一种基于Infomax的盲分离算法及其稳定性

本文讨论具有超高斯分布与亚高斯分布的混合源信号的分离问题 ,提出了一种有效的分离算法———拓广的Infomax算法 ,并分析了该算法的渐近稳定性 ,与原有的Infomax算法相比 ,本文所提算法具有更广泛的应用范围 .

基于扩展Infomax算法的变步长在线盲分离

由于扩展的Infomax算法需要一定的样本长度来估计信号的峭度,所以常采用离线批处理的方式,但这种方法不能处理混合矩阵发生变化的情况。通过判断系统混合矩阵是否改变,改进了在线估计峭度的模型,同时为解决在线算法中收敛速度和稳态误差的矛盾,提出了一种新的步长更新算法,该算法根据信号的分离状态与峭度曲线收敛程度的关系,采用峭度方差为参数来控制步长的变化,使得步长的选择与分离状态相结合,减小了稳态误差,仿真结果证实了该算法的有效性。

在线Infomax算法及其在长记录脑电消噪中的应用

基于信息极大原理的Infomax算法是一种非常有效的盲源分离算法,在信号处理领域中得到了广泛的应用。本文在传统Infomax算法的基础上,提出了一种在线Infomax算法。文中对在线Infomax算法的性能进行了分析和验证,并结合长时间记录的实测脑电信号中的心电伪迹消除问题,对在线Infomax算法和传统Infomax算法的性能进行了进一步的分析比较。实验结果证明,本文提出的在线Infomax算法在时变混合模型中具有良好的收敛性能,并能有效地消除脑电信号中的心电伪迹。

基于Infomax算法的脑电信号中心电伪迹的消除

介绍了一种基于信息最大化(Infomax)算法的盲源分离(BlindSourceSeparation,简称BSS)方法,并将其应用于脑电信号的预处理中,有效地去除了脑电信号中的心电伪迹。

基于分块自适应的在线Infomax及其扩展算法

自适应在线Infomax及其扩展算法适用于非平稳环境下的信号分离,具有广泛应用。本文结合批处理分离算法和自适应在线分离算法的优点,提出了分块自适应在线分离算法。并详细推导了基于在线Infomax及其扩展算法的分块自适应更新公式。在此基础上,还推导了一种基于峭度方差调整步长的分块在线变步长公式。仿真结果表明,新算法具有在线算法适用于非平稳环境的优点,在与传统自适应在线算法分离效果相当的条件下,运算量大大降低,数据处理时间大大减少。

非线性Infomax自组织算法的盲源分离机理

Ｌｉｎｓｋｅｒ提出，生物系统对信息的处理可能遵循信息传输最大化准则，并导出了一类神经网络自组织算法——Ｉｎｆｏｍａｘ算法。本文详细讨论了在输入－输出为非线性映射且无输入噪声条件下Ｉｎｆｏｍａｘ算法的性能，证明了在一定条件下Ｉｎｆｏｍａｘ算法与ＩＣＡ算法等价。

线性Infomax自组织算法的性能分析

自从Ｌｉｎｓｋｅｒ提出生物系统对信息的处理可能遵循信息传输最大化准则（Ｉｎｆｏｍａｘ）以来，Ｉｎｆｏｍａｘ算法已被成功地应用于很多领域。作者在“非线性Ｉｎｆｏｒｍａｘ自组织算法的盲源分离机理”一文中研究了输入－输出为非线性映射、无输入噪声时Ｉｎｆｏｍａｘ算法的性能，本文在以前工作的基础上，详细讨论了在输入－输出为线性映射、输入信号和噪声为高斯分布条件下Ｉｎｆｏｍａｘ算法的性能，并与传统的ＰＣＡ算法作了比较分析。

基于Infomax预处理的诱发电位潜伏期变化自适应检测

诱发电位 (EP)信号的检测与分析技术是临床医学诊断神经系统损伤及病变的一种重要手段。本研究提出一种预处理EP潜伏期变化动态检测方法 ,即利用独立分量分析方法 (ICA)对含有α稳定分布噪声的EP信号做预处理 ,再利用DLMS、DLMP算法动态检测EP潜伏期变化 ,形成了p -DLMS和p -DLMP算法。仿真结果及实验数据分析表明 ,p -DLMS和p -DLMP收敛速度分别高于DLMS和DLMP算法 ;在混合信噪比较低的情况下 ,p -DLMS和p -DLMP算法可以自适应地检测出潜伏期变化 ,且比DLMS和DLMP算法具有较好的估计精度和收敛速度 ;对不同的α的值 (0 <α 2 ) ,p -DLMS算法和p -DLMP算法性能基本不变。

扩展Infomax算法的收敛性分析

扩展Infomax算法是在传统Infomax算法基础上发展起来的一种较为实用的盲源分离算法。该算法采用非线性模型的动态切换技术,实现了对超高斯源和亚高斯源的同步分离。该文结合模型切换矩阵系数和迭代误差在盲源分离过程中的变化,直观地展示了扩展Infomax算法的收敛过程。文中还探讨了高斯随机噪声和随机脉冲干扰对算法收敛性能的影响。所得结论对于扩展Infomax算法的实际应用有一定的指导意义。

采用过采样技术的Infomax盲源分离算法

针对混合平稳信号的盲分离问题,提出了一种基于过采样技术的新盲源分离算法。对接收混合信号进行过采样,使接收平稳信号具有循环平稳特性。根据信息最大化算法,以输出信号的熵作为目标函数,将信号的循环相关函数和循环频率应用到分离矩阵的寻优中,实现信号的盲分离。仿真结果表明,该算法比传统的Infomax盲分离算法收敛速度快,收敛精度高。

基于改进Infomax算法在生化过程监控中的应用研究

生化工过程中存在大量测量变量,这些变量一般不是相互独立的,而是由少数必要的潜隐变量驱动,这些潜隐变量通过独立成分分析方法(ICA)抽取出来;针对现有的Infomax(信息极大)ICA算法收敛速度慢的问题,引入四阶统计去相关的混合学习规则,结合加权协方差阵的非对角元素最小化,提出了一种改进Infomax算法,将其用于生化工过程故障的提取,并通过在TE(TennesseeEastman)模型上仿真,结果表明该方法改善了原有算法的收敛性能,盲源分离效果良好。

一种基于扩展Infomax的自适应学习算法

独立向量分析根据信源统计独立特性对观测信号进行分离运算,扩展Informax算法既能分离超高斯信号,也能分离亚高斯信号,得到广泛的应用。本文基于扩展Info-max算法特点,提出了一种自适应的学习算法,该算法使得学习步长根据信号的代价函数变化而变化,克服了扩展Infomax算法在稳态步长调整过程中的不足,仿真结果证实了该算法的有效性。

基于分块扩展Infomax算法的胎儿心电分离

背景:胎儿心电是围产期对胎儿发育状况监测的重要参数,准确将胎儿心电从母体心电中分离出来是目前研究的重点。目的:采用分块扩展Infomax算法能够快速、有效的将胎儿心电分离出来。方法:利用分块扩展Infomax算法结合四阶统计去相关学习规则,使信号加权协方差阵的非对角元素最小化,改善算法收敛速度。结果与结论:扩展Infomax能实现超高斯和亚高斯信号的同时分离,文章提出的算法在收敛速度上要快于扩展Infomax的收敛速度。扩展Infomax算法能对胎儿心电实现有效的提取,由于分块扩展Infomax算法每次处理的数据量远少于扩展Infomax算法处理的数据量,且分块Infomax算法的迭代次数也远小于扩展Infomax的迭代次数,从而实现了胎儿心电的快速分离。

基于扩展Infomax独立分量分析算法的脑电信号消噪

背景:脑电信号能够反映大脑不同的生理病理状态,但在采集和分析处理过程中极易受到各种噪声的干扰,如眼球运动、眨眼、心电、肌电等,这些噪声的存在严重影响了脑电信号的分析和处理。目的:介绍了一种基于扩展Infomax的独立分量分析方法,并用于脑电信号消噪。方法:通过扩展Infomax算法的迭代求得分离矩阵,采用去除噪声分量后的独立成分重构需要记录的脑电信号,观察Matlab仿真得到的去噪后的脑电信号,同时比较去噪前后各导联脑电信号与眼电信号的相关性。结果与结论:使用扩展Infomax独立分量分析算法能够成功地去除多导脑电信号中的眼电干扰。再比较去噪前后各导联脑电信号的功率谱,可以发现使用扩展Infomax独立分量分析算法同时也能够成功地去除多导脑电信号中的工频干扰,且对脑电信号中的其他有用信号几乎没有破坏。

基于泛化高斯模型infomax算法的水声信号盲分离

在信号盲分离领域中,信息最大化算法是一种比较成熟的算法,尤其在处理语音信号盲分离问题中,有着较好的效果.通过对水声信号幅值分布的研究,将基于概率密度函数估计的信息最大化算法运用到水声信号盲分离中,并通过仿真实验比较了基于不同概率密度函数的信息最大化算法对水声信号盲分离的效果.ICA算法的成功与否取决于它的概率密度模型是否能较好的拟合信号本身固有的统计分布.通过对船舶辐射噪声信号的盲分离实验证明了GGM能较好的拟合船舶辐射信号及海洋噪声信号这两种不同的概率分布.

基于独立分量分析的欠定盲源分离方法

针对欠定盲分离算法只能分离稀疏信号,对不稀疏信号分离效果不理想,而经典独立分量分析算法中扩展Infomax算法能分离超高斯信号及亚高斯信号,却只能应用于观测数不少于源数的超定盲源分离等问题,结合扩展In-fomax算法,提出欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,应用经典的扩展Infomax算法进行分析,并对实测齿轮箱混合故障信号进行分离,用包络阶次方法对分离出的信号进行分析,成功识别出齿轮箱不同故障特征。验证该算法在齿轮箱故障诊断中的有效性。

ICA去除EEG中眼动伪差和工频干扰方法研究

眼动伪差和工频干扰是临床脑电图 (EEG)中常见噪声 ,严重影响其有用信息提取 .本文尝试采用独立分量分析 (IndependentComponentAnalysis,ICA)方法分离EEG中此类噪声 .通过对早老性痴呆症 (Alzheimerdisease,AD)患者临床EEG信号 (含眼动伪差和混入工频干扰 ,信噪比仅 0dB)作ICA分析 ,比较了最大熵 (Infomax)和扩展最大熵(ExtendedInfomax)ICA算法的分离效果 ,证实虽然最大熵算法可以分离出眼动慢波 ,但难以消除工频干扰 ,为此需采用扩展的最大熵算法 ;并知ICA方法在极低信噪比时也有较好的抗干扰性 ,且在处理非平稳信号时有好的鲁棒性 ;文中还结合近似熵 (approximateentropy ,ApEn)分析说明利用ICA去除干扰后有助于恢复和保持原始EEG信号的非线性特征 .研究结果表明ICA方法在生物医学信号处理中具有潜在的重要应用价值 ,值得深入研究和推广 .

基于小波变换和盲信号分离的多通道肌电信号处理方法

为了消除多通道表面肌电信号(SEMG)采集时形成的混叠现象,提出一种新的SEMG处理方法.该方法将小波变换和独立分量分析(ICA)结合,利用小波变换的去噪作用,滤除混合在原始SEMG中的部分噪声后作为ICA的输入信号,采用Infomax算法对输入信号实施盲分离,并引入相关系数验证ICA分量与源信号的一致性.实验结果表明,该方法用于多通道SEMG的盲分离是很有效的.

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.

独立分量分析的算法分析与改进

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。