联合对角化算法在功耗分析去噪中的应用

提出了一种应用联合对角化算法(Joint Approximative Diagonalization of Eigen-Matrics,JADE)提高功耗信息信噪比的方法.在采集了功耗数据的基础上,使用联合对角化算法对功耗数据和噪声进行分离,使信噪比提升了33.6dB.并使用快速固定点算法(FastICA)与之对比,在1000次实验条件下,统计出两种算法提升信噪比的平均值和串音误差值.结果表明,联合对角化算法比快速固定点算法提升的信噪比高3.7dB,而联合对角化算法串音误差也低于快速固定点算法,证实其在功耗分析去噪中更有优势.     

一种改进的双因子自适应FastICA算法

为解决快速独立分量分析算法（FastICA）对初值权值敏感的问题,提出了一种双收敛因子FastICA算法（Double Convergence Factor FastICA,DCF—FastICA）。该算法利用两个不同步长因子的FastICA算法进行组合,并通过梯度算法自适应调节两分离权值矩阵的组合系数,从而得到最优权值分离矩阵。理论分析与实验结果表明DCF—FastICA算法较之以往改进算法具有明显的优势,该算法不仅改善了初值权值敏感问题,而且可在几乎不损失分离精度的情况下,使平均分离速度较原算法提高近70%,迭代次数较原算法减少近80%。     

基于局部邻域信息的Contourlet变换域图像去噪

分析了Contourlet变换系数间的统计特性,提出了一种新的基于Contourlet变换的图像去噪算法.这种算法考虑相邻Contourlet系数间的相关性,认为某一位置"干净"的Contourlet系数不仅与这一位置本身的含噪系数有关,也与其周围邻域的含噪系数有关.实验结果表明,所提出的算法不仅能得到较满意的"线形结构",而且也能获得比现有方法更高的信噪比.     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。     

基于小波变换的静音与语音分割新算法

含噪语音信号的静音与语音分割，即端点检测问题是语音识别至关重要 的一步，为了提高语音分割对环境的适应性，提出了一种利用小波变换分割含噪语音信号中静音与语音的新算法，该算法首先将语音信号进行小波变换，利用小波系数去噪，然后选择小波部分子带跟踪信号的能量变化以分割语音与静音，仿真实验表明该算法在低信噪比条件下也能够有效分割语音。     

改进的Beta过程因子分析图像修复算法

图像修复是利用图像已知信息对图像破损区域进行填充修复的过程,而非参贝叶斯技术在图像稀疏表示中被认为是一种有效的字典学习方法,作为一种有效的非参贝叶斯算法,基于Beta过程因子分析算法(BPFA)在去噪、修复以及压缩感知方面有很广泛的应用.然而现有的BPFA算法在对含噪的破损图像修复时收敛速度慢,针对这个问题本文在BFPA算法更新字典时与K-SVD算法相结合,提出一种基改进的BPFA学习算法,改进算法利用K-SVD算法简单收敛速度快的特点,在原有算法更新参数时,利用OMP稀疏编码更新字典候选集以达到提高算法的收敛速度的效果.得到的结果表明本文算法能够更好地修复含噪破损图像获得较好的视觉效果.     

基于峭度的独立分量算法的性能分析研究

独立分量算法是一种应用非常广泛的盲信号处理算法.而峭度作为一种重要的信号分析工具,可以有效地进行优化分析.然而,对于各种不同类型的算法的对比分析目前还少有介绍,所以有必要对基于峭度的FastICA和RobustICA两种独立分量算法进行对比分析研究.理论分析及实验结果表明,鲁棒独立分量法RobustICA在鲁棒性、收敛性和复杂度方面整体优于快速定点独立分量法FastICA,从而为实际应用提供一定的参考价值.     

含噪信号的特征基表示与信号去噪重构

提出了一种利用信号幅度谱的去噪重构算法,并作了仿真实验研究．该算法利用含噪信号在幅频特性上的特征,通过特征基来进行信号的去噪处理．仿真研究结果表明,采用该种算法作合噪信号的重构,可以明显地去除信号的宽带噪声．该算法可以应用于噪声严重污染信号的离线去噪处理．     

全变差曲波变换在医学影像图像去噪中的应用

针对曲波变换算法在医学影像图像去噪中会产生截断伪影和边缘模糊等问题,提出了一种全变差曲波变换算法.该算法首先对含噪医学影像图像分别进行曲波阈值和全变差去噪,然后将得到的去噪结果进行曲波逆变换并生成最终图像.仿真实验结果表明,该算法不仅可有效地降低噪声,还可较好地保持医学影像图像边缘和细节信息,其效果明显优于曲波变换算法和全变差算法.因此,该算法对医学影像图像的噪声滤除具有良好的应用价值.     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

应用改进ICA-R算法的供水管网漏失量估计

漏失量作为城市供水管网漏损量的主要组成成分,可作为管网漏损控制的重要参考指标.现有漏失量计算方法存在准确度不高,计算过程复杂等问题,而盲源分离法具有数据需求量少,分析结果准确特点.针对盲源分离中约束独立成分分析(CICA)算法在漏失量估计中存在误收敛,限制盲源分离法进一步应用的问题,提出利用改进的带参考信号的独立成分分析(改进ICA-R)算法进行供水管网漏失量估计思路.对目标函数选取、信号处理过程进行分析说明,同时设计算例管网模型并搭建漏失实验平台验证算法分离效果,并与快速独立成分分析(FastICA)算法处理效果进行对比.采用皮尔逊相关系数评价漏失量分离效果,利用平均相对误差评价改进ICA-R分离精度.结果证明,使用改进ICA-R算法分离漏失量所得相关系数维持在90%附近,平均相对误差维持在15%以内,优于FastICA算法,该方法避免加装大量计量仪表,降低了漏失量计算成本,可为漏失量计算提供参考,便于各水司有针对性地采取漏损控制措施.     

白化处理的自然梯度盲源分离统一算法

分析了基于自然梯度的信号白化处理和白化后的盲信号分离,提出了一种基于白化处理的自然梯度盲源分离算法.算法统一了信号的白化和分离,而不需要单独再对信号进行白化预处理,通过采用自然梯度学习规则提高了算法的性能,并理论证明了算法的可分离性、等变化性和分离矩阵的非奇异性.仿真表明,算法能够有效地分离和重构源信号,相比信号未白化的随机梯度算法以及传统的FastICA算法,收敛速度快、分离效果好,更适合盲源分离.     

基于模糊逻辑的足迹图像滤波算法

根据足迹图像噪声的特点,提出一种基于模糊逻辑的足迹图像去噪算法．算法首先分析足迹图像中像素不同方向邻域的灰度值分布情况进行噪声像素点的检测．然后使用改进的去除最大最小灰度值中值滤波算法对已检测噪声像素点的灰度值进行复原估计．最后,通过所设计符合实际的模糊逻辑规则,进行足迹图像噪声污染像素点的复原．实验结果表明,新算法在去除噪声的同时能够较好地保持足迹图像的细节特征,取得了优于现有大多数足迹图像滤波算法的效果．     

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.     

基于抗噪声的多任务多示例学习算法研究

在多示例学习中,当训练样本数量不充足或者训练样本中存在噪声信息时,分类器的分类性能将降低.针对该问题,本文提出了一种基于抗噪声的多任务多示例学习算法.一方面,针对训练样本中可能存在的噪声问题,该算法赋予包中示例不同的权值,通过迭代更新权值来降低噪声数据对预测结果的影响.另一方面,针对训练样本数量不充足问题,该算法运用多任务学习策略,通过同时训练多个学习任务,利用任务间的关联性来提高各个分类任务的预测性能.实验结果证明,与现有的分类算法相比,该方法在相同的实验条件下具有更优秀的性能.     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.     

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数 (IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD 算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark 结构验证了所提算法的有效性。