法的目标函数及其优化算法;对ICA在像素级图像融合、运动目标检测、人脸检测及特征提取、大脑信号和图像分析、数字水印、有噪图像分离等方向的应用研究进行了评述,进而显示ICA的应用价值和发展空间。

基于小波变换和独立成分分析的人脸识别

针对传统的独立成分分析算法对光照、表情、姿态等敏感的不足,提出了一种结合小波变换和独立成分分析的人脸识别方法.人脸图像首先经过小波变换后选取低频子图像进行独立成分分析,提取人脸图像特征,最后根据最近邻分类器分类.分析了样本数目、小波分解级数对平均识别率和识别时间的影响.基于ORL人脸数据库的实验结果证明了本方法在识别性能方面相对于单一方法的优越性.

独立成分分析在化学战剂混叠峰识别中的应用

在战场等复杂环境得到的混合气体的红外光谱主次吸收峰交错重叠,因此对其定性识别的特征提取方法就显得尤为重要。采集到的各种化学战剂和有机气体的红外光谱数据都是高维度数据,首先采用中心化后降维进行特征提取来尽可能多地捕获到它所包含的本质信息,由于混合气体的红外光谱是非线性、非高斯性信号,把非高斯性作为独立性度量将各成分作为独立分量分离出来,为了满足实时需求,在传统快速独立成分分析(Fast ICA)算法的基础上对其迭代过程进行优化,并应用极限学习机(ELM)建立模型进行定量分析。实验结果表明:改进算法的迭代次数较传统算法减少,定量分析均方差E=2.392 6×10-4,回归系数R=0.999,说明该方法在不影响分离精度的前提下提高了混合物质中纯物质光谱分离出来的效率。

基于线性神经网络的独立成分分析算法

基于概率密度非参数估计的广义高斯密度(GGD)核估计和线性独立成分分析(ICA)神经网络,本文提出了一种新的非参数ICA算法,实现了对源信号分布的全盲要求.该算法直接由观测信号样本出发,对分离信号评价函数直接估计,可以只用一种灵活评价函数分离任意的杂系混合信号,并且GGD核可以根据源信号的高阶统计性质自适应的改变以适应不同的要求,从而在一定程度上解决了ICA算法中选取估计信号评价函数的问题.模拟实验说明了所提算法的性能优越性.

约束独立成分分析模型及其算法综述

约束独立成分分析(Constrained Independent Component Analysis,CICA)是在独立成分分析(Independent Component Analysis,ICA)基础上,发展起来的一类信号分离(提取)技术。CICA充分利用源信号的先验信息,从而有效地解决ICA应用中出现的不确定性、计算量大和内存空间浪费等问题。首先,简述了CICA的基本模型以及源信号较普遍的先验信息:非负性、稀疏性和时间结构;然后,重点介绍了基于每一种先验信息的CICA算法,并总结了CICA模型的应用;最后,展望CICA模型的未来改进方向。

基于光滑性和主成分的非负矩阵分解算法

非负矩阵分解(NMF)存在收敛速度慢的缺点,其根本原因是基图像(基矩阵)包含大量的噪声点。另外,系数矩阵相关性很大,不利于区分不同图像。鉴于以上缺点,提出了基于光滑性和主成分的非负矩阵分解(SPNMF):一方面通过添加常数矩阵来增强基矩阵的光滑性,平抑噪声点,达到减少迭代次数的目的;另一方面在原损失函数基础上,将系数矩阵不同列之间的方差作为惩罚项,提高系数矩阵的区分度。在PIE和FERET人脸库中的实验表明,SPNMF不仅能够提高人脸识别的正确率,而且速度比NMF快2～4倍,使得基于非负矩阵的人脸识别系统更具有实用价值。

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵,导致求解这类问题十分耗时.本文把非负属性引入二维主成分分析(2-dimensional principal component analysis,2DPCA)中,提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization,2DPNMF)人脸识别算法.该算法在保持人脸图像的局部结构情况下,突破了最小化非负矩阵分解损失函数的约束,仅需计算投影矩阵(基矩阵),从而降低了计算复杂度.本文从理论上证明了所提出算法的收敛性,同时,使用了YALE、FERET和AR三个人脸库进行实验,结果表明2DPNMF不仅识别率高,而且速度优于非负矩阵分解和二维主成分分析.

非负稀疏编码收缩法的自然图像消噪

非负稀疏编码(NNSC)算法仅依赖自然图像数据的统计特性,具有自适应性.利用NNSC算法可以成功地提取自然图像的特征基向量;作为对特征基的一个实际应用,提出了一种新颖的用非负稀疏编码收缩技术消除自然图像中的高斯加性噪声的方法.实验表明,提取的特征基向量在时域和频域上都有方向性和局部性,表现了输入自然图像的边缘特性;而且与独立分量分析(ICA)法相比,NNSC法提取的特征基有更清晰的边缘特征.目视效果和归一化信噪比证明了NNSC收缩法的消噪效果要优于稀疏编码(或ICA)收缩法、小波收缩法和Wiener滤波等方法.

基于有约束非负矩阵分解的原稿基色色料光谱预测方法

针对直接在光谱反射率空间,对原稿颜色样本光谱的主成分分析会导致特征向量的数目超过真实物理维度(原稿所用基色色料)的数量,以及特征向量和对应系数存在负值,不能直接表示原稿基色色料的光谱特性和对应浓度等情况。创新性的提出需根据原稿色料的光学特性建立一个完全线性的光谱空间,并在该空间中使用带约束条件的非负矩阵分解实现对原稿基色数量和光谱形状进行预测的方法。对此,首先设计了一个实现对原稿基色色料光谱预测方法的总体研究方案和实现步骤,再以透明色料原稿为例,研究如何选择和构建一个符合其光学特性的光谱线性空间,然后再在基本非负矩阵分解(BNMF)基础上提出针对基色色料光谱预测的有约束非负矩阵分解算法(SCNMF)。针对BNMF算法会出现多重最优解,为了提高预测精度,使矩阵分解结果有明确的物理意义,所提出的SCNMF算法需要满足4个约束条件:非负性约束;全加性约束;平滑性约束;稀疏性约束。建立了满足约束条件的目标函数和迭代算法。预测结果表明本文提出的新方法能有效的实现对原稿基色物理维度和基色色料光谱的准确预测。

基于非负分解方法的质谱成像数据特征提取

质谱成像技术能够在同一个实验里无需标记手段而获得样品表面的分子信息及其分布信息,是当前质谱分析的热点。其分析所得数据量大且复杂,使其特征难以提取。多元统计分析方法,特别是主成分分析法已应用于质谱成像数据的压缩和特征提取。然而由于主成分分析常产生负的数据结果,其意义难以解释且不易分解为单一的特征。本研究开发出一种基于非负分解的质谱成像数据提取方法,能够提取单一的分子特征及其在样品上的分布特征,并将多个单一的特征分布通过红、绿、蓝三色叠加显示,获得轮廓直观的综合特征分布。应用本方法对小鼠脑组织切片质谱成像数据进行分析,可直观分解出灰质区域、白质区域和背景区域,相对主成分分析方法更直观且易于解释。应用本方法对在同一个样品靶上的人膀胱癌变组织和其相邻非癌变组织切片质谱成像数据进行分析,癌变与非癌变组织间差异清晰直观。本研究设计的质谱成像软件可由http://www.msimaging.net获取。