基于有理非线性函数的Fast-ICA算法

利用Fast-ICA算法进行超高斯信源盲分离时,计算其目标函数所选取的非线性函数主要是双曲正切函数（tanh）和高斯函数（gauss）。由于tanh和gauss函数的计算负担较大,从而增加了分离混合信号的运行时间。为了提高Fast-ICA算法的收敛速度,提出两个有理非线性函数用于代替tanh和gauss,使得改进的Fast-ICA算法在提高计算速度的同时保持或提高信号的分离性能。仿真实验验证了改进算法的有效性。     

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

混沌粒子群算法的盲源信号分离仿真研究

针对传统盲源分离算法存在收敛速度慢、易陷入局部最优等缺陷,提出一种混沌粒子群算法的盲源分离方法。采用信号的峰度值作为盲源信号分离目标函数,然后采用混沌粒子算法对目标函数进行求解,并对粒子群体进行混沌扰动,保持粒子群的多样性,最后采用最优解对信号进行盲源分离。结果表明,混沌粒子群算法有效提高了盲源信号分离速度,信号分离精度更高。     

独立分量分析对相关信号源的盲辨识性能分析

源信号之间统计独立是经典独立分量分析模型的基本要求。对实际信号而言,严格的统计独立是很难满足的,统计独立通常解释为尽可能的独立或者物理独立。在探讨了源信号之间存在弱线性相关后,对源信号的构成依次做出了三种假设,分析了独立分量分析对相关信号源的辨识能力。理论研究和实验表明,即使信号源之间存在弱相关性,独立分量分析方法仍然反映信号源的波形特征。     

基于遗传-狮群算法优化的独立分量分析算法

针对传统独立分量分析算法存在过度依赖梯度信息、容易陷入局部最优等缺陷,提出一种基于遗传-狮群算法(GA LSO)优化的独立分量分析算法.以信号的峭度绝对值之和作为目标函数,结合遗传算法较强的全局搜索能力和狮群算法良好的进化机制,对目标函数进行求解,提高了独立分量分析算法的精度,实现了对混叠信号的盲分离.仿真实验结果表明...     

独立分量分析中NLPCA-RLS算法IP核的设计

为解决实时性盲信号分离的问题,基于独立分量分析的模型,设计出了NLPCA-RLS算法的IP核.利用Simulink 和DSP Builder对算法中用到的乘法器、查找表、状态机等进行建模,通过Quartus Ⅱ综合后在Altera FPGA器件中进行硬件仿真.仿真实验分别采用人工生成的周期信号和真实的语音信号进行验证.实验结果表明,该IP核能很好的完成瞬时混合模型中盲信号的分离,具有很强的实用性.     

基于品质函数估计的非线性盲源分离算法

研究非线性盲源信号分离优化问题。由于混合信号同时包含超高斯和亚高斯信号且混合信号具有很强的非线性时,传统的非线性盲源分离算法中对于品质函数的选取一般都是通过经验,现有算法难以取得理想的分离效果。在Pearson模型的基础上提出了一种新的估计品质函数的方法,算法能够成功地估计出次高斯(sub-Gaussian)和超高斯(super-Gaussi-an)混合信号的品质函数,同时克服了Pearson模型对同类信号只能估计得到相同的品质函数的缺陷,提高了算法的估计精度。通过在MATLAB仿真验证了算法的可行性和有效性,成功估计出源信号的品质函数且实现了非线性盲源分离。     

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.     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算，然而峭度值的变化对随机大样本的干扰非常敏感，因此往往导致分离结果的不正确。针对于此文中提出了一种结合中值滤波技术的独立分量分析算法，实验表明，该算法能有效地克服随机大样本信号的干扰，并获得较好的盲源分离结果。     

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。     

扩展Infomax算法的收敛性分析

扩展Infomax算法是在传统Infomax算法基础上发展起来的一种较为实用的盲源分离算法。该算法采用非线性模型的动态切换技术,实现了对超高斯源和亚高斯源的同步分离。该文结合模型切换矩阵系数和迭代误差在盲源分离过程中的变化,直观地展示了扩展Infomax算法的收敛过程。文中还探讨了高斯随机噪声和随机脉冲干扰对算法收敛性能的影响。所得结论对于扩展Infomax算法的实际应用有一定的指导意义。     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

基于Bessel函数展开的ICA语音增强

将源信号的先验知识以参考信号的形式引入到独立分量分析(ICA)学习算法中,从混合信号中仅提取期望的源信号。依据语音信号传播机理和Bessel函数展开系数对语音信号的表征能力,给出基于Bessel函数展开的参考信号构建方法,从混合语音信号中提取出期望的语音信号。仿真和性能分析结果表明,该方法能在噪声干扰的情况下达到语音增强的目的。     

基于独立分量分析的单通道语音增强算法

传统的独立分量分析要求观测信号的个数不能小于源信号的个数,无法直接对单路信号进行独立分量分析。为了能够利用独立分量分析分离加性噪声,须构造一路观测信号。基于语音信号的短时平稳的特性,该文提出一种构造噪声信号的算法,实现了信号与噪声的分离。仿真结果表明,利用该算法可得到很好的消噪结果,提高信号的信噪比。     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算,然而峭度值的变化对随机大样本的干扰非常敏感,因此往往导致分离结果的不正确.针对于此文中提出了一种结合中值滤波技术的独立分量分析算法,实验表明,该算法能有效地克服随机大样本信号的干扰,并获得较好的盲源分离结果.     

参考独立分量分析固定点算法

参考独立分量分析将源信号的先验信息以参考信号的形式引入到算法中,仅实现期望源信号的抽取,消除了传统独立分量分析中抽取信号的不确定性;以期望信号和参考信号的接近性度量作为目标函数提出了一个固定点算法,避免了人为选取步长,同时通过优选初值进一步提高算法的收敛速率。针对合成数据和实际的心电图数据仿真实验,证明了算法的有效性和更好的收敛性。     

FastICA和RobustICA算法在盲源分离中的性能分析

首先简单介绍了FastICA和RobustICA这两种目前最为常用的盲源分离两种算法, 并对这算法的目标函数以及优化算法进行了分析研究, 进一步对这两种算法的稳健性及算法复杂度等方面的性能进行分析比较。总的来看, RobustICA算法的综合性能要优于FastICA算法。     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。     

一种改进牛顿法的盲源分离算法

针对盲信号分离中超高斯信号亚高斯信号混叠难以分离的问题,提出一种基于改进牛顿法的盲源分离算法.该方法引入开关准则,利用随机变量的峭度来区分信号的类型,不同的信号选择不同的非线性函数,通过牛顿迭代方法求出分离矩阵,实现同时含有超高斯信号和亚高斯信号的杂系混合信号的盲源分离.仿真实验表明了该方法计算量小,易于实现,对于杂系...