一种改进的FastICA算法及其在含噪盲源分离中的应用

针对含噪环境下的盲源分离问题,将一种稳健的含噪条件下的白化预处理方法应用于FastICA算法中,提出了一种改进的FastICA算法.实验仿真结果表明：该算法的抗噪声性能比经典的FastICA算法和RobustICA算法有了较大地改善,而运算量基本不变.     

基于独立分量分析的胎儿心电信号提取

研究独立分量分析方法在胎儿心电信号(FECG)提取中的应用,视胎儿心电信号与噪声为相互独立的信号源,采用FastICA算法,对来源于同一孕妇的观测信号进行独立分量分离,得到较为理想的FECG,实践证明:采用该方法提取FECG是一种有效的方法.     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.     

基于快速独立分量分析的多维混合信号盲分离

介绍了一种用于盲信号分离的快速独立分量分析方法(FastICA).该方法以信息论中的负熵作为估计输出分量之间统计独立的目标函数,通过优化该目标函数,得到快速独立分量分析的迭代算法.由于该迭代算法不需计算输出分量的高阶统计量,收敛速度快.通过线性混合时间信号分离和图像信号分离的仿真实验表明Fas-tICA算法可以快速有效地分离这些信号.     

一种改进的双因子自适应FastICA算法

为解决快速独立分量分析算法（FastICA）对初值权值敏感的问题,提出了一种双收敛因子FastICA算法（Double Convergence Factor FastICA,DCF—FastICA）。该算法利用两个不同步长因子的FastICA算法进行组合,并通过梯度算法自适应调节两分离权值矩阵的组合系数,从而得到最优权值分离矩阵。理论分析与实验结果表明DCF—FastICA算法较之以往改进算法具有明显的优势,该算法不仅改善了初值权值敏感问题,而且可在几乎不损失分离精度的情况下,使平均分离速度较原算法提高近70%,迭代次数较原算法减少近80%。     

回波对消中盲源分离算法的研究与仿真

盲源分离因为可以仅根据接收到的观测信号来估计还原源信号,成为近年来在信号处理领域的研究热点.针对盲源分离中的基于峭度的独立分量分析算法在源信号还原的过程中计算量较大的问题,采用共轭梯度方法对独立分量分析法进行优化,优化后的算法收敛速度更快,稳态误差变小.Matlab仿真实验表明,优化后的独立分量分析算法收敛更快,实际分离效果更好.     

基于FastICA的高光谱图像压缩技术

提出了一种基于快速独立分量分析(FastICA)的高光谱图像压缩算法。首先引入虚拟维数算法估计图像中的目标端元个数,进而提取出感兴趣的目标端元矢量,并初始化快速独立分量分析的混合矩阵;利用最小噪声分量变换对原始数据进行降维,从降维后的主分量中提取独立分量;对独立分量进行恒虚警率检测与形态学滤波,实现目标分割。对高光谱图像进行谱间Karhunen-Loeve变换,利用比例位移法对感兴趣目标的小波系数进行提升,最后对各主分量进行最优码率的SPIHT压缩。实验结果表明,该方法在获得较高压缩性能的同时能够有效地保留感兴趣的目标。     

基于负熵极大的独立分量分析方法

独立分量分析（Independent Component Analysis,ICA）是近年来发展起来的一种有效的盲源分离技术（Blind Source Separation,BSS）．本文介绍了独立分量分析的基本理论,用基于最大熵原理的对负熵的估计方法得出了ICA的目标函数,并介绍了基于负熵极大的FastICA算法．MATLAB仿真试验表明：该算法可以较好地分离混合声音信号,具有良好的稳定性,收敛速度较快.     

基于独立分量分析的降噪技术

介绍了新兴的独立分量分析技术的基本概念和原理,以及具有代表性的算法,即FastICA算法、EASI算法、非线性PCA算法和基于自然梯度的最大似然估计算法。通过降噪仿真实验,并采用均方误差作为降噪的性能指数,对这些算法与传统的自适应信号处理算法进行比较。所得实验结果表明,独立分量分析算法在降噪上的效果优于自适应信号处理算法。因此在降噪上具有较大的应用价值。     

一种新的基于归一化峭度的ICA算法

基于峭度的独立分量分析中,采用梯度法寻找代价函数的极值点时,搜索的方向对算法的收敛起着关键的作用,对Kuicnet算法中原来的梯度做一个倍数替换,得到一个新的ICA算法.新算法在迭代过程中适时对梯度方向作出调整,加快收敛速度.数值仿真说明了算法的有效性. 更多还原     

基于独立分量分析的混叠跳频信号分离算法

为解决混叠跳频信号的分离问题,在深入研究独立分量分析（ICA：Independent Component Analysis）理论基础上,结合跳频通信的特点,提出了基于独立分量分析的混叠跳频信号分离算法,实现了对混叠跳频信号的盲分离。该算法将基于负熵最大化的FastlCA算法应用到混叠跳频信号分离中。通过仿真实验表明,该算法能成功地排除乘性噪声干扰,完成对混叠跳频信号的分离。虽然分离信号的幅度、相位等参数较源信号发生了变化,但并不影响后续工作。这一过程在未知任何先验参数的条件下完成,并取得了较好的分离效果,为跳频通信信号的分离工作提供了新思路。     

基于峰度准则与判决引导的非线性盲解卷积

针对Weiner模型,提出了一种基于最大峰度准则与判决引导相结合的非线性系统盲解卷积算法。在代价函数中引入了判决引导均方误差,优化代价函数,减少局部极值和降低剩余误差。研究了利用实数编码的遗传算法对代价函数进行最优化搜索。仿真实验表明该算法具有快速收敛性能和高精确度等优点,能够大大提高解卷积后的输出信噪比。     

一种基于负熵的快速定点盲源分离方法及其试验验证

论述了负熵最大化的基本原理和判断条件,在此基础上建立了一种基于负熵、通过数学迭代的方法得到的快速定点抽取算法。该算法具有迭代次数少的显著优点。通过仿真验证了算法的有效性,并将该算法应用到实际语音信号的盲分离实验中。实验结果表明,所建立的算法对盲源分离具有优良的性能,通过与基于峭度的算法对比,发现该算法具有很好的鲁棒性。     

基于峭度激励的变步长自适应谱线增强算法

提出了一种基于峭度激励的变步长自适应谱线增强新算法,该算法以输入信号峭度与误差信号峭度为联合激励因子,构造出一种指数型变步长的算法模型。该步长对高斯色噪声或非高斯色噪声均有一定的免疫性,跟踪时变信号的能力强,且收敛速度快。用实测的某水下目标辐射噪声数据进行了仿真实验。与传统的LMS算法相比,仿真结果表明,该算法具有较强的谱线增强能力、快速收敛性和良好的跟踪性能,能有效地实现目标线谱信号与混合色噪声环境的分离。     

基于峭度和负熵的模拟电路故障诊断方法研究

首先对模拟电路故障诊断中信号的非高斯性进行了分析,然后对信号非高斯性的两个度量值峭度和负熵的计算方法进行了详细研究,最后提出了基于峭度和负熵的模拟电路故障诊断方法,并将该方法应用到实际电路。仿真结果表明该方法不但能缩短神经网络的训练时间,简化网络结构,提高故障诊断率,而且适用于实时的模拟电路故障诊断。     

一种新的盲源分离拟开关算法

针对电子战中各种信号混叠严重难以分离的现象,在盲源分离开关算法基础上提出一种新的盲信源分离拟开关算法.该算法引入单位对称加权滑动向量来加权每次迭代所得的分离信号作为源信号,用峭度取代原算法的峭度符号位作为判断函数来自适应选择加权相应激活函数,以此优化学习算法,结合信号分选的具体应用,给出了迭代结束的评判方法.计算机仿真实验表明,在强噪声背景影响下,该算法能够更加有效地分离空间未知多源线性混叠信号,且在分离效果、稳定性、处理速度和抗噪性能上都比原算法有较大改进.     

一种新的CMA-DFE盲均衡方法

提出了一种新的常数模(CMA)盲均衡方法，误差性能表面(EPS)分析表明其收敛性优于常用的CMA2-2方法。为进一步减小稳态失调误差，采用峰度判决机制，一旦检测到眼图张开即转入判决反馈均衡(DFE)工作方式。仿真实验证实了该方法的有效性。     

Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency

The accurate estimation of the rolling element bearing instantaneous rotational frequency(IRF) is the key capability of the order tracking method based on time-frequency analysis. The rolling element bearing IRF can be accurately estimated according to the instantaneous fault characteristic frequency(IFCF). However, in an environment with a low signal-to-noise ratio(SNR), e.g., an incipient fault or function at a low speed, the signal contains strong background noise that seriously affects the effectiveness of the aforementioned method. An algorithm of signal preprocessing based on empirical mode decomposition(EMD) and wavelet shrinkage was proposed in this work. Compared with EMD denoising by the cross-correlation coefficient and kurtosis(CCK) criterion, the method of EMD soft-thresholding(ST) denoising can ensure the integrity of the signal, improve the SNR, and highlight fault features. The effectiveness of the algorithm for rolling element bearing IRF estimation by EMD ST denoising and the IFCF was validated by both simulated and experimental bearing vibration signals at a low SNR.