NGA实现互信息量最小化的盲源分离

提出了一种新的盲源分离算法,该算法通过自然梯度算法实现互信息量最小化,从而达到盲源分离的最佳效果。由于互信息量具有度量分离信号的循环相关矩阵和单位阵的相似程度的特性,最小互信量标志着分离矩阵最佳的状态。通过自然梯度寻优算法来实现互信息量的最小化,从而得到理想的分离矩阵。仿真结果表明算法对具有循环平稳特性的源信号分离效果显著,且收敛速度快。     

基于最短路径和自然梯度的过完备ICA算法

独立成分分析(ICA)是一种在给出的随机向量中找出统计独立的数据的统计方法，而过完备独立成分分析则是ICA问题中的一类特殊的情形，它要的源信号的数目比观测信号的数目要多。该文提出了一种基于最短路径算法和自然梯度的解决过完备独立成分分析的新算法Turbo-overcomplete。该算法采用了最短路径方法来推断源信号和采用自然梯度的方法来学习基向量，并采用Turbo-overcomplete算法来进行语音信号分离的实验，并把实验结果与现在的一些过完备独立成份分析算法进行了比较。     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

一种基于内积运算的ICA新算法

独立成分分析(ICA)是近几年发展起来用于解决盲源信号分离(Blind Source Separation)的一种基于信号高阶统计特性的分析方法。本文提出了一种基于向量间内积运算的解决独立成分分析问题的新算法,称之为I-ICA。I-ICA将混合数据在新的坐标轴上进行聚类,最后推断出原混合矩阵A′,再通过A′~(-1)和已有的观测数据计算得到源信号。     

基于FastICA算法的盲源分离

近年来,ICA(Independent Component Analysis,独立成分分析)已成为处理BSS(Blind Source Separation,盲源分离)问题的主要手段,同时也受到人们越来越多的关注,为此讨论ICA的原理及其优越性.首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将其与梯度算法、PCA(Principal Component Analysis,主成分分析)算法所得的仿真结果进行对比分析.通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与其他两种算法比较可以明显地得到FastICA是一种更为有效的盲源分离方法.     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

基于独立成分分析的表面肌电信号工频去噪

表面肌电信号(SEMG)采集中,如何消除工频干扰对信号的后续应用意义重大.在探讨独立成分分析(ICA)原理的基础上,提出了一种用于表面肌电信号工频去噪的快速独立成分分析(FastICA)算法.该方法通过对观测信号去均值和白化处理后,用负熵作判据通过迭代得到解混矩阵,经解混运算得到源信号.针对混合信号ICA分离效果的差异,引入最大似然指标作为分离效果的评价量.实验结果表明,所提算法能有效分离SEMG信号中的工频噪声,运用最大似然评价指标将工频噪声降至最低.     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

一种参考独立成分分析算法在弱信号提取中的应用

独立成分分析(Independent Component Analysis,ICA)是解决盲源分离问题十分有效的方法。特别是Fast-ICA算法,它以中心极限定理为出发点,采用定点迭代的优化算法,收敛快速、稳健。但是在提取弱信号时,由于中心极限定理不再严格成立,FastICA算法也不再适用。因此从理论和实验两个方面着手验证了这个观点,并针对弱信号提取问题提出新的解决思路:在FastICA算法的基础上,引入源信号的部分先验信息作为约束,即参考独立成分分析(Independent Component Analysis with Reference,ICA-R)。若已知源信号的部分功率谱,结合加权范数最小化信号外推算法的思想,建立接近性度量,以约束的形式融入FastICA算法中,从而分离出要求的弱信号。实验结果表明,不管是对模拟信号还是真实的脑电信号,该算法都是有效的。