一种低信噪比下的有噪独立分量分析算法

针对目前大多数独立分量分析(independent component analysis,ICA)算法无噪或者弱噪声假设的局限性,提出一种适用于低信噪比情况的有噪独立分量分析算法。该算法以分离信号的负熵为目标函数,采用高斯分布密度模型作为非线性函数来估计负熵,并建立了模型参数的确定准则,能够较好地抑制低信噪比下噪声的影响,最后采用人工蜂群算法对混合矩阵进行全局寻优。仿真结果表明,与其他算法相比,提出的算法可以更为精确地估计混合矩阵,能够较好地解决低信噪比下的有噪ICA问题。     

独立分量分析在图像去噪方面的应用

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪信号的独立分量分析(Noisy ICA),结合传统有噪图像分离方法与结合改进FastlCA算法有噪图像分离仿真研究进行对比。结果表明,该算法即使在高水平噪声图像中,也能够分理出比较清晰的图像。     

基于小波变换的噪声检测快速独立分量分析

机械或电气设备工作噪声的测试分析是实时故障检测诊断的重要手段,通常情况下,传感器检测得到的信号是多个噪声源叠加的结果,可采用独立分量分析(ICA)方法分离出待检测对象信号.提出先对混合信号小波系数序列进行独立分量分析,再做小波逆变换得到分离信号.与直接的ICA比较,小波系数比原始信号的超高斯性更强,因此分离处理的收敛速度更快,分离效果更好;由于在小波变换的过程中可以引入阈值去噪,因此基于小波变换得到的分离结果较之常规方法有更强的抗噪能力.     

基于ICA的白噪声消除方法研究

为了消除润滑油内金属磨粒检测系统(metal debris detection system,MDDS)输出信号中混合的高斯白噪声,提出了一个基于ICA的算法对两路输出信号进行消噪处理.对两路信号添加前缀信号,并按照所述步骤进行两次ICA后得到三路独立源信号,根据ICA前后前缀信号幅值和相位的变化校正ICA分离结果的幅值和相位,完全恢复源信号.对MDDS的输出信号进行仿真以验证算法的去噪效果,实验结果表明,该算法可以有效地消除输出信号中的白噪声.     

过完备ICA 算法在语音信号提取中的应用

在语音信号处理中常用麦克风采集语音,然后用算法进行提取和分离,目前常用的有独立分量分析（Independent component Analysis,ICA）算法。但是当麦克风个数少于说话人的个数时,即欠定情形,此时语音信号的提取需采用过完备ICA算法。提出了一种基于过完备ICA算法的两步算法：估计混合矩阵的几何算法和估计源矩阵的最短路径法。该算法能在欠定情形下对语音信号的提取有很好的作用,仿真实验验证了这一结果。     

独立分量分析在有噪图像分离中的应用

独立分量分析(independent component analysis，ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上，讨论了有噪信号的独立分量分析(Noisy ICA)，利用小波阈值去噪和FastICA算法进行了有噪混合图像分离的仿真研究。结果表明，对于含有加性观测噪声的混合图像的分离，先去噪处理再进行独立分量分离的效果要优于独立分量分离后再去噪的效果。     

基于独立分量分析和支持向量机的结构损伤识别集成算法

针对模式识别最关键的两个环节:特征提取和分类器设计,提出了基于独立分量分析(ICA)和支持向量机(SVM)的损伤识别集成算法,首先应用ICA方法计算独立源信号和混合矩阵[A],利用混合矩阵与模态振型的对应关系,得到振型矩阵[Φ],将模态振型的变形矩阵[Φ]*作为特征参数输入至SVM分类器进行损伤识别,在冲击载荷作用下,对钢框架结构模型进行了振动试验,结果表明:ICA方法提取的模态振型是一种高效的损伤特征参数,基于ICA和SVM的集成算法能够成功识别结构损伤、损伤位置和损伤程度,从而为结构健康监测提供了一种行之有效的损伤识别方法。     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析(ICA)结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。     

步长自适应ICA在地震信号去噪中的应用

提出一种基于改进相对梯度独立分量分析(ICA)的叠前地震信号去噪方法。建立ICA的步长函数与信号相依性测度之间的非线性关系,根据信号的分离状态自适应调节步长函数;在分离矩阵的更新公式中引入动量项,削弱步长函数快速减小对分离矩阵更新的影响;将改进ICA模型应用于叠前地震信号去噪处理中。实验结果表明,改进的变步长ICA算法可以有效地压制叠前地震记录中的随机噪声,并且能很好地保护有效地震信号。     

独立分量分析结合马氏距离的非监督损伤识别方法

为了解决结构损伤识别中监督学习方法在实际中难以获得损伤样本的限制,提出基于独立分量分析ICA( IndependentComponent Analysis)结合马氏距离判断结构损伤的方法.首先采用ICA方法提取统计独立源信号和混合矩阵,将混合矩阵作为特征参数输入至马氏距离判别函数,然后根据结构健康状态的马氏距离设计门限值,该门限值与检测信号的马氏距离的比较结果作为损伤判断的依据.在冲击载荷作用下,对钢框架结构模型进行了振动实验,结果表明:ICA方法提取的混合矩阵是一种有效的损伤特征参数,基于ICA和马氏距离的非监督学习方法能够正确识别结构损伤,从而为结构健康监测提供了一种行之有效的损伤识别方法.     

有限制的MFA-ICA的算法及其在图像特征提取中的应用

统的独立成分分析(IndependentComponentAnalysis,ICA)是一种无噪声模型,而实际应用中噪声是存在的。根据多元统计中的因子分析模型,改变其假设条件,从而得到一种有噪声ICA模型,对于模型参数,引入平均场近似(MeanFieldApproximation,MFA)原理来求解。针对图像特征提取,通过增加对模型参数的一些限制,使其能得到更为独立的图像特征,为图像识别提供更可靠的特征信息,从而大大提高识别率。通过仿真模拟图形以及ORL人脸数据进行实验,将传统的独立成分分析算法、无限制的MFA ICA算法以及增加限制条件的MFA ICA算法进行比较,从仿真模拟图形实验结果看,限制的MFA ICA算法能分离出更独立的特征,同时利用限制的MFA ICA算法识别效果明显优于传统ICA算法和无限制MFA ICA算法。     

新的噪声污染灰度图像边缘检测方法

传统的图像边缘检测方法由于引入了各种微分运算,因此用于噪声图像边缘检测时对噪声极度敏感。针对这一问题,提出了一种基于独立分量分析技术的噪声图像边缘检测方法,该算法通过计算数据之间的高阶统计信息,提取特征模板,然后将被高斯噪声污染的灰度图像与这些模板逐个匹配,提取出边缘成分。实验结果表明,基于独立分量分析技术的模板匹配方法自适应强,复杂度低,是一种有效的高斯噪声污染灰度图像边缘检测方法。     

比差ICA去噪方法在光学功能成像中的应用

在光学功能成像中,极低信噪比会使得样本协方差矩阵具有奇异性,因此导致Emir等人提出的ICA去噪方法在白化预处理过程会出现降维现象,最终使得该方法无法检测出信号。为解决一问题,利用原ICA去噪方法得到的噪声信号与观测信号之间的差异特性,提出了一种比差ICA去噪方法,该方法在信噪比-40dB情况下能成功检测出信号。利用仿真得到的光学功能成像数据,对比分析了比差ICA去噪方法与传统滤波去噪方法在极低信噪比下的检测性能,结果表明比差ICA去噪方法不仅检测性能明显优于滤波去噪方法,且输出信噪比基本不随输入信噪比的下降而下降。     

基于曲波变换和独立分量分析的有噪图像盲分离

曲波变换是在小波变换的基础上发展起来的一种新方法，能够有效地对具有复杂纹理的图像进行去噪。在分析独立分量分析（ICA）的基本模型和方法的基础上，提出利用快速离散曲波变换和FastICA算法进行有噪图像盲分离。仿真结果表明，对于含有加性观测噪声的混合图像，该方法能够有效地进行去噪分离。     

一种改进的FastICA算法及其应用

独立分量分析是基于信号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,已经广泛应用到语音信号处理、图像处理及信息通信等方面。目前应用较多的快速独立分量分析（FastICA）利用了牛顿迭代法原理,具有较快的收敛速度,但对初始值的选择比较敏感。为克服其缺点,改进其优化学习算法,在牛顿迭代方向增加一维搜索,使改进后的算法的收敛性不依赖于初始值的选择。将改进的FastICA算法应用到运动目标检测中,取得稳定性较强的结果。     

独立分量分析及其在图像处理中的应用现状

独立分量分析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,近年来作为信号处理和图像处理领域的强有力的分析处理工具得到广泛的关注和研究。在介绍了独立分量分析的基本概念和各种实现算法及其性能的基础上,综述了独立分量分析在图像处理上的应用,最后结合作者的研究探索,总结了独立分量分析的研究新进展和发展趋势。     

一种基于混沌和独立成分分析的自适应多重数字水印算法

采用混沌和独立成分分析技术，提出了一种在小波域自适应嵌入多重数字水印的算法。首先根据一个混沌标签序列从原图像中抽取一子图像，并对其进行小波分解，然后将多个互相独立的混沌水印信号依次嵌入到子图像的中频小波系数中，并自适应确定嵌入强度。根据Newman-Pearson准则检测水印是否存在，若存在，采用独立成分分析的方法提取出水印并进一步判断是否为原始水印。水印的检测与提取过程都不需要原始图像。仿真结果表明该算法对各种常见的攻击有着良好的鲁棒性，有效地解决了数字产品的多著作权问题。     

基于盲分离的图像去噪算法研究

图像去噪是图像处理中一个重要而又富有挑战性的课题。已有的图像去噪算法对噪声模型作出假设,在达到假设条件时取得较好的去噪效果。这类算法不能完全去除噪声,而且会削弱图像信号的细节。把图像和噪声看作是互相独立的两个信号源,把去噪过程作为信号分离过程来处理。在初步从污染图像中估计出一个虚拟观测图像后,用基于独立分量分析的盲分离来达到去噪目的。实验结果表明,该算法相比传统的基于滤波的去噪方法,在噪声强度很大的情况下,依然能得到较好的去噪效果。     

基于多姿态人脸图像合成的识别方法研究

为了解决多姿态人脸识别问题,提出基于独立成分分析(ICA)进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间,然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像,实验表明ICA人脸识别算法要优于PCA人脸识别算法,并在此基础上用小波对人脸图像进行预处理,据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较,识别率得到了很大的提高。