基于ICA与PSD的ERD/ERS信号检测

介绍一种基于独立分量分析(ICA)空间滤波结合功率谱密度(PSD)曲线分析法用于提取大脑在想象动作时产生事件相关去同步/同步(ERD/ERS)信号的方法.其检测流程为:先对想象动作诱发的脑电(EEG)信号进行ICA分解得到独立分量与相应的解混矩阵,再按特征频段取其主要分量得到滤波后数据,然后采用短时傅里叶变换计算相关导联EEG信号在特征时段与频段的PSD曲线,引入ERD/ERS系数作为量化指标以进行想象动作的识别.计算结果表明,上述方法能够显著增强运动想象脑电信号的ERD/ERS特征信息,且通过实际分类验证,采用该方法可以获得更高的识别正确率,较传统信息检测方法平均提高8%以上.

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。

基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别

正确识别木材对木材科学和木材产业具有重要意义。提出一种提取木材显微图像特征并进行识别的新方法。首先进行傅里叶变换得到木材显微图像的傅里叶变换功率谱图,然后进行独立成分分解得到功率谱图的独立基,所提取的特征就是木材显微图像的功率谱图在独立基上的投影系数,最后利用支持向量机对待识别图像在独立基上的投影系数进行分类,实现木材识别。在200幅木材显微图像库上进行小样本实验,取得了较高的识别率。实验结果表明,该方法具有较大应用潜力。

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。

独立分量分析在货车轴承故障诊断中的应用

提出基于独立分量分析的故障诊断方法,数值试验结果表明,基于独立分量分析的故障诊断方法能有效地诊断滚动轴承的外圈、内圈和滚动体的故障,而且比传统的共振解调法的性能更好。

脑电信号的最优分数阶傅里叶变换

为消除噪声影响、准确提取信号特征,提出了对脑电信号进行最优阶次的分数阶傅里叶变换,以对脑电信号进行时频域分析.首先采用二维峰值搜索算法得出最优变换阶次,然后基于最优变换阶次对脑电信号进行分数阶傅里叶变换.实验结果表明,基于二维峰值搜索算法的最优分数阶傅里叶变换能更好地去除脑电信号的噪声,使信号具有非常好的能量聚集性,为脑电信号的特征提取以及进一步分析研究打下良好的基础.

频域盲源分离的非圆信号推广

作为盲源分离(BSS)问题的最有效解决方法之一,独立分量分析(ICA)算法可以分为时域和频域算法两类。将时域盲源分离的快速算法推广到频域,通过在频域中应用非圆信号的伪协方差矩阵,推导出一个新的固定点算法来解决线性瞬时混合的非圆信号盲源分离(BNSS)问题。仿真实验验证了该算法的有效性。

基于密钥图像的加密技术

基于密钥图像的加密技术主要采用自然图像的傅立叶变换的相位作为密钥,并和另一幅图像的相位谱(phasespectrum)进行相加,实现图像加密。研究发现,用该密钥同时对两幅以上图像进行加密时,则用独立变量分析法可有效分离出密钥或原图像。本文提出一种相位调制(modulate0)方法,可有效保护密钥,确保加密图像的安全性。