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.     

扩展的快速独立分量分析算法

针对复值快速独立分量分析算法仅适用于非高斯圆信号,而对常用的非高斯非圆信号不适用的问题,提出了扩展的复值快速独立分量分析算法.该算法通过解除原算法假设条件构造新的代价函数,采用现有的近似复数牛顿迭代方法优化该代价函数,推导出适用范围更广的复数快速独立分量分析算法.该算法同原算法一样都是固定点算法,都有很快的收敛速度,而且该算法不但适用于原算法所适用的非高斯圆信号,对原算法所不适用的非高斯非圆信号也是有效的.理论分析和仿真实验验证了算法的有效性.     

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。     

基于快速独立分量分析的音频盲数字水印算法

针对盲水印技术中存在稳健性差、提取过程复杂等问题,提出了基于快速独立分量分析（FastICA）的音频数字水印算法。嵌入水印前,对水印进行置乱加密预处理。嵌人时,对原始音频进行DCT变换,在变换后的信号中利用随机混合的方法嵌入置乱加密的水印信号,然后利用DCT逆变换重构音频信号。提取时,首先对嵌入水印的音频信号进行DCT变换,然后采用基于正交对称矩阵的FastICA方法进行水印提取。实验表明,该算法在稳健性和透明性方面均有很好的效果,产生的水印可以作为版权保护的依据。     

盲自适应独立分量多用户检测器

为了解决码分多址（CDMA）下行链路中仅需期望用户的扩频码和定时的盲自适应多用户检测的问题,基于独立分量分析（ICA）的理论,采用探查性投影追踪法,结合负熵和修正函数构造出新的代价函数.运用非多项式函数简化了负熵运算,而采用修正函数克服了独立分量分析的不确定性.经过理论推导和仿真验证,该算法计算量小,收敛速度较快,在恶劣的信噪比和多址干扰中具有优异的信干噪比和误比特率性能,因此该检测器抗多址干扰（MAI）和远近效应能力强,很有实用价值.同时该算法对用户数敏感性小,在线处理方式也适用于非平稳信道     

独立分量分析在民航地空干扰抑制中的应用

提出了用独立分量分析(ICA)抑制地空干扰的新方法,从而降低了飞行隐患.通过仿真实验,验证了该方法的有效性.     

CDMA盲自适应独立分量多用户检测器

为了解决码分多址（CDMA）下行链路中仅需期望用户的扩频码和定时的盲自适应多用户检测的问题,基于独立分量分析（ICA）的理论,采用探查性投影追踪法,结合负熵和修正函数构造出新的代价函数．运用非多项式函数简化了负熵运算,而采用修正函数克服了独立分量分析的不确定性．经过理论推导和仿真验证,该算法计算量小,收敛速度较快,在恶劣的信噪比和多址干扰中具有优异的信干噪比和误比特率性能,因此该检测器抗多址干扰（MAD和远近效应能力强,很有实用价值．同时该算法对用户数敏感性小,在线处理方式也适用于非平稳信道．     

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%。     

基于部分独立分量分析的盲源分离

独立分量分析是近年来发展起来的一种可有效应用于盲源分离的多通道信号处理方法，对从观测信号中分离出信源信号有较好的性能．但独立分量分析方法的主要限制之一是信源信号统计独立，而大多数实际应用问题都不能保证这一点，使运用独立分量分析进行盲源分离的效果受到极大的影响．因此．提出了利用特征选择的方法近似获得信源信号中的独立分量，对这些分量上的观测信号运用已有的独立分量分析方法进行盲源分离，获得了较好的分离结果．     

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.     

基于改进固定点ICA算法的图像盲分离

独立向量分析根据信源统计独立特性对观测信号进行分离运算,目前采用较多的是固定点独立分量分析（FastICA）。考虑到图像信号分离中,图像信号复杂多样,信息量大的特点,采用改进固定点ICA算法对图像进行分离,克服了采用固定点ICA算法计算量大、收敛速度慢的缺点。文章采用随机提取的独立图像做实验,取得了稳定性较强的效果。     

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ICA的EEG参考信号去除

脑电信号的参考电极一般选耳垂或者乳突,正确去除参考信号对于研究脑电信号的相关性、相位同步性等有重要的意义。该文首先在采集脑电信号时用手指轻弹参考电极,然后运用独立成分分析中的快速算法分离脑电信号中的各个独立分量和相应的分离矩阵自动识别参考信号。研究结果表明该方法能有效识别和去除参考信号,在脑电信号的处理中有重要应用价值,值得深入研究和推广。     

具有独立分量的经验模态分解算法研究

在经验模态分解算法中用极值包络平均近似局部平均,不能保证分解分量之间的正交性,固有模态分量存在冗余.这种情况对信号成份分析尤为不利,冗余部分的物理意义无法解释,或可能作出错误的解释.将独立分量分析方法引入经验模态分解算法中,利用其良好的分解独立特性,使模态分量不仅正交而且相互独立,消除了冗余.仿真试验表明,改进算法的模态分量彼此独立,特别对于混有突变信号的周期信号,在得到周期分量的同时,也得到突变分量,说明了改进算法比原算法优越,且具有较好的工程应用前景.     

应用改进ICA-R算法的供水管网漏失量估计

漏失量作为城市供水管网漏损量的主要组成成分,可作为管网漏损控制的重要参考指标.现有漏失量计算方法存在准确度不高,计算过程复杂等问题,而盲源分离法具有数据需求量少,分析结果准确特点.针对盲源分离中约束独立成分分析(CICA)算法在漏失量估计中存在误收敛,限制盲源分离法进一步应用的问题,提出利用改进的带参考信号的独立成分分析(改进ICA-R)算法进行供水管网漏失量估计思路.对目标函数选取、信号处理过程进行分析说明,同时设计算例管网模型并搭建漏失实验平台验证算法分离效果,并与快速独立成分分析(FastICA)算法处理效果进行对比.采用皮尔逊相关系数评价漏失量分离效果,利用平均相对误差评价改进ICA-R分离精度.结果证明,使用改进ICA-R算法分离漏失量所得相关系数维持在90%附近,平均相对误差维持在15%以内,优于FastICA算法,该方法避免加装大量计量仪表,降低了漏失量计算成本,可为漏失量计算提供参考,便于各水司有针对性地采取漏损控制措施.     

基于QPSO和ICA的图像盲分离方法研究

针对ICA技术中常用的普通梯度算法容易陷入局部最优,提出了一种基于量子行为的粒子群算法和独立分量分析相结合的盲源分离新算法.以负熵作为独立分量分析的目标函数,用QPSO算法代替普通梯度算法,对瞬时混合信号进行分离,给出了算法的具体步骤.实验结果表明,该算法能够有效实现图像的盲源分离.同时与其他算法对比,体现了该算法更高的性能.     

DEBBSS信号源盲分离算法的研究

在基于人工神经网络的信号源盲分离算法中,普遍需要使用通过源信号的概率密度函数定义的评价函数（score function）作为网络的激活函数（Activation function）.由于信号源未知,因此无法获得有关评价函数的信息,传统的方法是利用某些特定的非线性函数来替代源信号的评价函数.这种利用非线性函数替代源信号评价函数的方法能够成功地实现同系混合（homogeneous mixture）信号的盲分离,但都不能分离杂系混合（hybrid mixture）信号.文献[1]利用非参数法概率密度函数估计的核函数方法,通过对源信号评价函数的直接估计,提出了一种基于概率密度函数估计的DEBBBS算法,成功地解决了非线性函数替代方法存在的不能分离杂系混合信号的问题.笔者通过数值仿真,比较了DEBBBS算法与著名的EASI算法,证明新算法分离杂系混合信号的有效性.同时,也进一步将DEBBSS算法与同样能够分离杂系混合信号的EXTICA算法进行了比较,计算机仿真过程证明,即使与同样能够分离杂系混合信号的EXTICA算法相比,DEBBSS算法在算法的有效性和稳定性方面也表现出优异的性能.