Fast ICA算法是基于一批已取得的样本数据进行处理,它不适用信道矩阵变化的情况;虽基于自然梯度的Info max法是根据单次观测的样本值来调整分离矩阵,但它仅适合单类信源情况。在信道恒定和变化情况下,仿真比较上述算法的优缺点,同时为...Fast ICA算法是基于一批已取得的样本数据进行处理,它不适用信道矩阵变化的情况;虽基于自然梯度的Info max法是根据单次观测的样本值来调整分离矩阵,但它仅适合单类信源情况。在信道恒定和变化情况下,仿真比较上述算法的优缺点,同时为解决在线算法中收敛速度和稳态误差的矛盾,提出一种改进的变步长算法。该算法将步长变化与信号的分离程度相联系,根据信号之间的相似性测度变化量自适应地控制步长,最后仿真验证该算法的实用性。展开更多
将独立分量分析(Independen t Com ponen t A na lys is,ICA)作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于ICA的人脸特征提取方法的识别性能优...将独立分量分析(Independen t Com ponen t A na lys is,ICA)作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于ICA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法(In form ax算法)存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用F astICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的F astICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法(G enetic A lgorithm,GA)应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。展开更多
文摘将独立分量分析(Independen t Com ponen t A na lys is,ICA)作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于ICA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法(In form ax算法)存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用F astICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的F astICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法(G enetic A lgorithm,GA)应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。
