基于独立分子量分析的图象分离技术及应用

简要介绍了有关独立分量分析的基本理论和算法,探讨了独立分量分析在序列图象处理方面的应用,提出了基于独立分量分析的运动目标检测新方法,同时用独立分量分析方法对含有运动目标的序列图象进行了独立分量分离的试验,试验中,首先获取序列图象的独立分量和模型混合矩阵,然后将含有背景干扰的独立分量置零,并用混合矩阵进行逆运算,从而获得非常清晰的运动目标轨迹,试验结果表明,这种独立分量分析方法具有良好的盲源分离性能,而且在运动目标检测等方面,基于独立分量分析的检测方法较传统的检测方法更有效。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis,ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立,对像素间高阶统计特性敏感,并且不易受光照变化的影响。实验结果表明,基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多,难收敛,并且需要人工设定步长来调整学习速度的不足,本文采用FastICA作为ICA的快速算法,并将其关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与,收敛速度快,迭代次数少的优点。在特征选择方面,本文将遗传算法（Genetie Algorithm,GA）应用到独立分量的选择与优化中,从而在保证较高识别性能的前提下,获得最优的人脸特征子集。     

基于独立分量的信号分离算法研究

噪声控制工程中,定量分离主要噪声源是一个非常复杂的问题,国内外对此进行了大量研究,并提出了许多算法,但基本都只适用于线谱,对于宽带信号显得无能为力.据此,基于独立分量分解原理,尝试通过信号分解、线谱提取的方式,将宽带噪声从原信号中准确分离出来,然后可以依据相干分析和谱分析等手段定量分析.计算机仿真研究效果良好,证明该方法具有一定工程应用价值.     

基于独立分量分析的盲信号分离的研究及应用

本文介绍了独立分量分析的基本理论,分析了常见的ICA算法,介绍了独立分量分析的主要应用领域,并对未来发展趋势和研究方向进行了展望.     

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。     

基于独立分量分析和遗传算法的人脸性别分类

性别是人脸反映的一个重要信息,通过人脸图像实现性别自动分类对大型人脸数据库的检索和识别具有重要意义。提出了一种新的结合独立分量分析(ICA)和遗传算法(GA)的人脸性别分类方法。首先采用快速独立分量分析方法(FastICA)提取人脸图像的独立基图像和投影向量,获得人脸的低维表征;然后通过遗传算法从该低维空间中选择对性别分类有利的特征子集;最后采用支持向量机进行分类。将ICA的空间局部特征提取功能、遗传算法快速寻优的特征选择功能以及SVM的强分类能力有机地结合起来。实验表明,该方法取得了很好的分类性能。     

基于遗传-狮群算法优化的独立分量分析算法

针对传统独立分量分析算法存在过度依赖梯度信息、容易陷入局部最优等缺陷,提出一种基于遗传-狮群算法(GA LSO)优化的独立分量分析算法.以信号的峭度绝对值之和作为目标函数,结合遗传算法较强的全局搜索能力和狮群算法良好的进化机制,对目标函数进行求解,提高了独立分量分析算法的精度,实现了对混叠信号的盲分离.仿真实验结果表明...     

一种改进的快速独立分量分析算法及其在图象分离中的应用

独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效的方法而受到广泛的关注,并在许多方面获得成功应用.讨论了独立分量分析的基本原理、判断条件和算法,并在此基础上,介绍了独立分量分析的一种快速算法——FastICA算法;对FastICA算法的核心迭代过程进行改进,得到M-FastICA算法,改进算法减少了独立分量分析的迭代次数,从而提高了算法的收敛速度.最后将M-FastICA算法应用到图象的分离上,实验结果表明,改进算法在分离效果相当的前提下,串行算法迭代次数减少了9％,并行算法迭代次数减少了27％,收敛速度更快.     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

扩展Infomax算法的收敛性分析

扩展Infomax算法是在传统Infomax算法基础上发展起来的一种较为实用的盲源分离算法。该算法采用非线性模型的动态切换技术,实现了对超高斯源和亚高斯源的同步分离。该文结合模型切换矩阵系数和迭代误差在盲源分离过程中的变化,直观地展示了扩展Infomax算法的收敛过程。文中还探讨了高斯随机噪声和随机脉冲干扰对算法收敛性能的影响。所得结论对于扩展Infomax算法的实际应用有一定的指导意义。     

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。     

基于独立分量分析的图像融合算法

提出了一种基于独立分量分析(ICA)的图像融合算法。在图像配准的基础上,利用独立分量分析对图像进行训练获得独立分量基函数。对于待融合图像,通过训练得到的基函数对图像进行线性变换,然后在变换域根据不同的融合规则对图像进行融合,ICA反变换得到融合图像。仿真结果表明了该方法的有效性。 关键词：     

Independent Component Analysis for Time-dependent Processes Using AR Source Model

Independent component analysis is a fundamental and important task in unsupervised learning, that was studied mainly in the domain of Hebbian learning. In this paper, the temporal dependencies are explained by assuming that each source is an autoregressive (AR) process and innovations are independently and identically distributed (i.i.d). First, the likelihood of the model is derived, which takes into account both spatial and temporal information of the sources. Next, batch and on-line blind source separation algorithms are developed by maximizing likelihood function, and their local stability analysis are introduced simultaneously. Finally, computer simulations show that the algorithms achieve better separation of the mixed signals and mixed nature images which are difficult to be separated by the basic independent component analysis algorithms.     

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。     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.