一种独立成分分析的鲁棒算法及其在脑磁图数据分析中的应用

独立成分分析是一种新的信号处理统计方法,被广泛用于各个领域。在信号分析中面临的难题是:源信号的不同特性(既包括超高斯信号又包括亚高斯信号);未知的独立源数目;传感器信号受到较大的加性噪声污染。针对以上难题,本文提出了一种独立成分分析的鲁棒算法,该方法先对观测数据作预处理,将包含噪声的高维传感器观测信号降维分解到信号子空间和噪声子空间,利用交叉验证法估计出独立源的数目(解决了独立成分分析本身不能确定源数目的缺陷);然后利用快速稳定的F astICA算法分离独立成分。通过人工合成的数据和实际的脑磁图数据分析,验证了这种方法的功效。

基于深度概率图模型的鲁棒人脸画像合成

针对基于数据驱动的人脸画像合成算法像素特征缺乏对光照变化和复杂背景的鲁棒性,常合成低质量的画像的问题,文中提出基于深度概率图模型的鲁棒人脸画像合成算法.采用预处理方法调整测试照片的光照亮度和人脸姿态,使之与训练照片一致.采用深度特征代替像素特征进行近邻匹配,采用深度概率图模型对画像重建权重和深度特征权重联合建模,得到合成画像的最佳重构表示.为了提高画像合成速度,提出快速近邻搜索方法.实验验证文中算法的鲁棒性和快速性.