五阶收敛的FastICA改进算法

目前应用较多的FastICA算法利用了二阶收敛的牛顿迭代法进行优化,为了加快算法的收敛速度,用五阶收敛的牛顿迭代法对其进行改进,得出了两种改进的FastICA算法,通过实验验证了改进算法的性能。     

一种峭度FastICA改进算法

独立分量分析(ICA)是盲分离的核心技术,是信号处理领域的一种新的发展.FastICA是独立分量分析中收敛速度较快的算法,因为它的收敛速度快且要求内存空间小而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题.为了克服其缺点,在基于峭度的FastICA算法的基础上增加精确线性搜索优化技术来求μ,使改进后的算法收敛速度更快且不需要手动来选择步长参数.编制相应的matlab程序,将改进的算法用于语音信号分离,验证了它的高效性.     

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。     

FastICA图像水印改进算法

FastICA工具可以用于直接叠加或提取的图像水印方案,文章采用了定量分析法选取嵌入矩阵,对水印嵌入不可见性有很大提高,PSNR达到68．55dB,且具有很好的鲁棒性。该图像水印算法进一步提出Inv（A）使提取算法用于直接叠加或提取的图像水印方案中,不仅成功解决了FastICA用于直接叠加或提取图像方案提取水印的两种不确定性问题,而且在一定程度上增强了鲁棒性。     

一种基于FastICA的运动目标检测新方法

独立分量分析是一种新颖的自源分离技术,目前已经在语音识别、图像处理、通信系统和医学信号处理等领域得到了广泛的关注。简单介绍了独立分量分析的基本理论和算法,用快速独立分量分析(FastICA)方法进行运动目标检测的试验,试验结果表明这是一种鲁棒性较强的运动目标检测方法。     

针对FastICA计算终点判断的算法改进

独立分量分析不能分离高斯分布信号,导致对含高斯噪声系统计算不收敛;FastICA可以从系统中逐个计算出独立分量,通过计算系统残余信息的自相关函数值,判断残余信息属性,找出独立分量分析的计算终点,对FastICA算法进行改进,可以避免无效计算,节省计算时间。改进后的算法可以自动判断含噪声的线性系统的独立分量数目,与预先定义分量数目的独立分量分析相比,具有更好的降噪效果。     

一种基于FastICA的波达方向估计新方法

独立分量分析是一种新颖的盲源分离技术，该方法作为目前信号处理领域的一项新技术，具有非常重要的理论意义和实用价值，已广泛应用于通讯、雷达信号处理、生物医学图像处理、模式识别等众多领域。简要介绍了独立分量分析的基本原理和算法，并提出将快速独立分量分析（FastICA）方法应用于波达方向估计（DOA），通过仿真实验和分析，可以得到DOA的一种简单估计，实验结果亦表明该算法在波达方向估计应用中的可行性和有效性。     

改进的FastICA算法研究

独立分量分析是目前盲源分离算法中最常用的一种方法,其中快速独立分量分析（FastICA）以其收敛速度快而被广泛应用,但FastICA对初始值的选择比较敏感,而且在使用牛顿迭代法时,每迭代一步都需要计算一次函数值和一次导数值,当函数比较复杂时,计算它的导数值往往不方便,用单点弦截法进行迭代,将最速下降法与单点弦截法结合,在保证分离效果的同时使FastICA的迭代次数减少,同时使计算式更加简洁,而且减小了对初始值的敏感性,仿真实验验证了其有效性。     

基于GLCM和FastICA的鞋底识别

针对传统鞋底识别中的几何参数法和纹理分析法的局限,引入快速独立分量分析（FastICA）方法,将其应用于鞋底识别领域,并结合鞋底图像的几何特征及基于灰度共生矩阵（GLCM）的纹理特征,提出了综合使用多种特征的鞋底识别新方法,一定程度上克服了单一特征的局限。实验表明,该方法比单一特征的识别方法有更高的识别率。     

FastICA算法的收敛性与一致性分析

快速独立成分分析（Fast Independent Component Analysis,FastICA）是解决盲源分离问题使用最广泛的方法。在实际中,只能得到有限数据样本,所以采用的均是基于样本的FastICA算法。而常见的FastICA算法的收敛性分析均属于全集FastICA算法的收敛性分析,所以研究基于样本FastICA算法的收敛性和算法的一致性有至关重要的意义。以一种更简洁的方法证明了全集FastICA的相关收敛性质,包括对比函数的局部极大值和FastICA迭代函数不动点之间的关系。引入狄拉克函数,构造观测信号的概率密度函数,通过大数定律,给出了基于样本的FastICA算法收敛性条件。依据M-估计一致性定理,证明了FastICA给出的估计是一致估计。仿真实验的结果验证了FastICA估计的一致性。     

基于独立分量分析的脑电信号的眼电伪迹消除

介绍了独立分量分析技术的基本概念和原理,及其具有代表性的基于负熵最大的快算独立分量分析算法和基于核空间的独立分量分析算法,并分别对脑电中的眼电伪迹进行去除。通过仿真实验表明了独立分量分析算法较快速独立分量分析算法能更好去除眼电伪迹,具有较好准确性和鲁棒性。     

基于CGA和ICA的人脸特征提取方法研究

独立分量分析方法是一种有效的人脸特征提取方法。为了提高独立分量分析法表征人脸特征空间的能力，采用遗传算法对特征空间进行选择优化，获得最优的人脸特征子集。针对遗传算法的随机初始化个体分布不均匀性问题，采用混沌种群生成算法，使遗传算法的搜索更具有全局性。仿真实验表明，该方法的识别率明显优于单一独立分量分析方法。     

基于全局收敛多维牛顿迭代法的飞行配平算法研究

研究全局收敛数值方法以此来解决机翼不对称损伤无人机的飞行配平问题.首先,提出解决此特殊构型飞机配平问题的多维牛顿迭代方法和其全局收敛性证明方法;其次,简要分析机翼损伤对质量特性和气动特性的影响,推导适合数值求解的配平方程并依其原理给出选取飞行配平初始点的方法;最后,给出了左翼损失40％面积矩某小型电动无人机(SEPUAV)的配平结果,并通过对比讨论其优劣性.仿真结果表明,当保证全局收敛时,该方法不仅解决了迭代初值点选取困难问题,而且能够快速地给出一般构型飞机(如机翼不对称损伤飞机)的纵侧向飞行配平点集,提高飞行配平的实时性和通用性.     

参考独立分量的正则化方法

参考独立分量分析（ICA with Reference,ICA-R）充分利用先验知识或参考信号,取得了很好的分离效果,但其中的阈值参数很难选取,且计算量很大。理论分析和实验表明,若阈值选取不当,算法甚至不收敛。通过在FastICA算法的负熵对比度函数中引入ICA-R算法中的接近性度量函数作为正则化项,得到一个简单的改进算法。针对合成数据和实际的ECG数据的仿真实验表明,算法收敛快、提取效果好,同时正则化参数取值非常灵活。     

基于ICA和EMD的生理信号提取

提出一种新的获取人体生理参数的方法,用摄像头采集人脸的彩色视频,对人脸区域进行颜色通道分离和独立成分分析（ICA）,获取有用信号。使用经验模态分解（EMD）的方法,把信号分解成可以反映出生命信息的固有模态函数（IMF）,再根据所设计的提取准则,分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析,结果表明,此方法具有一定的准确性和实用性。     

一种基于FastICA的图像隐写提取算法

针对隐写术的特点，提出了一种新的隐写提取算法。该算法不同于传统提取算法基于逆嵌入算法的思想，将快速独立分量分析(FastICA)引入提取算法中，进行载体图像与秘密图像的分离。隐写是在真彩色图像的小波系数上进行的，有效地将近几年来比较热门的隐写术、小波分析与独立分量分析结合在一起。实验验证独立分量分析技术不仅能够用于秘密信息提取而且还能够实现真正的盲提取。     

一单元ICA-R快速算法

一单元参考独立成分分析是一种有效的利用先验信息抽取一个期望源信号的方法。峭度是随机变量非高斯性的一个经典度量。基于约束独立成分分析理论,以峭度的绝对值为对比函数推导出一种快速一单元ICA-R算法。并针对该算法的收敛特点,给出一个优选初值去提升算法的收敛速度。最后,通过计算机模拟实验验证了该算法的有效性,同时所给优选初值加快算法收敛的性能也得到验证。     

基于UWT和独立分量分析的含噪盲源分离

提出了基于UWT（非抽样小波变换）去噪与FastICA（快速独立分量分析）算法相结合的含噪盲源分离方法,采用先去噪后分离的方式实现了在加性高斯噪声环境下混合图像的盲分离。仿真结果表明,该方法能很好地从加性高斯噪声中分离出源图像,与曲波阈值去噪后的FastICA方法相比较,该方法能获得更好的峰值信噪比。     

独立成分分析应用于人脸识别中的几个问题

独立成分分析近年来广泛应用于人脸识别等模式领域。首先对人脸图像进行预处理降维,然后利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一个子空间,最后利用待识别图像在这个空间上的投影进行人脸识别。针对训练样本个数,训练人数以及独立基数目影响识别率等三个问题进行实验,得出结果并进行分析。     

基于鱼群算法的独立成分分析算法研究

独立成分分析（ICA）只需要知道源信号较少的先验知识（如统计独立性等）,仅由观测信号便能恢复出源信号的特性,因而得到了广泛应用。ICA的目的是寻找变换矩阵,使输出信号经变换后各成分之间尽可能的统计独立,其关键是建立一个目标函数,使得最大化（或最小化）目标函数的解便是所要找的变换矩阵。首次将人工鱼群算法（AFSA）与ICA相结合,提出了基于AFSA的独立成分分析算法。以负熵极大化作为目标函数,通过人工鱼的觅食,聚群和追尾行为,更新人工鱼的位置,得到全局最优解,从而得到分离矩阵。与自然梯度法相比,鱼群算法精度更高,收敛速度更快,仿真实验表明了将鱼群算法应用于独立成分分析的可行性和有效性。