基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

基于小波包和RobustICA的无线电混合信号分离

针对复杂电磁环境下无线电混合信号分离困难的问题,提出将小波包和鲁棒性独立分量分析(Robust ICA)算法应用于较低信噪比且频率接近的无线电混合信号的分离。首先用小波包分析方法对混合信号进行降噪预处理,然后采用盲源分离算法中的鲁棒性独立分量分析算法对降噪后的混合信号进行分离,通过观察分离后信号的波形和频率以及相似系数对分离结果进行定性和定量分析。所提算法与单独采用Robust ICA算法的结果对比表明:所提算法分离出的信号在波形和频率以及相似系数方面均比单独采用Robust ICA算法取得的效果好,从而证明所提算法可以较好地应用于无线电混合信号的分离。     

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含噪混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态．空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF＋FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。     

基于独立分量分析的多源冲击定位方法

结构健康监测中常用声发射信号进行声发射源的定位及特征描述。多个冲击事件发生时,声发射信号是多个信号的混叠,而且混合方式未知,这使利用声发射信号对冲击源进行定位变得非常困难。而近年来兴起的基于独立分量分析的盲源分离技术为解决这一难题提供了可能。本文采用基于信息极大化原理的反馈网络结构对同时作用在铝梁上的两个冲击事件产生的声发射混合信号进行分离,估计出各个源信号到达传感器的时延后,运用两点直线定位公式对两个冲击源进行定位。混合仿真实验验证了基于信息极大化原理的独立分量分析方法估计时延的有效性,铝梁上的两源冲击实验,进一步表明运用独立分量分析方法能较好的解决多冲击源定位问题。     

基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取

包络阶比分析是常用的旋转机械变速运行过程齿轮箱振动分析技术之一,但其易受干扰的影响而失效。独立分量分析是最近发展起来的一种混合信号按源分离方法,但其使用中通常要求传感器通道数目不少于独立振源数目,而齿轮箱中的独立振源数目一般并不能预先确定,因此直接应用独立分量分析方法往往并不能实现对混合信号的有效分离。本文提出了一种基于独立分量分析技术的包络阶比分析方法,其首先利用包络提取实现对原信号中振源数的降维,然后对包络波形进行阶比跟踪等角度采样,对等角度采样信号应用独立分量分析进行按源分离和包络阶比分析,提取出各振源的振动特征。仿真和试验分析结果验证了本方法的有效性。     

基于新概率密度函数的ICA盲源分离

基于独立分量分析(Independent Component Analysis,ICA),利用极大似然估计法,研究了超高斯和亚高斯的混合信号的盲源分离(Blind Sources Separation,BSS)问题.文中构造了一种新的、不同于以往文章中用来分离混合信号的概率密度函数(Probability Density Function,PDF).新构造的PDF无需改变函数中的参数值,可用来对于超高斯和亚高斯信号的概率密度进行估计(假设未知源信号是相互独立的).数值实验验证了新构造的PDF的可行性,与原算法相比,收敛时间和分离效果都得到了较大的改善.     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

独立分量分析在说话人识别技术中的应用

独立分量分析方法能够将线性混合信号进行分离,得到统计独立的源信号,能用于提取组合语音的特征基函数。倒谱矢量符合ICA变换的假设条件,用ICA方法对MFCC特征进行转换得到ICA特征基,继而用于说话人识别,建立了一个基于独立分量分析的说话人识别系统。实验结果表明,在噪声环境下此系统具有更高的识别率。     

An information-theoretic methodology for the resolution of pure component spectra without prior information using spectroscopic measurements

The resolution of pure component spectra based on spectroscopic measurements from a reaction system is a challenging task for chemometric systems in the absence of a priori knowledge about the reaction components involved. A popular approach in the literature is based on constrained entropy minimization of the second-order derivative of the resolved pure component spectra. Using an analytical information theoretic framework, it can however be shown that minimization of this cost function is not sufficient to completely separate the underlying components from a set of mixture spectra. Instead, an augmented objective function derived from this analysis is proposed for complete minimization of the mutual information between separated components. The final optimization approach is further shown to be analog to independent component analysis (ICA), a signal processing technique successfully applied to biomedical and speech data to separate linear source mixtures in the absence of a priori information. The developed theoretical insights and proposed methodologies in this paper are illustrated in a simulation study on the separation of three component spectra based on absorbance data acquired from a first-order kinetic reaction system.     

基于独立分量分析的爆破振动信号分离仿真试验

爆破振动信号分析是研究爆破振动特性的重要手段,而实测爆破振动信号往往是多个振源信号的叠加信号,分离出每个振源或特定振源的振动信号对于其振动特性的研究具有重要意义。选取实测的爆破振动信号,进行线性混合得到混合信号,利用独立分量分析(ICA)对混合信号进行分离,获取了与源信号波形基本一致的分离信号,仿真试验表明ICA适合爆破振动信号的分离。     

Multiscale ICA for fundus image analysis

Independent component analysis is a technique used for separation of statistically independent sources. It can estimate unknown sources from a mixture of sources without any prior knowledge about them. The sources should be non‐Gaussian and independent with each other. In this work, multiscale ICA is proposed for medical images (fundus images, MRI Images). The data matrix is formed by considering the higher sub‐bands of multiscale decompositions. Performance of multiscale ICA is evaluated and compared with the ICA algorithms using simulated signals and different medical images using Amari performance index and Comon test values. Results show that API and Comon test values are less for multiscale ICA for simulated signals. In case of pathological images, the features are separated correctly by multiscale ICA. Multiscale ICA performs better than simple ICA for separation and detection of independent components from medical images (fundus images), such as blood vessels and artifacts. © 2013 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 23, 327–337, 2013     

Application of independent component analysis with mixture density model to localize brain alpha activity in fMRI and EEG

Independent component analysis (ICA) is an approach to solve the blind source separation problem. In the original and extended versions of ICA, nonlinearity functions are fixed to have specific density forms such as super‐Gaussian or sub‐Gaussian, thereby limiting their performance when sources with different classes of densities are mixed in multichannel data. In this article, we have incorporated a mixture density model such that no assumption about source density would be required. We show that this leads to better source separation due to increased flexibility in handling source‐ densities with flexible parametric nonlinearity. The algorithm was validated through simulation studies and its performance was compared to other versions of ICA. The modified mixture density ICA was then applied to functional magnetic resonance imaging (fMRI) and electroencephalography (EEG) data to localize independent sources of alpha activity in the human brain. A good spatial correlation was found in the spatial distribution of alpha sources derived independently from fMRI and EEG, suggesting that spontaneous alpha rhythm can be imaged by fMRI using ICA without concurrent acquisition of EEG. © 2004 Wiley Periodicals, Inc. Int J Imaging Syst Technol 14, 170–180, 2004; Published online in Wiley InterScience (www.interscience.wiley.com). DOI 10.1002/ima.20021     

弗德卡曼滤波阶比跟踪解耦新方法

摘要：弗德卡曼（Vold-Kalman）滤波阶比跟踪法是目前旋转机械阶比分析中能对阶比耦合干扰进行有效解耦操作的方法。但是传统的弗德卡曼升滤波解耦方法存在计算效率低,在无法充分获得耦合阶比瞬时频率信息时不能使用等不足。本文提出了一种基于独立分量分析技术的弗德卡曼滤波阶比跟踪解耦方法。其先将混合观察信号分解为阶比分量、耦合干扰等不同的独立信号分量,再在此基础上对分离出的阶比分量信号对应独立信号分量进行弗德卡曼滤波阶比跟踪分析,有效解决了传统解耦方法计算效率低,解耦需要干扰信号瞬时频率的不足。文中对弗德卡曼滤波阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案。通过仿真试验和实际测试对本方法的有效性进行了评价。
     

微弱裂纹信号的稀疏编码提取

针对重大技术装备中关键基础部件早期裂纹信号提取困难这一问题,提出一种基于独立分量分析（ICA）的稀疏编码收缩（SCS）去噪方法,即采用泛化高斯模型（GGM）在ICA空间中估计信号独立系数的概率密度函数（PDF）,并利用最大后验（MAP）估计方法进行非线性去噪的微弱信号提取方法。通过对不同信噪比的含噪微弱裂纹信号的提取研究,结果表明,此方法能提取出输入信噪比低于-27dB的微弱信号,且波形与频谱均能较好的和原信号保持一致。同时,其去噪效果远远好于小波降噪方法,是一种较好的微弱信号提取方法。