步长自适应ICA在地震信号去噪中的应用

提出一种基于改进相对梯度独立分量分析（ICA）的叠前地震信号去噪方法。建立ICA的步长函数与信号相依性测度之间的非线性关系,根据信号的分离状态自适应调节步长函数;在分离矩阵的更新公式中引入动量项,削弱步长函数快速减小对分离矩阵更新的影响;将改进ICA模型应用于叠前地震信号去噪处理中。实验结果表明,改进的变步长ICA算法可以有效地压制叠前地震记录中的随机噪声,并且能很好地保护有效地震信号。     

一种新的变学习速率自适应独立分量分析算法

学习速率的优选问题是自适应ICA算法中一个重要问题。论文建立了学习速率与相依性测度之间的一种非线性函数关系,以此为基础提出了一种新的变学习速率的自适应ICA算法,并且分析了参数a,b的取值原则及对算法收敛性能和稳态性能的影响。该算法能根据相依性测度所反映的信号分离的状态自适应地调节学习速率,克服了传统算法在稳态阶段步长调整过程中的不足。理论分析和计算机仿真结果都验证了算法的收敛性能和稳态性能。     

约束独立分量分析(CICA)算法在故障诊断中的应用

盲源分离(BSS)是利用源信号间的统计独立性,在源信号和混合通道都是未知的条件下,仅由观测信号分离出各源信号的过程,也称独立分量分析(ICA)。经典的ICA仅仅用到数据的统计信息特征,即统计独立性。然而,机械故障存在其他如频率特征等已知的先验知识,将主要利用这些先验信息进行故障诊断。提出一种带参考信号约束的ICA算法(CICA)进行盲源信号的分离,选取与待提取信号频率相同的脉冲信号作为参考信号,以均方误差作为相似性测度的方法进行了实验仿真,仿真实验表明CICA算法能够很好地分离出待提取信号。     

一种盲源分离的优先进化自适应遗传算法

盲分离技术与独立分量分析(ICA)由于不需要知道信号的先验信息而得到广泛应用.ICA是信号处理的一种新技术.其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立.将改进的遗传算法(GA)与ICA相结合,提出基于优先进化自适应GA的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能.对3段声音信号进行了仿真,仿真结果证明了算法的有效性.     

Fast ICA算法在语音信号盲分离中的应用

盲信号处理算法主要有批处理算法和自适应算法两类,导出了一种批处理和自适应相结合的快速独立分量分析(fast independent component analysis,Fast ICA)算法.将该算法应用于语音信号盲分离处理,通过综合实验,从分离前后的波形、频谱图和主要评价参数说明该算法具有良好的信号分离效果.与扩展联合对角化(joint approximative diagonalization of eigenmatrix,JADE)算法和自然梯度(natural gradient,NG)算法比较,Fast ICA算法具有更好的分离效果.     

基于变步长的混合图像自适应盲分离算法

根据混合信号的分离程度,提出了一种新的图像信号分离算法,通过建立分离矩阵控制步长因子变化,利用自适应不完整自然梯度法实现图像的有效分离.新算法既很好地解决了固定步长算法收敛速度和稳态误差之间的矛盾,也解决了其他变步长算法须选择较小初始步长才能实现分离的问题.仿真结果表明新算法收敛速度快,稳态误差小,综合分离性能明显优于...     

适用于时变系统的在线盲源分离算法研究

针对传统EASI算法收敛速率与稳态误差之间的矛盾,提出了一种基于估计函数期望的步长自适应算法（New Adaptive EASI）,为了使这种算法能够更好地解决时变系统中不同条件下的盲源分离问题,提高信号的分离精度,建立了一种混合矩阵变化的在线检测机制,并将这种在线检测机制加入步长自适应算法中,对算法进行了改进。仿真实验表明,这种改进的步长自适应算法能够提高盲源分离初始阶段或是信道变化后分离初始阶段的信号恢复质量,解决源信号为非零均值信号时的盲源分离问题,并且能够准确地在线估计源信号的个数,实现信源数变化条件下的盲源分离。     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。     

ICA自适应核估计在多用户检测中的应用

将自适应核估计的ICA算法应用于DS-CDMA系统的多用户检测中,在没有关于混叠信号的分布假设时,根据信号的统计特性自动估计评价函数,采用自适应核密度估计ICA算法检测器的输出初始化独立分量分析的迭代,对任意混叠信号进行盲分离。通过与传统匹配滤波检测和ICA后处理匹配滤波检测进行仿真比对,证明了该算法在DS-CDMA多用户检测中的可行性和优越性。     

一种峭度FastICA改进算法

独立分量分析(ICA)是盲分离的核心技术,是信号处理领域的一种新的发展.FastICA是独立分量分析中收敛速度较快的算法,因为它的收敛速度快且要求内存空间小而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题.为了克服其缺点,在基于峭度的FastICA算法的基础上增加精确线性搜索优化技术来求μ,使改进后的算法收敛速度更快且不需要手动来选择步长参数.编制相应的matlab程序,将改进的算法用于语音信号分离,验证了它的高效性.     

ICA和线性神经网络在带噪语音分离中的研究

用基于独立分量分析（ICA）的盲源分离方法对强噪声背景下的混合语音信号进行分离时,如果忽略噪声的影响则会产生很差的分离效果。为克服此不足,结合噪声对消和盲源分离,提出了一种在强噪声背景环境下的混合语音分离方法,即先将带噪观测信号通过线性神经网络构成自适应噪声对消器,然后采用ICA进行分离,与增加一路噪声作为源信号的分离方法相比,该方法具有更好的分离效果。     

Dual multivariate auto-regressive modeling in state space for temporal signal separation

Many existing independent component analysis (ICA) approaches result in deteriorated performance in temporal source separation because they have not taken into consideration of the underlying temporal structure of sources. In this paper, we model temporal sources as a general multivariate auto-regressive (AR) process whereby an underlying multivariate AR process in observation space is obtained. In this dual AR modeling, the mixing process from temporal sources to observations is the same as the mixture from the nontemporal residuals of the source AR (SAR) process to that of the observation AR (OAR) process. We can therefore avoid the source temporal effects in performing ICA by learning the demixing system on the independently distributed OAR residuals rather than the time-correlated observations. Particularly, we implement this approach by modeling each source signal as a finite mixture of generalized autoregressive conditional heteroskedastic (GARCH) process. The adaptive algorithms are proposed to extract the OAR residuals appropriately online, together with learning the demixing system via a nontemporal ICA algorithm. The experiments have shown its superior performance on temporal source separation.     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

一种动量因子自适应自然梯度的盲分离方法

自然梯度算法是处理盲源分离问题的一个重要方法。基于信号分离度的概念以及BP算法中的动量因子,在自适应步长的基础上加入了基于分离度自适应变化的动量因子,提出了一种改进算法来更好处理速度和分离之间的矛盾;通过仿真验证了改进算法的优越性。     

Independent component analysis based on nonparametric density estimation

In this paper, we introduce a novel independent component analysis (ICA) algorithm, which is truly blind to the particular underlying distribution of the mixed signals. Using a nonparametric kernel density estimation technique, the algorithm performs simultaneously the estimation of the unknown probability density functions of the source signals and the estimation of the unmixing matrix. Following the proposed approach, the blind signal separation framework can be posed as a nonlinear optimization problem, where a closed form expression of the cost function is available, and only the elements of the unmixing matrix appear as unknowns. We conducted a series of Monte Carlo simulations, involving linear mixtures of various source signals with different statistical characteristics and sample sizes. The new algorithm not only consistently outperformed all state-of-the-art ICA methods, but also demonstrated the following properties: 1) Only a flexible model, capable of learning the source statistics, can consistently achieve an accurate separation of all the mixed signals. 2) Adopting a suitably designed optimization framework, it is possible to derive a flexible ICA algorithm that matches the stability and convergence properties of conventional algorithms. 3) A nonparametric approach does not necessarily require large sample sizes in order to outperform methods with fixed or partially adaptive contrast functions.     

一种盲信号分离算法的改进研究

盲信号分离在信号处理领域中逐渐变得重要起来,其为混合信号的分离提供一种较好的途径。独立分量分析是盲信号分离中的主流方法之一,其中的快速ICA算法更是具有分离效果好、收敛速度快的特点,具有广泛的应用。本文介绍盲信号分离的基本原理,详细阐述快速ICA算法,并且根据快速ICA算法应用中的局限性做出一些改进,取得较好的效果。     

基于复杂性寻踪的非独立图像盲分离

复杂性寻踪是近期发展起来的一种结合非高斯性和时间相关的投影寻踪方法,目的是在多元数据中找到一个投影方向,使得数据在该方向上的投影具有最令人感兴趣的结构。它是投影寻踪方法在时间序列应用上的扩展,相似于依赖时间的信号源盲分离和独立分离分析。由相互独立的图像混合而成的混合图像的盲分离技术已经相当成熟,但对非独立混合的图像的盲分离仍然是个难题。从时间序列的复杂性寻踪出发,推导出一个复杂性寻踪的定点算法。该算法是经典的快速独立分量分析算法（FastICA）的扩展,继承了FastICA的优点,简单易行,不需要用户选择学习率,并且算法具有快速稳定收敛的性质。该算法应用到非独立图像的混合图像的盲分离时,取得了较好的分离结果。     

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.