基于独立分量分析和最大熵模型的人脸自动识别方法

提出一种基于独立分量分析和最大熵模型的人脸自动识别方法。首先利用小波变换,提原始图像的低频子图,然后利用独立分量分析（ICA）进行特征提取,最后采用最大熵模型进行分类识别。实验表明该方法能更好地提高人脸的自动识别。     

基于分块独立分量分析的人脸识别

提出了一种基于分块独立分量分析(BICA)的特征提取方法。该方法通过将人脸分块降低了光照条件、人脸表情等外在因素对人脸识别的影响,并先后将分块后重组的矩阵的行和列作为训练样本提取独立分量,由于训练样本维数很小,因此它降低了传统独立分量分析（ICA）方法中存在的高维小样本问题产生的识别错误率,同时减少了识别时间。在Yale人脸库和AR人脸库上验证了该算法的有效性。     

基于互累积量的有噪独立分量分析方法

针对传统独立分量分析(ICA)方法无噪假设的局限性,提出基于互累积量的有噪ICA方法。考虑含高斯噪声的瞬时混合模型,以观测信号的互累积量组成一系列对称矩阵,以对称矩阵的联合对角化程度为目标函数,采用粒子群优化算法对混合矩阵进行全局寻优。通过寻优得到混合矩阵,将有噪ICA转化为一维欠定ICA,基于奇异值分解法得到源信号的估计。仿真结果表明,与传统ICA方法相比,该方法对混合矩阵的估计精度较高,可以明显提高分离信号的信噪比。     

基于NSCT的独立分量分析方法

为了提高独立分量分析（ICA）算法的分离性能,提出了基于非下采样轮廓波变换（NSCT）的ICA方法。首先对混合图像进行NSCT,使混合图像的非高斯性在NSCT域得以增强,然后在变换域求解分离矩阵。理论分析和仿真实验均表明,该方法可以获取更好的分离精度和更快的收敛速度。     

新息模型的独立分量分析方法

为提高独立分量分析(ICA)算法的收敛速度与收敛精度,引入ICA方法的新息模型。通过新息的计算减少观测数据间的冗余进而增加了潜在分量的非高斯性。实验中利用具有弱相关性的图像信号进行仿真,通过与传统算法的比较证明了新方法能有效提高收敛速度和收敛精度。     

基于改进的人工蜂群的独立分量分析方法

针对快速固定点独立分量分析方法容易陷入局部最优解的问题,提出了一种基于改进的蜂群优化的独立分量分析方法。该方法以信号的峭度作为代价函数,利用人工蜂群方法对其进行优化。在优化的过程中,一方面为了避免随机搜索造成的开采能力弱的问题,在跟随蜂搜索阶段采用当前迭代最优解引导的方式产生新的候选解,另一方面,为了避免产生更差的解,在侦查蜂阶段,利用当前迭代中的最优解与最差解的距离产生新的解,代替最差解,提高人工蜂群优化方法的寻优效果,进而提高独立分量分析的精度。实验仿真验证了算法的性能。     

基于多小波子带加权判别熵的SAR目标ICA特征提取及识别

传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。     

改进的快速独立分量分析方法研究

快速独立分量分析算法硬件实现困难,基于Huber M估计函数的独立分量算法硬件实现容易,但是该算法稳健性有待提高。针对这一问题,提出了一种硬件实现容易,而且具有很好稳健性的改进的快速独立分量分析算法。该算法硬件实现容易,且具有很好稳健性的Tukey双权函数作为原算法代价函数中的非线性函数,通过牛顿迭代方法对代价函数进行优化,得到改进的快速独立分量分析算法。仿真实验证明,该算法是有效的,且稳健性较好。     

独立分量分析的图像/视频分析与应用

随着通信和计算机技术的发展,图像和视频信息的应用越来越多.图像和视频信息分析中的一个重要方法是获得合适的特征来逼近人类视觉特性.独立分量分析是一种新的无监督训练方法,它可以在图像和视频的理解方面很好地与人类视觉相匹配.给出了不同的ICA图像/视频分析模型和基于这些模型的独立特征,对多媒体ICA分析和数字小波分析方法进行了对比,对于不同分析方法的计算机仿真给出了不同模型的独立特征,并且给出了基于这些特征在图像和视频水印方案中的应用.应用实验的仿真结果表明,独立特征对于图像和视频水印性能具有较好的改善作用.     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.     

基于ICA-MJE和SVM的虹膜特征提取与识别

提出了一种新的虹膜特征提取与识别方法。对虹膜纹理采用最大判别熵的独立分量分析(ICA-MJE)实现特征提取,通过支持向量机(SVM)完成模式匹配。与Gabor小波的方法比较，在编码长度和编码时间方面有明显地改进。实验结果表明，该算法能更好地提高虹膜的识别率并能够有效地应用于身份识别系统中。     

On the Efficient Speech Feature Extraction Based on Independent Component Analysis

A new efficient code for speech signals is proposed. To represent speech signals with minimum redundancy we use independent component analysis to adapt features (basis vectors) that efficiently encode the speech signals. The learned basis vectors are sparsely distributed and localized in both time and frequency. Time-frequency analysis of basis vectors shows the property similar with the critical bandwidth of human auditory system. Our results suggest that the obtained codes of speech signals are sparse and biologically plausible.     

基于ICA的特征不变性目标识别

在图像目标识别中，目标图像平移、尺度和旋转不变性是一个重要前提，而高阶矩特征存在稳定性差的缺点．提出采用主分量分析(PCA)方法确定目标在最大方差意义下主轴的旋转角度，并结合稳定性好的低阶矩特征实现目标的平移、尺度和旋转不变性变换；然后利用独立分量分析(ICA)良好的目标特征抽取能力，在各目标特征空间重建目标模型，并通过对重建模型的误差分析实现目标识别；最后通过PCA确定目标旋转角度测试和ICA目标识别测试两个实验，证实了本文算法的鲁棒性和准确性．     

Redundant Sensor Calibration Monitoring Using Independent Component Analysis and Principal Component Analysis

This paper presents a comparison of methods for industrial on-line sensor calibration monitoring for redundant sensors. Principal component analysis (PCA) and independent component analysis (ICA) techniques are developed and compared using both simulated data and data sets from an operating nuclear power plant. The performance is dependent on the types of noise sources; however, under most conditions ICA outperforms PCA, based on the bias and variance of their respective parameter estimates. A case study is included to demonstrate the usefulness of both techniques for the early detection of sensor drift.     

基于独立分量分析的高光谱图像降维与压缩算法

论文提出了一种基于快速独立分量分析的高光谱图像降维算法.利用虚拟维数算法估计需要保留的独立分量数目,采用非监督端元提取算法自动获取端元矢量,并对快速独立分量分析的混合矩阵进行有效初始化.采用最大噪声分离变换对原始数据进行预处理,利用快速独立分量分析从变换后的主分量中依次提取出各端元对应的独立分量,最后对各个独立分量分别实施无损压缩.实验结果表明,该算法降维后的独立分量具有较好的地物分类性能,并且可以获得较好的压缩性能.     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于滑动窗口的独立分量分析算法

针对时变混合模型的独立分量分析(ICA)问题,提出了基于滑动窗口的ICA算法.给出了基于滑动窗的分离矩阵递归学习算法,提高了算法的运算效率,因此可应用于独立分量的在线提取和动态独立分量分析等应用场合.另外,针对独立分量排序不确定性所带来的问题,提出了利用峭度值大小对输出信号进行动态排序的思路.仿真实验证明了这一思路是可行的.对窗函数长度的选择问题还进行了探讨,得出了一些有参考价值的结论.实验结果表明,基于滑动窗ICA算法能较好地应用于时变混合模型的独立分量提取,具有良好的盲分离性能.     

基于独立成分分析的状态监控方法

针对目前部分的工业系统存在系统模型或系统独立变量不确定的情况,提出了一种基于独立成分分析(Independent Component Analysis,ICA)的状态监控方法。该方法不需要有关系统模型和系统变量的先验知识,解决了系统模型或系统变量不确定的问题。运用独立成分分析法对系统的观测信号进行特征提取,通过监控分离得到的特征信号来实现对整个系统的状态进行监控。分别对一个离散系统和一个双容水箱液位系统进行仿真验证,仿真结果表明该方法能够有效地实现系统监控。