改进的FastICA在盲图像分离中的应用

盲源分离（BSS）是信号处理领域的一个热点问题。独立分量分析（ICA）是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已广泛应用于信号处理领域。为了有效地对混合图像进行盲源分离,介绍了一种基于改进的快速固定点算法（FastlCA）,对经过随机线性混合后的模糊图像进行盲源分离。仿真结果显示,该算法可以很有效地对线性混合图像进行盲源分离。     

一种采用小波滤波的独立分量分析算法

在盲信号处理中,作为一种非高斯性度量之一的峭度,对野值可能非常敏感。提出了一种使用小波滤波的独立分量分析(ICA)算法。首先,采用小波对混合信号进行去噪处理。然后,利用主成分分析PCA对混合信号进行白化。最后采用负熵的独立分量分析算法提取混合信号中的独立分量。实验表明,基于小波滤波的ICA算法能有效地提取源混合信号的独立分量,在噪声环境中具有比快速独立分量分析算法更好的盲源分离效果。     

基于独立分量分析的近红外图像去噪方法的研究与应用

独立分量分析（Independent Component Analysis,ICA）是一种新的盲源信号分离方法,近年来已吸引了信号处理学界和神经网络学界众多学者的研究兴趣.该文提出了基于独立分量分析的近红外图像去噪方法,该方法能有效地处理用黑白CCD传感器监测电力设备所产生的图像,使这种监测方案具有实用价值.文中简单描述了以黑白CCD传感器为核心器件的电力设备在线监测系统,阐述了ICA的基本原理,介绍了基于负熵判据的FastICA算法,给出了所提方法的具体实现步骤及相应的实验处理结果.结果表明利用该方法可以有效的去除监测图像中的噪声,使温度场的显示更清晰,满足了实际的需求.     

一种基于ICA和DWT的数字图像水印算法

数字水印是图像处理领域研究的一个热点。独立分量分析（ICA）是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已广泛应用于信号处理领域。提出了一种结合独立分量分析（ICA）和离散小波变换（DWT）的数字图像水印方法。该算法将原始图像进行小波分解,然后在小波逼近子图嵌入置乱后的水印图像。数字水印的检测使用了快速独立分量分析（FastICA）的方法,最后对分离出的水印进行增强处理。仿真结果表明该算法有效可行,具有较强的鲁棒性和隐蔽性。     

基于形态滤波和独立分量分析的轴承故障盲分离

针对独立分量分析（ICA）对噪声较为敏感及滚动轴承故障信号的调制特性,提出一种基于形态滤波与ICA相结合的方法。该方法首先对观测信号进行形态滤波以突出故障特征同时消除其他干扰源,然后应用ICA分离形态滤波后信号。对滚动轴承外圈内圈复合故障信号进行实验研究,结果表明该方法能够有效识别分离滚动轴承故障特征。     

一种基于ICA的图像信息隐藏算法

独立分量分析（ICA）是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已广泛应用于信号处理领域。信息隐藏是一种新兴的技术,其目的在于将秘密信息隐藏于另一非机密信息中。本文提出一种新的信息隐藏技术,即将Arnold置乱后的秘密图像嵌入到载体图像中,再利用ICA算法从中提取出秘密图像。仿真结果表明该算法有效可行。     

一种AAM模型的MRI医学图像分割算法

提出了一种主动外观模型的MRI医学图像分割的算法。针对主动外观模型中PCA方法对数据细节描述能力的不足,用ICA代替PCA同时进行形状和纹理模型建模,形成基于独立分量分析的改进型主动外观模型。并且在模型中引入了检测到的点与模型点之间的误差的约束项,并提出了平均长度约束项的概念,将它增加到模型中.通过对不同MRI医学图像的实验表明,改进的AAM模型分割的精度和效率都有较大程度的提高。     

基于小波变换与ICA结合的EP信号提取研究

针对脑电信号非侵入采集造成被采集信号中含有较多高频噪声信号并且信号难以被干净分离的特点,设计一种将独立分量分析法（ICA）与小波变换法相结合的一种改进型算法,实现对已分离的脑电信号降噪提取作用。通过小波变换,滤除目标信号中的高频信号,将该信号重构为ICA算法的输入信号,克服独立分量分析法不能区分噪声的缺点。将两种方法结合提取脑电信号中诱发电位的提取,将小波包滤波后的信号重构为ICA的输入信号,有效的降低了噪声信号对EP信号的影响,在信源分离中取得了良好的效果。     

基于Bootstrap方法的独立分量分析可靠性研究

语音信号盲分离受到随机采样的数据所影响,产生统计可靠性问题,从而影响分离的效果.Bootstrap方法是以原始数据为基础的抽样统计推断法,可方便的应用于实际的数据处理之中,分析ICA的统计可靠性,但传统Bootstrap方法本身的计算特性限制了自助样本的生成范围,从而使得自助概率分布产生了一定的偏离,使之无法渐近于真实情形.本文通过对Bootstrap样本生成范围的拓展,改进了独立分量分析在语音信号应用的可靠性算法,获得了更加精确的可靠性参数.     

基于ICA的水轮发电机局部放电干扰抑制方法

提出了一种基于独立分量分析（ICA）的水轮发电机局部放电干扰抑制方法,该方法可以有 效地分离出相互独立或者近似独立的源信号。对于现场采集到的局部放电信号,可认为该信号中 局部放电脉冲信号和噪声干扰是相互独立的。通过ICA方法对检测到的局部放电信号进行信号 分离和消噪处理,从而得到局部放电脉冲分量,在时域、频域上都保持了原信号的完整性。通过实 例证明了该方法的有效性。     

基于小波分量奇异值分解的单通道盲分离算法

针对单通道盲分离领域先验信息不足的问题,提出了一种基于小波变换、奇异值分解和独立分量分析的单通道盲分离算法.首先对单路传感器接收的信号进行小波分解和重构,得到一组代表原始信号特征的细节信号,对其施加奇异值分解并剔除小于门限值的奇异点,以此消除干扰信号和噪声的影响.然后将经过处理的细节信号组作为独立分量分析算法的输入信号...     

Large‐scale super‐Gaussian sources separation using Fast‐ICA with rational nonlinearities

Independent component analysis (ICA) is one of the most powerful methods for solving blind source separation problem. In various ICA methods, the Fast‐ICA is an excellent algorithm, and it finds the demixing matrix that optimizes the nonlinear contrast function. There are three original contrast functions in the Fast‐ICA to separate super‐Gaussian and sub‐Gaussian sources, and their respective derivatives are similar to nonlinearities used in neural networks. For the separation of large‐scale super‐Gaussian sources, however, the contrast functions and the nonlinearities are not optimal owing to high computational cost. To solve this potential problem, this paper proposes four rational polynomial functions to replace the original nonlinearities. Because the rational polynomials can be quickly evaluated, when they are used in the Fast‐ICA, the computational load of the algorithms can be effectively reduced. The proposed rational functions are derived by the Pade approximant from Taylor series expansion of the original nonlinearities. To reduce the error of approximation, we make the behaviors of rational functions approach that of the original ones within an effective range as well as possible. The simulation results show that the Fast‐ICA algorithms with rational nonlinearities not only can speed up the convergence but also improve the separation performance of super‐Gaussian blind source separation. Copyright © 2016 John Wiley & Sons, Ltd.     

基于独立成分分析的凝汽器真空信号去噪仿真研究

针对凝汽器真空信号去噪声问题,根据检测环境和被测对象的特性,运用独立成分分析方法,合理引入虚拟噪声通道,并建立了凝汽器真空去噪模型。仿真实验表明:独立成分分析方法可获得很好的去噪声效果,对凝汽器真空信号去噪声有实用价值。     

基于独立分量分析的谐波估计和消除

从盲源分离的角度对谐波估计和消除方法进行了探讨 ,提出了基于独立分量分析的谐波消除新方法。新方法的特点是在消除谐波干扰的同时 ,有效地保护有用信号成分不被破坏。文中通过实测数据对新方法进行了验证 ,并与传统陷波谐波消除方法进行了比较 ,取得了较理想的效果。     

多变量数据分析及应用研究

在统计信号处理及其相关领域,多变量数据的描述和分析一直是人们广泛关注的研究课题.在现有的多变量数据分析方法中,基于二阶统计特性的主分量分析(PCA)和基于高阶统计特性的独立分量分析(ICA)是两种非常有代表性的方法.本文在简要介绍PCA和ICA基本原理的基础上,结合脑电消噪问题,对两种方法的性能和特点进行了较深入地比较.实验结果表明,在非高斯信号处理上,独立分量分析方法具有明显的优势.     

基于I-DCV的人脸识别方法

在人脸识别的过程中,利用独立成分分析(ICA)方法得到的特征能够很好的描述原始图像,但是不具备很好的判别分类能力。判别共同矢量(DCV)是一种在类内散布矩阵的零空间中求取投影矩阵的方法,相比线性鉴别分析(LDA)方法,可以得到更具鉴别能力的特征。因此本文提出一种新的特征提取算法,简称I-DCV,首先对预处理后的人脸图像应用独立成分分析算法去除二阶及高阶冗余信息,然后利用DCV对求取的独立特征向量作进一步的处理,最后依据欧式距离进行分类识别。实验结果表明,本文提出的方法具有很好的识别性能。     

基于ICA盲源分离的声表面波无线传感器信号抗干扰方法

针对声表面波传感器无线信号易受环境中同频信号干扰的问题,设计了基于独立分量分析(ICA)盲源分离的抗干扰算法。该算法对传感器和同频干扰的混合信号进行分离,然后基于分离信号波形的衰减和等幅特征对信号进行判别。MATLAB仿真结果表明,算法能够有效分离混合信号并且保留了源信号的时域波形特征和频域信息。将抗干扰算法在基于数字信号处理器的信号采集和处理平台上实现并进行分离实验,设置不同的传感器信号和干扰信号强度并记录分离和判别结果,实验结果表明,在源信号的信号强度较为接近(信扰比在0.8~1.4范围内)且噪声影响可忽略的情况下,可达到95%以上的传感器信号准确判别率,有效地抑制了同频干扰。     

局部放电脉冲信号ICA提取技术的初步研究

为了提高局部放电在线监测的灵敏度,根据独立成分分析(ICA)基本模型的定义,提出将背景噪声信号与局放脉冲信号看成两个相互独立的信号源,不同观测点获取的观测信号为两者的线性混合,从而可以实现两者的分离的方法。利用ActiveX自动化技术实现了可用于局放脉冲信号提取的ICA软件模块;基于双通道超宽带检测技术,对加噪后的直流下油纸绝缘针板缺陷模型的局放脉冲序列提取进行了试验研究并且利用峭度准则与试验电压极性相结合的方法消除了局放脉冲提取的ICA含混性问题。实验结果表明:该方法能够提取被背景噪声完全淹没的脉冲信号,可以恢复出单个局放脉冲波形、脉冲波形之间的相对幅值关系以及脉冲极值所对应的时间点等重要局部放电信号信息。