基于独立分量分析的盲源分离研究

通过对独立分量分析发展的研究，分析了现有的经典算法，包括负熵法、EASI法、最大似然估计法等，并提出了一种改进的EASI算法，很好地解决了收敛速度和稳态误差之间的矛盾。通过仿真试验和比较，多角度地指出了各算法的优缺点，而且改进型EASI算法综合表现优于其他算法。最后给出了进一步的研究方向。     

基于改进的独立分量分析的图像分离的研究

文章对独立分量分析的基本理论和FastICA的算法实现作了简要介绍。为提高收敛速度．对牛顿迭代法加以修正，并证明了修正形式为三阶收敛，提出了一种改进的牛顿迭代法的独立分量分析算法。通过对图像信号分离仿真实验表明。改进算法在与传统FastICA算法分离效果相当前提下，迭代次数减少了14．3％，收敛速度更快。     

基于独立分量分析的盲源分离研究

通过对独立分量分析发展的研究,分析了现有的经典算法,包括负熵法、ESAI法、最大似然估计法等。通过仿真试验和比较,多角度指出了各算法的优缺点,并给出了进一步的研究方向。     

一种基于快速独立分量分析的图像水印算法

本文提出了一种基于快速独立分量分析的图像水印算法。该方法是把一幅二值水印图像嵌入到原图像的小波逼近子图中,检测时利用一种FICA(快速独立分量分析)方法来提取水印。实验证明,该水印具有较好的透明性和较好的鲁棒性。     

基于独立分量分析的等变化自适应盲分离算法

基于独立分量分析的等变化自适应算法是一种在线分离算法,这种算法的特点是 能够很快的适应外部环境,当混合参数改变后,通过无监督自适应学习算法,可以很快的调整 权矩阵W,从而使得WA重构为一个新的广义交换矩阵。对迭代系数进行了改进,使得算法 的收敛时间缩短了约15倍,并对概率密度函数进行了在线估计。     

独立分量分析盲信号分离方法研究

盲源分离是指从多个相互独立的源信号的混合信号中分离出源信号来。独立分量分析法是盲源分离的一种新方法,由于其在语音信号处理、阵列信号处理、生物医学信号处理、移动通信及图象处理等领域的应用前景,越来越引起人们的关注,成为研究的热点。介绍一种基于四阶累积量的非高斯性最大化的ICA算法解决盲源分离的问题,并给出了该算法分离通信信号的计算机仿真结果,验证了算法的有效性。     

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析（ICA）和遗传算法（GA）相结合的人脸自动识别方法,人脸图像的独立的基的获取是采用基于四阶统计信息的ICA算法;为了减少计算复杂度,对原因像进行滤波降维,并用遗传算法对ICA求得的独立基集合进行搜索得到了一个最优的独立基子集,最后,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决,对人脸图像库的实验表明本方法识别率比基于主元分析 特征脸方法高,且计算量小于传统的基于ICA人脸识别方法。     

基于独立分量分析新算法的含噪图像盲分离

由于乘性噪声的存在,严重限制了标准ICA的使用。在分析独立分量分析的基本模型的基础上,讨论了有噪信号的独立分量分析(Noisy ICA)。提出一种新的基于四阶统计量的方法来消除乘性噪声,分离出独立的源信号。通过寻求噪声线性转换的统计结构,依据代价函数最小来获取解混阵B,从而分离出多维观测信号。最后把算法应用于含噪的混合图像,通过仿真显示算法很好的分离了源信号。     

一种基于负熵最大化的改进的独立分量分析快速算法

在深入分析FastICA算法的基础上，提出了一种基于牛顿迭代算法和最速下降法相结合的独立分量分析改进算法，仿真结果表明，改进的算法能有效提高收敛速度，避免原算法中收敛速度不均匀问题。     

基于分块Contourlet变换的图像独立分量分析方法

该文利用Contourlet变换良好的稀疏特性和能准确地捕获图像中的边缘信息的特点,提出了一种基于分块Contourlet变换的独立分量分析方法,并应用到图像分离中。实验结果表明,该方法在分离效果和处理时间上都有一定的优越性。     

Efficient Fast Independent Component Analysis Algorithm with Fifth-Order Convergence

Independent component analysis (ICA) is the primary statistical method for solving the problems of blind source separation.The fast ICA is a famous and excellent algorithm and its contrast function is optimized by the quadratic convergence of Newton iteration method.In order to improve the convergence speed and the separation precision of the fast ICA,an improved fast ICA algorithm is presented.The algorithm introduces an efficient Newton's iterative method with fifth-order convergence for optimizing the contrast function and gives the detail derivation process and the corresponding condition.The experimental results demonstrate that the convergence speed and the separation precision of the improved algorithm are better than that of the fast ICA.     

Extracting Epileptic Feature Spikes Using Independent Component Analysis

In recent years, blind source separation （BSS） by independent component analysis （ICA） has been drawing much attention because of its potential applications in signal processing such as in speech recognition systems, telecommunication and medical signal processing. In this paper, two algorithms of independent component analysis （fixed-point IC,4 and natural gradient-flexible ICA） are adopted to extract human epileptic feature spikes from interferential signals. Experiment results show that epileptic spikes can be extracted from noise successfully. The kurtosis of the epileptic component signal separated is much better than that of other noisy signals. It shows that ICA is an effective tool to extract epileptic spikes from patients＇ electroencephalogram EEG and shows promising application to assist physicians to diagnose epilepsy and estimate the epileptogenic region in clinic.     

Two Dimensional Spatial Independent Component Analysis and Its Application in fMRI Data Process

One important application of independent component analysis （ICA） is in image processing. A two dimensional （2-D） composite ICA algorithm framework for 2-D image independent component analysis （2-D ICA） is proposed. The 2-D nature of the algorithm provides it an advantage of circumventing the roundabout transforming procedures between two dimensional （2-D） image deta and one-dimensional （l-D） signal. Moreover the combination of the Newton （fixed-point algorithm） and natural gradient algorithms in this composite algorithm increases its efficiency and robustness. The convincing results of a successful example in functional magnetic resonance imaging （fMRI） show the potential application of composite 2-D ICA in the brain activity detection.     

结合小波变换的超完备独立分量分析

利用离散小波变换提出了一种结合小波变换和独立分量分析的超完备独立分量分析方法.对比现有的Overeomplete ICA算法,该算法利用了全局的观测信息,且实验子过程的有效长度仅为原来的一半.实验表明该算法能有效分离超完备情况下的混合语音.     

独立成分分析基本原理与发展

独立成分分析是为解决盲源分离问题发展起来的一种高效的信号处理方法,广泛应用于国民经济发展和国防军事科学的各个领域。系统介绍了独立成分分析的基本模型、假设条件、解的不确定性问题,总结了目标函数的建立依据,如非高斯性最大化、互信息极小化和极大似然估计等,并简要总结了近年出现的独立成分分析优化方法,最后对独立成分分析的难点问题和未来可能的发展方向进行了总结和展望。     

独立元的实时算法分析

分析了独立元分析(ICA)的多种方法,并应用在声音信号处理中,对结果进行比较和讨论。最后提出实时算法的概念,并对负熵算法进行改进。实验证明,实时负熵算法不仅复杂度更低,而且能自适应学习,具有应用价值。     

基于信息极大化的ICA算法研究

独立成分分析是在缺乏混合系统和源信号先验知识的条件下,仅通过观测信号来恢复出源信号,已经成为数字信号处理的重要研究方向。文中在研究独立成分分析理论的基础上,介绍了一种基于信息极大化的分离算法,并对混合音频信号进行仿真试验,成功分离出了混合信号中的各个独立成分,仿真结果验证了信息极大化分离算法在语音增强和助听器功能改善方面的优越性,具有一定的理论研究和应用价值。     

基于独立分量分析的图像去噪研究

独立分量分析(independent component analysis,ICA)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。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪声信号的独立分量分析,使用最大似然估计对有噪声的ICA模型进行去噪处理,并研究了基于ICA的软门限图像去噪方法。在仿真实验中与其他的图像去噪方法进行了比较,突出了该方法在噪声方差较小时对非高斯信号的去噪优势。     

基于盲信号处理的图像去噪声研究

对研究图像进行预处理,在尽量去除噪声和保持图像信息不受损前提下,提出了一种改进型快速独立分量分析（ICA）算法,结合MATLAB编程软件对快速ICA算法进行优化和实现。测试结果表明通过本文算法优化和代码优化在图像质量上取得了良好效果。