基于压缩技术的子空间迭代法及在谱估计中的应用

提出了一种基于压缩技术和子空间迭代的特征向量迭代估计算法,由于该算法采用迭代形式,同目前的特征向量求解方法相比(如奇异值分解法),该算法计算量小、复杂度低、算法收敛速度快、易于实时实现,可对由信号构成的自相关矩阵的特征向量作出准确的估计。通过仿真实验可见该算法具有很高的估计精度。将该算法应用到MUSIC(multiple signal classification)谱估计中,通过计算机进行仿真对比可以看到,利用提出的算法进行谱估计精度要高于标准的MUSIC谱估计精度,且计算量大大减小,由此验证了算法的有效性和优越性。     

基于卷积神经网络的鸟类视频图像检索研究

本文介绍了在基于卷积神经网络的图像检索分析研究中,针对青海湖野鸟监控的视频关键帧图像数据,首先我们采用Vgg16神经网络的预训练模型来提取图像的特征,然后将特征向量作为图像的代表信息进行存储,构造图像的特征向量空间。之后对存储的高维特征向量进行降维处理,用主成分分析的方法将特征向量映射到低维的向量空间。最后应用余弦相似度算法对查询图像的特征向量与特征库中向量进行匹配,实现相似图像的检索。本文对提出的方法进行了实验,通过特征提取和恰当的特征降维,测试数据的检索准确率达到了89.82%。实验表明,本文提出的方法可以有效的实现鸟类图像的相似性检索。     

一种快速的多个主成分并行提取算法

主成分分析是信号处理和数据统计领域内非常重要的分析工具.针对现有多个主成分提取算法收敛速度慢的问题,提出了具有快速收敛速度的神经网络算法.该算法能够并行提取信号中的多个主成分,而不需要其他额外的操作.分别采用平稳点分析法和随机离散时间分析法对所提算法的收敛性和自稳定性进行了证明.仿真实验表明,相比现有算法,所提算法不仅具有较快的收敛速度,而且具有较高的收敛精度.     

一种新的高分辨稳定阵列信号估计算法

为提高信号的分辨率,提出了一种新的基于均匀线阵的高分辨稳定的阵列信号方向(DOA)估计方法。主要利用阵列接受数据的自相关矩阵进行特征分解,得到最大特征值所对应的最大特征向量。按一定的方式对最大特征向量数据进行重排,构成新的矩阵,通过SVD分解获取信号的噪声子空间,然后利用特征空间的正交性进行DOA估计。新方法由于新构矩阵的特殊性能实现相干和非相干信号的同时分辨,能克服常用阵列信号估计MUSIC法信噪比门限较高以及常用解相干平滑算法(FBSS)无法完全利用阵列接受数据自相关矩阵的固有缺陷。大量的计算机仿真实现表明,方法是一种高分辨、高稳定性的DOA估计算法。     

基于相平面轨迹特征的规则自调整模糊控制方法

通过对模糊控制系统相平面响应轨迹特性的分析, 提出了相平面响应轨迹实时特征向量和实时特征向量夹角的概念; 在分析实时特征向量夹角特性的基础上, 提出基于相平面响应轨迹特征的规则自调整模糊控制方法; 仿真结果表明, 该方法可以减小模糊控制系统的超调和过渡过程, 提高系统的收敛速度.     

PageRank外推插值法

PageRank是一种基于网络超链接结构估计网页重要性的方法。最初的PageRank算法是使用幂法迭代,直到表示网络结构的马尔可夫矩阵收敛到一个最大的特征向量。文章在幂法的理论基础上,利用特征向量二维线性表达的假设,给出了一种新方法,使得修正后的幂法计算PageRank时,求特征向量的过程可以达到快速收敛。     

多维广义次成分提取准则及自适应算法

针对广义次成分在信号处理中没有与之相对应的信息准则,而且只能提取单维广义次成分,提出一种多维广义次成分提取准则,并通过矩阵微分法证明了所提出信息准则只有唯一的全局极大值.基于该信息准则,采用梯度上升法导出一种多维广义次成分提取算法,并采用李雅普诺夫函数法对所提出算法的全局收敛性进行证明.与其他现有算法不同,所提出算法可以并行提取多维次成分,而并不需要模值归一化.仿真实验表明,所提出算法相比一些现有算法具有收敛速度快和估计精度高的优点.     

独立成分分析算法及其在脑电图中的应用

研究脑电图成像的数据处理问题时,独立成分分析(ICA)是一种新的信号处理统计方法,被广泛用于各个领域.脑电图就是,利用独立成分分析从混合信号中还原出源信号,通过目标函数,如极大似然估计,信息最大化和互信息最小化等,对源信号的概率密度函数(PDF)进行估计.在基于互信息最小化算法的基础上,提出一种新的独立成分分析算法,算法中的核心参数是由信号本身来确定的,能使所估计的PDF更加准确,从而提高分离的性能.最后,用新的ICA算法来实现脑电图(EEG)信号的盲源分离,结果表明,算法可以快速有效的分离其源信号,且准确性优于Boscolo提出的非参量ICA模型.     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.     

基于改进的单通道对称正交化FastICA的间谐波检测方法

针对电力系统中间谐波检测的问题,提出一种基于改进的单通道对称正交化FastICA的间谐波估算算法.该算法首先对单通道电力系统混合信号进行循环平移,构造出多道观测信号,通过主成分分析法对其进行降维处理;其次利用改进的对称正交化FastICA算法对多个独立成分并行估计,分离出基波、谐波和间谐波信号频率;最后应用最小二乘法对谐波和间谐波幅值和相位进行估计.仿真结果表明,该方法可以较准确地检测出各次谐波和间谐波的频率、幅值和相位,较之FastICA算法,该算法不需任何先验知识,收敛速度快,检测精度高.     

一种广义次成分提取算法及其收敛性分析

广义次成分分析(generalized minor component analysis,GMCA)在现代信号处理的许多领域具有重要作用.目前现有的大多算法不能同时具备与算法对应的信息准则,以及收敛性、自稳定性和多个广义次成分提取的性能.针对上述问题,利用一种新的信息传播规则,推导出一种广义次成分提取算法,并采用确定离散时间方法(deterministic discrete time,DDT)对算法的全局收敛性能进行分析;同时,通过理论分析算法的收敛性能与算法初始状态的关系,表明算法具有自稳定性.进一步地,探索了算法在多重广义次成分提取方面的应用.相比之前的算法,所提算法具有更快的收敛速度.Matlab仿真验证了所提出算法的各项性能.     

并行提取多个次成分的改进型M"oller算法

次成分分析是信号处理领域一门重要的工具. 然而, 到目前为止能够进行多个次成分提取的算法并不多见, 一些现存算法还存在很多限制条件. 针对这些问题, 采用加权矩阵的方法将M\"oller算法扩展为多个次成分提取算法. 该算法对于输入信号的特征值没有要求, 而且在不需要模值限制措施的情况下, 仍然具有很好的收敛性. 仿真结果表明, 该算法可并行提取多个次成分, 而且收敛速度优于一些现有算法.     

Global Convergence of GHA Learning Algorithm With Nonzero-Approaching Adaptive Learning Rates

The generalized Hebbian algorithm (GHA) is one of the most widely used principal component analysis (PCA) neural network (NN) learning algorithms. Learning rates of GHA play important roles in convergence of the algorithm for applications. Traditionally, the learning rates of GHA are required to converge to zero so that its convergence can be analyzed by studying the corresponding deterministic continuous-time (DCT) equations. However, the requirement for learning rates to approach zero is not a practical one in applications due to computational roundoff limitations and tracking requirements. In this paper, nonzero-approaching adaptive learning rates are proposed to overcome this problem. These proposed adaptive learning rates converge to some positive constants, which not only speed up the algorithm evolution considerably, but also guarantee global convergence of the GHA algorithm. The convergence is studied in detail by analyzing the corresponding deterministic discrete-time (DDT) equations. Extensive simulations are carried out to illustrate the theory.     

Global convergence analysis of a discrete time nonnegative ICA algorithm

When the independent sources are known to be nonnegative and well-grounded, which means that they have a nonzero pdf in the region of zero, Oja and Plumbley have proposed a "Nonnegative principal component analysis (PCA)" algorithm to separate these positive sources. Generally, it is very difficult to prove the convergence of a discrete-time independent component analysis (ICA) learning algorithm. However, by using the skew-symmetry property of this discrete-time "Nonnegative PCA" algorithm, if the learning rate satisfies suitable condition, the global convergence of this discrete-time algorithm can be proven. Simulation results are employed to further illustrate the advantages of this theory.     

A unified learning algorithm to extract principal and minor components

Recently, many unified learning algorithms have been developed to solve the task of principal component analysis (PCA) and minor component analysis (MCA). These unified algorithms can be used to extract principal component and if altered simply by the sign, it can also serve as a minor component extractor. This is of practical significance in the implementations of algorithms. Convergence of the existing unified algorithms is guaranteed only under the condition that the learning rates of algorithms approach zero, which is impractical in many practical applications. In this paper, we propose a unified PCA & MCA algorithm with a constant learning rate, and derive the sufficient conditions to guarantee convergence via analyzing the discrete-time dynamics of the proposed algorithm. The achieved theoretical results lay a solid foundation for the applications of our proposed algorithm.     

Robust recursive least squares learning algorithm for principalcomponent analysis

A learning algorithm for the principal component analysis (PCA) is developed based on the least-square minimization. The dual learning rate parameters are adjusted adaptively to make the proposed algorithm capable of fast convergence and high accuracy for extracting all principal components. The proposed algorithm is robust to the error accumulation existing in the sequential PCA algorithm. We show that all information needed for PCA can he completely represented by the unnormalized weight vector which is updated based only on the corresponding neuron input-output product. The updating of the normalized weight vector can be referred to as a leaky Hebb's rule. The convergence of the proposed algorithm is briefly analyzed. We also establish the relation between Oja's rule and the least squares learning rule. Finally, the simulation results are given to illustrate the effectiveness of this algorithm for PCA and tracking time-varying directions-of-arrival.     

基于仿射投影-非线性主分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离收敛速度慢的问题,以盲源分离的非线性主分量分析(PCA)为基础,结合仿射投影算法,提出了盲源分离的非线性APA-PCA准则,并设计出盲源分离的APA-Kalman,APA-RLS,APA-LMS新算法。在这些新算法中,预白化后的观测向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了盲源分离的收敛速度。仿真结果表明,非线性APA-PCA准则是有效的。     

一个多维次成分并行提取算法及其收敛性分析

次成分分析是信号处理领域内一项重要的分析工具.目前,多维次成分并行提取算法数量稀少,而且现有的算法在应用时还存在很多限制条件.针对上述问题,在分析研究OJAm次子空间跟踪算法的基础上,采用加权矩阵法提出了一种多维次成分提取算法,并采用递归最小二乘法对所提算法进行了简化,最后采用李雅普诺夫函数法确定了所提算法的全局收敛域.相比现有算法,所提算法对信号的特征值大小没有要求,也不需要在迭代过程中进行模值归一化操作,同时算法具有较低的计算复杂度.仿真实验表明:所提算法能够并行提取多维次成分,而且收敛速度要优于现有同类型算法.     

A neural networks learning algorithm for minor component analysis and its convergence analysis

The eigenvector associated with the smallest eigenvalue of the autocorrelation matrix of input signals is called minor component. Minor component analysis (MCA) is a statistical approach for extracting minor component from input signals and has been applied in many fields of signal processing and data analysis. In this letter, we propose a neural networks learning algorithm for estimating adaptively minor component from input signals. Dynamics of the proposed algorithm are analyzed via a deterministic discrete time (DDT) method. Some sufficient conditions are obtained to guarantee convergence of the proposed algorithm.