基于独立分量分析和普鲁克分析的运动想象迁移学习策略

针对传统上基于运动想象的脑机接口系统在应用之前需要进行枯燥冗长的校准实验的问题,提出基于独立分量分析(ICA)和普鲁克分析的迁移学习算法。该算法采用独立分量分析对脑电信号进行空间滤波,对比应用多种对齐变换方法,实现对样本数据的平移和缩放。并提出欧氏空间下的旋转变换方法,以进一步匹配目标受试者与其他受试者的样本分布,实现有效的跨受试者和跨数据集的迁移学习。所提算法相较基于黎曼普鲁克分析的方法具有更好的分类性能以及计算效率,并在公共数据集PhysionetMI和BCIIV-2a上较传统机器学习算法将平均kappa值提高了约0.1和0.04。结果表明该方法能有效提高小样本下的分类正确率,这有助于降低对校准数据量的需求,从而减少校准实验的耗时。

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析 ( ICA )和遗传算法 ( GA )相结合的人脸自动识别方法 ,人脸图像的独立基的获取是采用基于四阶统计信息的 ICA算法 ;为了减少计算复杂度 ,对原图像进行滤波降维 ,并用遗传算法对 ICA求得的独立基集合进行搜索得到了一个最优的独立基子集 ;最后 ,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决 .对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高 ,且计算量小于传统的基于

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术 .传统方法是采用陷波滤波器或自适应滤波 .论文则提出了用独立分量分析 (ICA)进行生物医学信号中工频干扰消除的新方法 .在简要介绍了独立分量分析的基本理论及算法的基础上 .根据三种不同的实际情况 ,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤 ,并给出了实验结果 .

独立分量分析–经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis,ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用ICA将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。

一种改进的快速独立分量分析算法及其在图象分离中的应用

独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效的方法而受到广泛的关注,并在许多方面获得成功应用.讨论了独立分量分析的基本原理、判断条件和算法,并在此基础上,介绍了独立分量分析的一种快速算法——FastICA算法;对FastICA算法的核心迭代过程进行改进,得到M-FastICA算法,改进算法减少了独立分量分析的迭代次数,从而提高了算法的收敛速度.最后将M-FastICA算法应用到图象的分离上,实验结果表明,改进算法在分离效果相当的前提下,串行算法迭代次数减少了9％,并行算法迭代次数减少了27％,收敛速度更快.

用独立分量分析方法实现地震转换波与多次反射波分离

独立分量分析(ICA)是新兴的一种统计学方法。其目的是寻求对非高斯分布数据进行有效表示,使得各个基分量在统计学意义上独立,或者尽最大可能独立。这种表示意在获取数据的基本结构,可有效实现特征提取和信号分离。本文概述ICA的基本理论和快速算法,并在分析地震记录特点的基础上,阐明采用ICA方法可以实现对沉积地区远震记录中转换波和多次反射波的分离。研究结果表明,ICA方法可有效地分离地震转换波和多次反射波,并由此获得较为合理的地下间断面初步解释结果,从而有利于扩展接收函数技术的应用。

基于独立分量分析的多次波盲分离方法研究

独立分量分析是一种以高阶统计量为基础的信号处理方法,它以分离非高斯混合信号为目标,建立起各个分量的统计独立性判据.在传统方法中,多次波压制技术是基于二阶统计量,求得最优解得基本前提是一次波和多次波正交.本文将ICA应用于多次波问题,在对地震数据基本构成作了分析的基础上,建立起多次波盲分离的ICA模型,并对其假设条件和固有不确定问题进行了详细的研究分析,然后给出了基于负熵的快速ICA算法并加以改进,最后进行仿真实验.试验结果表明,该方法能有效地压制地震资料中的多次波信息,较好的恢复一次波信息.

单通道独立分量分析算法的比较分析

分析单通道ICA方法中不同算法的适用范围和优劣程度,通过仿真实验证实了单通道ICA算法在单通道信号分离的实用性,并讨论了单通道ICA算法在变形分析中应用的可行性。

基于独立分量分析的语音增强

带噪语音可看成由独立的噪声信号和语音信号经某种方式混合而成,因此可对其进行独立分量分析（ICA）,将噪声和语音分离,从而达到语音增强的目的。但是ICA要求观测信号数目不少于独立源个数,故无法直接对单路信号进行独立分量分析。本文提出一种方法巧妙地从单路信号中生成两路信号,然后对其进行独立分量分析,实现语音增强。实验结果表明,在0-10db输入信噪比下,ICA方法能达到3-6db的信噪比改善,并保持良好的可懂度。

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。

基于独立分量分析的电压闪变检测方法

独立分量分析利用信号的高阶统计量快速准确地实现信号的分离和恢复。提出利用独立分量分析和同步滤波相结合的电压闪变检测方法。首先,采用同步解调的方法将包络信号和工频电压相乘的形式转变为包络信号和中心频率为100 Hz的双边带调幅信号的线性组合;然后依据负熵最大化的独立性准则和基于固定点的Fast-ICA算法进行盲信号分离;对分离得到的包络信号进行幅值修正,实现真实信号的估计。仿真结果表明该算法能准确分离平稳和非平稳的电压闪变信号的包络信号,且对幅值和频率的检测精度高。

用于共道通信系统的FastICA算法性能分析

FastICA算法是目前最常用的盲源分离算法之一,较好的分离和收敛性能使其在无线通信里有很好的应用前景。本文主要研究在有噪声的共道通信环境下,FastICA算法的性能分析。首先提出一个基于ICA的通信系统结构,接着介绍一种噪声分解方法,并结合预白化过程得到一个新的信号模型表达式。基于这个新的信号模型,分析得出FastICA算法全局分离矩阵参数的统计表达式。最后,使用容量指标来衡量分析结果的正确性,并且给出基于FastICA算法的通信系统频谱利用率。

独立分量分析及其在变形监测数据处理中的应用探讨

在变形监测数据处理中存在噪声与信号频率混叠、变形影响因素监测量相关等问题,而独立分量分析在盲信号分离、去除冗余、处理频率混叠干扰等方面具有独特的优势。为此,将独立分量分析引入变形监测数据处理中,用仿真实验证实了该方法处理"频率混叠干扰不可分"问题的有效性,并探讨了该方法在变形监测数据处理中的应用。

独立分量分析在有噪图像分离中的应用

独立分量分析(independentcomponentanalysis,ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪信号的独立分量分析(NoisyICA),利用小波阈值去噪和FastICA算法进行了有噪混合图像分离的仿真研究。结果表明,对于含有加性观测噪声的混合图像的分离,先去噪处理再进行独立分量分离的效果要优于独立分量分离后再去噪的效果。

独立分量分析法在电能质量监测与分析中的应用

介绍了目前的电能监测设备,讨论了电能质量监测与分析方法,分析了傅里叶变换、短时傅里叶变换、Wigner谱分析和小波变换的不足之处,提出可以将独立分量分析法(independentcomponentanalysis,ICA)应用于电能质量的监测与分析中。基于ICA的原理通过2个实验模拟了电网中出现电压跌落、电压上升、欠电压、电压波动、瞬时脉冲等电能质量扰动的情况,对含强噪音与干扰的电网电压进行了监测和分析,并用仿真试验验证了将ICA应用于电能质量监测与分析的正确性和有效性。

基于独立分量分析基的地震随机噪声压制

传统的独立分量分析(Independent Component Analysis,ICA)去噪方法假设地震记录的相邻道含有相同的随机噪声,仅适用于同相轴较平的地震记录,去噪效果并不显著。为了改善ICA方法对高斯随机噪声的压制效果,首先通过构造度量数据非高斯性的目标函数求取地震数据的ICA基,将数据转换至ICA域;然后通过贝叶斯方法构造出满足非高斯分布的阈值函数,进行阈值法去噪处理。为了满足独立分量分析的假设条件,将地震数据进行分块处理,并假设每个数据块与整体的数据含有相似的数据结构。理论模型及实际资料试算结果表明,该方法可以有效地压制剖面中的高斯随机噪声,对含复杂界面的数据也十分有效,具有较好的应用价值。

基于分块独立分量分析的人脸识别

提出了一种基于分块独立分量分析(BICA)的特征提取方法。该方法通过将人脸分块降低了光照条件、人脸表情等外在因素对人脸识别的影响,并先后将分块后重组的矩阵的行和列作为训练样本提取独立分量,由于训练样本维数很小,因此它降低了传统独立分量分析(ICA)方法中存在的高维小样本问题产生的识别错误率,同时减少了识别时间。在Yale人脸库和AR人脸库上验证了该算法的有效性。

基于独立分量分析的非均匀采样弱信号频域检测

非均匀采样可以在对模数转化器件的采样频率要求较低的情况下,提取超出Nyquist采样定理限制的频率.当包含两个幅值相差大于10%信号的混合信号经过非均匀采样后,由于采样的伪随机性会产生频谱噪声,因此从幅值谱中辨别不出幅值很小的弱信号.根据非均匀采样的幅值谱识别出大信号频率,构造模拟源信号,以混合信号作为另一个源信号,根据独立分量分析(ICA)对幅值不敏感的特点,使用FastICA算法从混合信号的频谱中成功分离出幅值为强信号幅值五百万分之一的弱信号.在弱信号检测过程中,提出利用互相关系数进行"扫相"处理,以解决大信号相位匹配的问题.在相位匹配存在0.70%误差的情况下,成功分离出幅值为强信号幅值0.06%的弱信号.

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注。作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位。

基于独立分量分析的电力系统瞬时电压畸变信号判别方法

提出一种基于独立分量分析(independent component analysis,ICA)的瞬时电能质量扰动信号检测与判别方法。利用ICA可将相互独立的源信号从其线性混合信号中分离出来的特点,以负熵作为衡量信号独立性的目标函数,通过优化此函数,得到一种固定点算法:FastICA算法,用此算法对包含瞬时电能质量扰动信号的电网电压信号进行计算,可分离出与扰动相对应的信号。对于不同类型的扰动,分离出的信号具有不同的波形特征,根据这一特点,可对扰动进行判别并确定其位置和持续时间。仿真试验结果表明,该方法对瞬时电压跌落、瞬时电压上升、瞬时脉冲、瞬时电压中断、谐波等多种瞬时电压畸变信号有较好的检测与判别效果。