基于独立分量分析的电力线物联网去噪

为了降低电力线物联网通信中的噪声影响,使用松弛因子对盲源信号处理中的鲁棒性独立分量分析算法进行优化,并应用于电力线物联网中。通信接收端采用多路接收信号,使用预白化矩阵降低各路信号之间的相关性之后,再利用基于松弛因子优化的鲁棒性独立分量分析算法计算出分离矩阵,对多路信号分离,并通过判决从分离出的信号中找到传输的数据信号。通过对电力线环境建模仿真,实验结果表明,将此优化的算法应用于电力线物联网中可有效去除噪声,去噪后比去噪前信号的信噪比提高了2倍,且相比于直接应用鲁棒性独立分量分析算法,使用松弛因子优化后的算法使得去噪过程中不会出现算法不收敛的情况。     

一种快速在线盲源分离方法

传统的独立分量分析方法大多采用批处理的方式,不能满足时变混合系统中盲源分离的需要.文章通过修改基于负熵的代价函数,导出了一种快速在线盲源分离算法,并采用一种基于函数估计的自适应变步长方法优化了算法的性能.通过真实录制语音信号的仿真试验,说明算法的收敛速度和稳态性能均优于自然梯度变步长算法.     

一种适用于复信号的盲源分离新算法

针对复数字通信信号盲源分离中存在相位模糊的问题,提出了一种新的快速盲分离算法,该算法将只适用于实信号的FastICA盲分离算法推广到复数字通信信号中,同时还可以消除同相和正交分量相互独立的复信号的相位模糊性.该算法不用考虑步长的选择问题,不仅收敛速度快,而且具有与实FastICA算法一样的稳定性.仿真结果表明,该算法既可以分离不同载频的数字通信信号,也可以分离同载频的数字通信信号;既可以分离不同调制方式的数字通信信号,也可以分离相同调制方式的数字通信信号.     

基于QPSO和ICA的图像盲分离方法研究

针对ICA技术中常用的普通梯度算法容易陷入局部最优,提出了一种基于量子行为的粒子群算法和独立分量分析相结合的盲源分离新算法.以负熵作为独立分量分析的目标函数,用QPSO算法代替普通梯度算法,对瞬时混合信号进行分离,给出了算法的具体步骤.实验结果表明,该算法能够有效实现图像的盲源分离.同时与其他算法对比,体现了该算法更高的性能.     

基于负熵极大的独立分量分析方法

独立分量分析（Independent Component Analysis,ICA）是近年来发展起来的一种有效的盲源分离技术（Blind Source Separation,BSS）．本文介绍了独立分量分析的基本理论,用基于最大熵原理的对负熵的估计方法得出了ICA的目标函数,并介绍了基于负熵极大的FastICA算法．MATLAB仿真试验表明：该算法可以较好地分离混合声音信号,具有良好的稳定性,收敛速度较快.     

基于快速独立分量分析的多维混合信号盲分离

介绍了一种用于盲信号分离的快速独立分量分析方法(FastICA).该方法以信息论中的负熵作为估计输出分量之间统计独立的目标函数,通过优化该目标函数,得到快速独立分量分析的迭代算法.由于该迭代算法不需计算输出分量的高阶统计量,收敛速度快.通过线性混合时间信号分离和图像信号分离的仿真实验表明Fas-tICA算法可以快速有效地分离这些信号.     

基于时频独立分量分析的Wigner-Ville分布交叉项消除法

由于信号混合引起的交叉项严重降低了Wigner-Ville分布的时频分辨率，为此提出一种基于独立分量分析的Wigner-Ville分布交叉干扰项消除法.在无须了解信号混合系数的情况下，通过盲源分离法提取各独立分量信号，给出盲源分离结果不确定的解决方法.建立了包含自项与交叉项的时频分布矩阵，利用时频分布矩阵的联合对角化算法消除独立分量信号之间的交叉干扰项.通过独立分量自项求和重构Wigner-Ville分布，重构的Wigner-Ville分布具有良好的时频分辨率.数值仿真结果验证了算法的有效性.     

基于二阶统计量的盲辨识方法研究

在信号的预处理阶段,可简化盲源分离或独立分量分析方法,采用基于二阶统计量的盲辨识方法,分离不同功率谱的有色源信号,以改善自适应系统的收敛特性,消除冗余或减少噪声污染。提出了一种基于特征值分解的二阶统计量的盲辨识方法,可以较好地识别混合矩阵,对有色源信号进行盲源分离。通过不同时滞t的比较,以及不同算法的比较,证明了该辨识方法对不同的时滞在t=1时的分离效果最好,且该方法比其他方法的分离效果更好。     

基于部分独立分量分析的盲源分离

独立分量分析是近年来发展起来的一种可有效应用于盲源分离的多通道信号处理方法，对从观测信号中分离出信源信号有较好的性能．但独立分量分析方法的主要限制之一是信源信号统计独立，而大多数实际应用问题都不能保证这一点，使运用独立分量分析进行盲源分离的效果受到极大的影响．因此．提出了利用特征选择的方法近似获得信源信号中的独立分量，对这些分量上的观测信号运用已有的独立分量分析方法进行盲源分离，获得了较好的分离结果．     

基于经验特征函数的盲源信号分离法及应用

从盲源信号分离后非高斯性最大化出发,提出了一种基于经验特征函数的盲源信号分离方法.该方法把经验特征函数与概率密度函数一一对应,并以混合信号与高斯信号的经验特征函数的欧氏距离最大化作为判据,以固定点算法为优化算法进行盲源分离.该方法克服了FastICA算法中选取不同的近似函数对不同概率密度分布的信号效果不佳的问题.仿真实验结果表明,与常用的几种FastICA算法相比,该方法具有更好的收敛效果.采用新的盲源信号分离方法对管道破坏产生的实际声发射信号进行分离,可将破坏点互相关定位精度提高到3%以上.     

一种新的基于极大似然估计的盲分离算法

盲源分离（Blind Source Separation，BSS）或独立成分分析（Independent Component Analysis，ICA）是一种矩阵处理或数据分析技术，主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广，它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题，从观测信号与分离信号的概率密度函数（Probability Densitv Function PDF）之间的关系推导出了一种新的基于极大似然估计的盲分离算法，通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF，以此来分离源信号。并通过模拟实验验证了此算法的有效性。     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．     

基于EEMD-FastICA的位移摄像测量误差源探究

随着摄像测量技术在土木工程结构健康监测领域的应用逐渐增多,摄像测量技术的长期全天候工作性能受到越来越多的关注.为探究摄像测量技术的主要误差源,提出一种基于盲源分离(Blind Source Separation,BSS)的误差源分析新方法:为了构建多通道信号作为盲源分离模型的输入信号,采用集合经验模态分解法(Ensem...     

含噪独立分量分析的期望最大化算法

把期望最大化(EM)算法应用到含噪ICA模型中,即假定源信号具有统计独立性,并将其放在贝叶斯估计框架中,提出一种解决含噪独立分量分析(ICA)的期望最大化(EM)算法。在含噪ICA模型中,假设源信号的均值和方差服从更为一般的均匀分布,提出的EM算法将混合矩阵和超参数交替进行处理,可以有效地估计混合矩阵和超参数在一定模型下的模型参数,从而能够估计出源信号。仿真结果说明,该方法能够很好地解决含有噪声ICA模型下的盲源分离问题。     

结合PCA和ICA的脑磁信号消噪研究

基于二阶统计特性的主分量分解(PCA)和基于高阶统计特性的独立成分分析(ICA)是盲源分离信号处理中两种最为典型的方法．针对多通道脑磁信号的消噪问题,提出一种基于PCA与ICA相结合的信号消噪新算法．首先通过对脑磁信号进行主分量分解来降低信号维数,去掉其中包含的冗余成分,使计算时间缩短到原来的10％;进而利用自适应最大熵独立成分分析算法对降维后的数据进行二次分解,提取出脑磁信号中含有的干扰分量,使信噪比从10dB提高到80dB,达到对信号进行消噪的目的．     

基于相关熵的盲源分离算法

提出了基于相关熵的盲源分离算法。与传统独立成分分析(ICA)方法利用四阶统计量或时间结构的盲源分离不同,该算法从信息理论学习中的相关熵概念出发,利用相关熵中蕴涵的各偶数阶统计信息,通过参数化中心相关熵与独立性测度的关系,建立代价函数,并通过优化算法对其进行寻优,从而得到解混矩阵并分离出源信号。仿真结果表明,在分离超高斯混合源和次高斯混合源时,分离性能优于传统的ICA方法。     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

独立分量分析在心房纤颤检测中的应用研究

为了从心房纤颤患者的动态心电图记录中抽取心房活动信号并对其进行特征分析，提出了一种无损型心房纤颤自动诊断方法.证明了应用独立分量分析（ICA）必须满足的3个基本条件：源间独立性、瞬时线性混合和至多一个高斯源，并建立了盲源分离的数学模型.采用快速固定点优化算法分析仿真试验和临床数据，计算各被分离分量的峰度值，有效提取了心房纤颤信号，定性和定量地表明了该方法的准确性和鲁棒性.