任意概率密度信号的盲分离

独立分量分析(ICA)是一种把多维随机矢量转换为尽可能统计独立的分量的统计方法,被广泛用于非高斯信号处理领域.本文给出了一种基于峰度的盲源分离(BSS)算法,也可看作是最大似然方法的扩展,解决了最大似然方法限制过多的缺陷,且与用Comon的方法求解Givens矩阵相比,结构清晰、实现简单.仿真证明了算法的有效性.     

MIMO雷达最大似然参数估计

多输入多输出(MIMO)雷达使用多个天线同时发射多个独立探测信号,并使用多个天线接收目标回波信号.本文考虑了发射空域分集、相干接收MIMO雷达模型及其最大似然(ML)参数估计方法.基于最大似然准则,本文推导了两种渐近最大似然算法.仿真实验的结果表明,在均匀噪声模型中,其中一种渐近算法与基于延迟求和波束形成的最大似然算法性能接近,而另一种渐近算法性能略差,但具有较低的计算复杂度.而在非均匀噪声模型中,本文所提出的两种渐近最大似然算法的性能均优于基于延迟求和波束形成的最大似然算法.     

空时分组码的简化译码方法

实际无线通信应用中,译码方法的简化一定程度上降低了移动端的功率消耗。文章根据星座图的几何结构,从数学角度出发,描述了一种8进制相移键控(8PSK)下空时分组码的简化最大似然(ML)译码方法,并将该方法推广到幅度相移键控(APSK)映射情况下的译码。对最大似然译码方法和文中简化最大似然方法的仿真结果及译码计算复杂度进行了分析和比较,结果表明简化最大似然译码算法只是降低了计算复杂度,并没有影响误码率。     

一种空时分组码最大似然检测的递归算法

空时最大似然序列估计(MLSE)方法是在已知接收的向量信号的情况下,估计已经发送出去的数据序列。论文在分析了空时编码(STBC)原理的基础上,提出了一种空时分组码的最大似然比检测的递归算法。利用STBC的正交结构,简化了最大似然准则,并且推导出递归表达式,接收端采用Viterbi译码,以较低复杂度实现最大似然译码。     

基于粒子滤波的非线性系统静态参数估计方法*

针对基于滤波方法的最大似然参数估计步长序列过于单一,算法收敛缓慢并很容易收敛于局部最优解的问题,提出了基于似然权值的在线EM参数估计算法(LWOEM)。通过粒子滤波方法实时估计系统的状态值变化,结合最大似然方法计算静态参数的点估计,然后通过计算更新参数的似然值来动态更新步长序列.与在线EM参数估计算法(OEM)的实验结果比较,表明该算法具有更好的适应性和收敛效果。     

基于麦克风阵和ICA的语音增强技术

介绍了极大似然估计独立分量分析的基本理论。在此基础上提出了一种将麦克风阵和独立分量分析模型的源分布自适应极大似然估计算法相结合的技术，并成功地用于实际环境中的麦克风阵带噪语音信号，实现了语音和噪声的分离，增强了语音。试验和仿真结果证明，这种算法是有效的。     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

一种新的复正弦信号二维频率估计算法

如何从遥感图像中实时而有效的估计出二维频率一直是一个难题,提出了一种二维复正弦信号的相似最大似然频率估计迭代算法.通过建立最大似然二维频率估计信号模型,并且结合最大似然估计价值函数,给出了两种新的频率估计价值函数;针对所提及的算法进行了均值和方差分析,分析结果显示该算法是近似无偏估计的,并且满足Cramer-Rao边界条件;最后对所提出的算法进行了仿真,并给出了其在干涉合成孔径雷达(INSAR)去平地相位中的应用.结果表明:算法具有较高的频率估计精度和较小的计算量.     

雷达高度计中最大似然算法的应用

首先从分析国外星载雷达高度计中的自适应处理器入手，介绍了最大似然算法的基本理论，旨在分析最大似然算法用于雷达高度计的技术方法，并对有关公式进行了详细的推导，并对国外有关文献中的一些公式的推导错误进行了纠正。     

多径相干信号到达角和衰落系数的最大似然估计

针对多径相干信号到达角(DOA)和衰落系数(FC)的估计问题,在已知信号波形条件下,提出了一种联合估计DOA和衰落系数的改进最大似然估计方法。通过改进最大似然估计求极值获得DOA和衰落系数的解,在联合估计参数时,使用交替极大值技术,降低了估计算法的复杂度,并且推导了最大似然估计的Cramér-Rao界。理论分析和实验表明,该方法与现有方法相比具有更好的估计性能,当来自不同辐射源的多径信号中存在相同DOA时,仍然可以得到很好的估计效果。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

基于fMRI瞬时功率的独立成分分析

独立成分分析(independent component analysis,ICA)采用一种统计隐变量模型,假设信号是由各信源线性叠加构成.为了解决功能磁共振数据(functional magnetic resonance imaging,fMRI)中由于信源非线性叠加造成的ICA检测误差,提出了基于瞬时功率的ICA方法.首先,由电流能量形式将fMRI数据推广为fMRI能量信号;然后,由血氧水平依赖(blood oxygenation level dependent,BOLD)信号与T2*信号的关系,给出了两种反映BOLD能量变化的瞬时功率fMRI信号;最后,采用空间ICA分析fMRI瞬时功率信号,得到与各脑部活跃区域能量相关的独立成分.从理论和仿真试验两个方面阐明了新方法的合理性和优越性,同时应用于实际癫痫fMRI数据,经与传统ICA方法比较,该方法能够在静息态下鲁棒地检测脑部能量异常区域.     

独立分量分析的基本问题与研究进展

通过对独立分量分析最新发展的研究,对现有的独立分量分析研究理论进行了总结,介绍了独立分量分析的模型定义、数学原理和应用等基本问题,剖析了独立分量分析与盲源分离、主分量分析以及白化的关系,给出了解决独立分量分析问题的研究框架和各种基本方法,并指出了进一步的研究方向。     

Kernel ICA: An alternative formulation and its application to face recognition

This paper formulates independent component analysis (ICA) in the kernel-inducing feature space and develops a two-phase kernel ICA algorithm: whitened kernel principal component analysis (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The experiment using a subset of FERET database indicates that the proposed kernel ICA method significantly outperform ICA, PCA and KPCA in terms of the total recognition rate.     

应用图像融合的fMRI数据处理方法的研究

提出了一种新的fMRI数据处理方法,融合了统计参数图（SPM）、独立成分分析(ICA)所提取的特征信息,实现脑功能激活区的准确提取。首先通过时段设计实验获取了反应不同握力条件下手运动相关皮层活动的fMRI数据,并且进行相应的预处理;然后采用SPM和ICA方法分别提取脑功能信息;研究了一种基于主成分分析的图像融合算法。最后,应用图像融合算法对SPM和ICA方法分别提取的脑功能信息进行融合。结果表明,该方法弥补了SPM和ICA两种方式的不足,是一种进行功能区定位更加有效的方法。     

块独立成分分析的人脸识别

针对利用ICA提取人脸特征时需要将人脸图像转换成向量，导致空间维数很高以及不能准确地估计特征等问题，提出了一种新的独立子空间人脸识别算法——块独立成分分析（B-ICA）。和经典的ICA相比，B-ICA算法把人脸图像划分成一些互不重叠的子块，然后把每个子块转换成向量，看成是低维空间中的训练点（训练向量）。因此在B-ICA算法中，样本的维数比ICA算法中样本的维数低，降低了维数灾难（即样本的训练个数远小于样本的维数）造成的错误识别率。在Yale和AR数据库上进行了大量仿真实验，实验结果表明B-ICA算法的识别率比ICA和其他一些子空间算法的识别率高。     

一种改进的FastICA算法及其应用

独立分量分析是基于信号高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已经广泛应用到语音信号处理、图像处理及信息通信等方面。目前应用较多的快速独立分量分析（FastICA）利用了牛顿迭代法原理,具有较快的收敛速度,但对初始值的选择比较敏感。为克服其缺点,改进其优化学习算法,在牛顿迭代方向增加一维搜索,使改进后的算法的收敛性不依赖于初始值的选择。将改进的FastICA算法应用到运动目标检测中,取得稳定性较强的结果。     

基于ICA与SOM的不完整数据处理

介绍了数据挖掘中不完整数据的研究现状及ICA与SOM的特点,提出了基于ICA与SOM的不完整数据的处理模型IVS-IDH,研究了数据之间存在相关关系且为非高斯分布时不完整数据的处理方法,在SOM基础上取得了不完整数据集的可视化分析结果,从而克服了Wang S提出的不完整数据处理方法的不足。