一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

盲稀疏源信号分离算法的恢复性研究

基于一种两步稀疏表示的方法,利用随机框架讨论欠定盲源分离的恢复能力.盲稀疏源信号分离算法一般假设源信号是充分稀疏的,讨论了在源信号不充分稀疏的情况下欠定盲源分离的恢复能力的概率估计,进一步刻画了源的稀疏性与恢复能力的关系,揭示了利用两步法处理盲源分离问题的有效性.     

基于似P范数FOCUSS的稀疏信号盲分离

把似P范数FOCUSS方法应用于稀疏信号盲分离中,采用k均值聚类算法来估计混合矩阵;然后利用似P范数FOCUSS方法来求解具有线性约束优化问题的稀疏源信号,从而给出了一种基于似P范数FOCUSS方法的稀疏信号盲分离算法。该算法计算量小,精度较高。仿真结果表明该算法是有效的,具有良好的分离性能。     

一种基于局部特征点匹配的人脸识别方法

在局部特征分析思想的基础上提出了用基于正则化函数的的稀疏成分分析法来提取局部特征点,并利用两种匹配方法进行了匹配度的计算,依据匹配度的大小完成识别.实践证明该方法对人脸正面图像能进行准确的识别,并且对目标的局部区域变化能够保持很好的鲁棒性.     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

基于消噪-分离-消噪策略的有噪混合图像盲分离方法

独立分量分析虽能有效地对无噪信号实现分离,但是直接应用于有噪信号时效果较差。针对这个问题,给出了一个消噪-分离-消噪策略,并将之用于有噪混合图像盲分离且给出了具体的分离方案。首先利用小波变换对有噪图像进行消噪,然后再使用独立分量分析对消噪后的图像进行分离,接着再一次利用小波变换对分离后的图像再次消噪,从而获得较为清晰的图像。仿真实验表明,该方法能有效提高有噪混合图像分离结果的峰值信噪比和相关系数,效果良好。     

一种基于信号稀疏表示的语音去噪新方法

由于小波阈值在语音去噪中阈值的单一性,本文提出了一种基于稀疏表示理论的新的去噪算法.该算法首先用K-SVD字典学习得到信号在字典下的稀疏表示,其次用形态成分分析(Morphological Component Analysis,MCA)将语音信号分为高幅部分和低幅部分,最后用重构方法对各部分语音信号进行重构及合成.通过实验仿真,并与小波阈值去噪方法比较,本文所提方法的去噪效果更好,鲁棒性更强.     

基于稀疏分解和背景差分融合方法的图像处理技术

针对传统融合算法处理聚焦区域能力弱、边缘效果差以及目标轮廓提取存在缺陷等问题,提出了基于稀疏分解和背景差分融合的方法.稀疏分解经过鲁棒主成分分析方式提取多聚焦图像轮廓,从而为源图像的准确分离奠定基础;背景差分融合依照源图像与增强图像的差异图提取轮廓信息以准确定位聚焦区域,从而防止引入人工干扰.结果表明,与传统方法相比,本文提出的方法在很大程度上提升了融合效果,能够很好地加强其对噪声的鲁棒性,同时表现出很好的视觉效果.     

使用ε-SVR求解稀疏分解的单混合信号BSS

文章提出了一种单混和信号盲源分离(BSS)问题的改进解法。在源信号数大于混合信号数时,标准ICA法不再有效,BSS可使用稀疏分解法。文章首先将稀疏分解法等同于支撑向量回归(SVR)的一种形式,为稀疏分解法提供新的直观解释和求解方法。通过引入序列最小化算法(SMO)求解该SVR类比形式,显著提高了算法的速度和实用性。最后,我们将方法应用于QAM调制信号的单混合信号的盲分离问题,得到较好的分离效果。     

基于时频域的具有延迟的欠定盲分离

本文针对衰减-时延混合模型,提出一种改进欠定语音盲分离算法。利用独立语音在时频域上的近似稀疏性,提出势函数面-聚类方法,通过此方法可直接获得源信号的个数和各声源方位信息,省去传统聚类方法中衰减-时延的配对步骤,提出的新势函数具有很好的适应性。分离阶段,利用势函数面聚类方法估计声源信号方位信息重构声源相对传递函数,采用非线性时频掩蔽方法分离感兴趣目标语音信号,实现了不同方位信息声源信号的欠定分离,放宽了对稀疏性的限制。仿真实验证明了此分离方法的可行性和有效性,弱混响条件下的分离信号输出信噪比平均达到了16dB。     

基于Kernel PCA的人脸识别算法的探讨

扼要阐明抽取二维人脸图像特征方法并进行人脸识别,结合实验结果进行分析比较主元分析和核主元分析方法的优缺点,得出核主元分析方法在人脸识别算法中误识率低,解决了维数和小样本问题,能准确快速识别人脸的结论.     

一种视频图像中运动目标检测方法研究

针对序列图像中的运动目标检测问题,在独立分量分析的基本理论和算法的基础上,提出采用基于正交对称矩阵的快速定点算法对实际视频图像中的运动目标进行运动检测的方法。实验结果表明:该方法不仅能检测运动轨迹,还能提取运动目标的轮廓,并判断运动方向,是一种有效的运动目标检测方法。     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

PCA-ICA化工过程监控中的PCA白化性能分析

主元分析是基于独立元分析过程监控中一种重要而且常用的白化方法,可以有效地降低监控对象的维数。其基于正常样本数据,根据主元方差贡献率选取主元,保留正常样本中的大部分方差信息,消除噪声。在PCA模型中,每个主元的T2统计量表征着样本数据沿该主元方向的变异程度。通过对故障样本数据每个主元的T2统计量分析,发现某些故障信息投影在方差较小且被舍弃的主元上,从而造成故障信息的损失,进而影响了ICA的监控性能,造成故障的漏检和故障源的误识别。最后,采用一个简易系统和TE过程,验证了PCA白化过程对ICA监控性能的影响。     

黑龙江省科研院所科技自主创新能力的评价与实证研究

为对科研院所科技自主创新能力进行评价,构建了相应的评价指标体系．在此基础上,运用主成分分析法对黑龙江省科研院所的科技自主创新能力进行了实证分析,提取了3个主成分,根据对各主成分的分析结果,在经费保障、人才队伍建设、科技成果转换和扩散3个方面提出了：具体对策和建议,对提高科研院所科技自主创新能力具有重要参考价值．     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析（Principal Component Analysis,PCA）、独立元分析（Independent Component Analysis,ICA）和核独立元分析（Kernel Independent Component Analysis,KICA）三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程（Tennessee Eastman Process,TE）仿真结果表明：在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。     

Stiefel流形上沿测地线搜索的自适应主(子)分量分析对偶学习算法

神经网络在线提取子分量并不成功。基于Oja-Brockett-Xu并行神经网络拓扑结构,通过紧致Stiefel流形上加权Rayleigh商目标函数的优化框架,提出一个通过改变搜索方向并行提取主分量和子分量的自适应对偶学习算法。在正交矩阵群上采用基于右平移不变的Killing度量,通过在单位元处基于指数映射的测地线搜索,得到Stiefel流形上主(子)分量分析的对偶学习算法,提出的算法通过简单的变换步长参数符号,从主分量分析切换至子分量分析,权值矩阵在任意迭代时刻保持正交归一性。数值仿真验证了该算法的有效性。     

一种剪切波域的稀疏分量分析方法简

In applications of the image blind source separation, the traditional method of Independent Component Analysis(ICA) computes the mixed matrix by using source image directly, without using the prior knowledge that images can be represented sparsely in the transform domain, and it can not lead to a better effect. Based on the capacity of image sparse representation by shearlet, a method of sparse component analysis in the shearlet domain is presented. The image mixed source is first transformed to the shearlet domain and obtains a shearlet coefficient, then the sparsest coefficient is selected by computing kurtosis, and finally the sparse coefficient is used as the input of the ICA method to realize image separation. The complexity of the solving procedure represents a significant decrease since it chooses a less sparse coefficient. Experimental results show that, compared with the traditional ICA method, the method in this paper leads to a better separation effect and shortens the operation time of the algorithm.