参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

两种图像盲分离算法性能的比较与仿真

关键比值算法利用图像像素灰度值的有界性,建立寻找分离矩阵的关键值的比值函数,并对比值函数的单调性进行分析,得到分离矩阵最佳估计值,进而可以较好地实施混合图像盲分离。与传统的联合对角化算法(JADE)相比,关键比值算法分离速度快、效果好,同时也解决了传统算法不能有效对黑点图像和相关图像分离的问题。仿真实验结果证明关键比值算法是一种综合性能非常高的盲分离算法。     

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

基于细菌趋药性算法的盲图像分离方法

提出了一种新的基于细菌趋药性(BC)算法的盲图像分离方法,利用图像信号的规范四阶累积量作为目标函数,使用BC算法对目标函数进行优化以实现图像的盲分离。每分离出一幅图像后,从混合图像中消除该幅图像成分后再进行下一次分离,从而最终实现所有源图像的逐次分离。仿真结果表明,本文算法能够有效实现对多幅混合自然图像的盲分离,且具有较好的分离效果。     

粒子群算法用于盲信号分离的研究

提出一种采用粒子群优化算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法采用峰度作为适应度函数,利用粒子群算法对由多个源信号混合而成的信号进行盲信号分离。与自然梯度法盲信号分离相比,粒子群算法精度更高,收敛速度更快,实例仿真成功地对两个图像混合信号进行了盲分离,表明了算法的有效性和优越性。     

基于压缩感知的欠定图像盲源分离研究

系统阐述了利用稀疏成分分析(Sparse Component Analysis,SCA)算法进行欠定图像盲源分离。首先在估计出源图像个数的基础上,利用线性聚类估计混合矩阵;其次将压缩感知(Compressed Sensing,CS)应用到恢复源图像中。为了得到自适应的过完备稀疏字典来提高分离效果,提出了利用K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)算法对过完备DCT字典循环迭代训练的思想,并对图像分块处理来减少计算复杂度;最后进行了仿真测试并对分离出的图像进行了分析和进一步处理。     

基于四阶累积量和简化粒子群的盲分离算法

针对线性混合盲信号分离问题,本文提出一种基于四阶累积量和简化粒子群优化的盲信号分离新算法。该算法采用信号的四阶累积量作为目标函数,运用简化粒子群优化算法对目标函数进行优化,最终实现对混合信号的盲分离。仿真结果表明,该算法能够有效实现对会议语音混合信号的盲分离,跟其他算法相比,具有更快收敛速度和分离精度。     

基于训练序列的峭度盲源分离算法

峭度盲源分离算法是一种自适应盲分离算法,可用于阵列天线和MIMO中的信号处理。本文提出利用通信中的训练序列来改善峭度盲分离的收敛速度,并以性能指数、相关系数作为比较标准进行了仿真,仿真结果证实了利用训练序列可以提高峭度盲分离算法的收敛速度。     

基于IPSO-ICA算法的盲多用户检测

为了有效抑制CDMA通信系统中的多址干扰,提出了一种将新改进的粒子群(IPSO)算法应用到基于独立分量分析(ICA)的盲多用户检测中的方法.首先在IPSO算法中,使用自适应非线性递减惯性权重w降低早熟概率,利用拉伸技术打破早熟现象,从而使最优解更加精确.然后将IPSO算法融合到ICA算法中,得到IPSO-ICA算法来进行盲多用户检测.最后仿真结果表明,在相同通信环境下,该盲多用户检测比已有的基于FastICA和PSO-ICA算法的盲多用户检测的误码率更小,收敛速度更快.     

分离矩阵的步长自适应在线盲源分离算法

分析了超定盲源分离中的自然梯度算法最终不能稳定收敛的原因,针对解决这一问题的方法中存在的不足进行了分析和研究。采用了一种基于分离矩阵的步长自适应在线盲源分离算法,较好地实现了收敛速度与稳态误差的最优结合。同时,在信号随机减少或增加时改进算法也能够达到较好的分离效果,仿真结果验证了改进算法的收敛稳定性与分离有效性。     

A Markov model for blind image separation by a mean-field EM algorithm.

This paper deals with blind separation of images from noisy linear mixtures with unknown coefficients, formulated as a Bayesian estimation problem. This is a flexible framework, where any kind of prior knowledge about the source images and the mixing matrix can be accounted for. In particular, we describe local correlation within the individual images through the use of Markov random field (MRF) image models. These are naturally suited to express the joint pdf of the sources in a factorized form, so that the statistical independence requirements of most independent component analysis approaches to blind source separation are retained. Our model also includes edge variables to preserve intensity discontinuities. MRF models have been proved to be very efficient in many visual reconstruction problems, such as blind image restoration, and allow separation and edge detection to be performed simultaneously. We propose an expectation-maximization algorithm with the mean field approximation to derive a procedure for estimating the mixing matrix, the sources, and their edge maps. We tested this procedure on both synthetic and real images, in the fully blind case (i.e., no prior information on mixing is exploited) and found that a source model accounting for local autocorrelation is able to increase robustness against noise, even space variant. Furthermore, when the model closely fits the source characteristics, independence is no longer a strict requirement, and cross-correlated sources can be separated, as well.     

Blind Decomposition of Transmission Light Microscopic Hyperspectral Cube Using Sparse Representation

In this paper, we address the problem of fully automated decomposition of hyperspectral images for transmission light microscopy. The hyperspectral images are decomposed into spectrally homogeneous compounds. The resulting compounds are described by their spectral characteristics and optical density. We present the multiplicative physical model of image formation in transmission light microscopy, justify reduction of a hyperspectral image decomposition problem to a blind source separation problem, and provide method for hyperspectral restoration of separated compounds. In our approach, dimensionality reduction using principal component analysis (PCA) is followed by a blind source separation (BSS) algorithm. The BSS method is based on sparsifying transformation of observed images and relative Newton optimization procedure. The presented method was verified on hyperspectral images of biological tissues. The method was compared to the existing approach based on nonnegative matrix factorization. Experiments showed that the presented method is faster and better separates the biological compounds from imaging artifacts. The results obtained in this work may be used for improving automatic microscope hardware calibration and computer-aided diagnostics.      

快速NMF盲源分离算法

将秩一非负矩阵分解应用于盲源分离问题,把基于欧式距离的目标函数转化成二次函数的形式;施加稀疏性约束和正交性约束保证信号可分离性;利用二次函数的性质分别推得混合矩阵和源信号的迭代公式,从而得到一种基于秩一分解的快速NMF盲源分离算法（NMF-R1)。分析得到一次迭代更新NMF-R1算法比传统NMF盲源分离算法（NMF-BM)所需乘法次数少约30%,NMF-R1算法无矩阵求逆运算,NMF-BM算法还需2次矩阵求逆运算。图像信号的超定和欠定盲源分离仿真结果表明,NMF-R1算法都能分离出源信号, NMF-BM算法只能分离超定混合信号;NMF-R1算法与NMF-BM算法比,分离性能好、收敛速度快。      

基于凸优化的抗旋转图像盲源分离算法研究

盲源分离是指在没有源信号任何先验知识的情况下,只根据多个观测信号实现对源信号的恢复。本文在CAMNS算法的基础上提出了一种抗旋转的图像盲源分离新算法,该算法首先对观测图像进行预处理,提取图像旋转不变因子,然后利用图像空间局部显著性的假设将旋转后的图像盲源分离转化为可解的凸优化问题,进而求出分离矩阵,最后反解混合方程组确定源图像。实验结果表明:新算法有效地消除了旋转对盲源分离的影响,算法性能指标较ICA算法、NMF算法和CAMNS算法提高了近80%以上。      

基于独立分量分析的盲水印算法

独立分量分析(ICA)是一种近期发展起来倍受关注的盲源分离算法。文章提出一种基于ICA的数字水印嵌入和提取算法。实验表明,该算法可以实现水印的盲分离,并且具有很好的鲁棒性。     

有噪复杂度寻踪的新算法

复杂度寻踪是投影寻踪向时间序列数据,即具有时间结构信号的扩展。该方法是和具有时间依赖特性的源信号的盲分离和独立成分分析紧密联系的。在源信号是具有时间依赖特性和存在高斯噪声的情况下,现有的有噪复杂度寻踪算法没有给出自回归系数的估计方法,影响了算法的实际应用,提出了有噪复杂度寻踪的新算法,该算法给出了自回归系数的估计方法。对自然图像和人工信号的仿真表明了提出算法的有效性,和现有的盲源分离算法相比较,提出算法具有好的信号分离性能。      

一种源信号盲分离有效算法

本文研究接收信号维数大于源信号维数的盲分离，提出了一种基于广义特征函数的信号盲分离新方法，该方法提高了信号分离的精度，减少了计算量。文中就方法进行了理论推导，并给出了计算机仿真结果，仿真结果表明理论分析是正确的。     

利用二阶统计量的图像盲提取方法

为了从混叠的图像信号中分离源图像,提出一种基于二阶统计量的图像盲抽取方法。首先根据图像信号的非平稳特性构造用于估计分离向量的代价函数;然后通过最小化其函数获得最优分离向量,并实现逐次恢复源图像信号的目的。仿真实验结果表明,本文方法不仅能较好地实现多幅图像的盲分离,还能同时分离服从亚高斯分布的图像信号和超高斯分布的语音信号;与其它传统方法相比较,它具有更优越的估计性能。