独立分量分析在结构振动信号降噪中的应用

结构振动信号中混杂的噪声对信号的分析处理以及结构状态的诊断识别有很大影响。本文引入独立分量分析方法对结构动力信号进行降噪处理。通过增加实测噪声通道对多通道传感器信号进行扩展,利用有用信号与噪声成分之间相互独立,对信号进行ICA计算,将噪声与有用信号分离开来。对实验梁的实测振动信号进行分析处理表明,该方法降噪效果比较理想,而且降噪后的信号并没有改变结构动力特性。     

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述．PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的．ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征．文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高．     

基于降噪及独立分量分析的轴承故障声信号特征提取

针对传统降噪算法的缺点,提出了将局部投影用于故障声信号的降噪。该算法具有较高的计算效率及广泛的应用前景,不仅可用于线性系统,而且还可用于非线性系统。而独立分量分析可用于分解相互独立的信号,它解决了多传感器信号的信息融合与特征提取问题。综合局部投影算法及独立分量分析算法两者的优点,提出了一种轴承弱故障特征识别算法。试验表明,该方法能有效地分离背景信号及特征信号。     

自适应复数信号独立分量分析算法

针对强不相关变化算法不适用于谱系数相同的非圆信号的问题,提出了一种自适应复数独立分量分析算法.利用非圆信号的二阶统计量都不为零的特点构造代价函数,在复数域中直接优化代价函数,推导出一种针对非圆信号的自适应算法.该算法不仅对谱系数相同的非圆信号有效,而且适用于任意包含有非圆信号的统计独立的信源信号,不需要计算特征向量和奇异向量,算法的结构简单.实验仿真结果验证了算法的有效性.     

基于独立分量和扩展通道的振动信号降噪方法

针对ICA降噪技术中引入噪声通道的局限性,采取以扩展通道替代虚拟噪声通道的方法,将ICA的思想引入到结构同测点多通道振动信号处理中.叙述了ICA原理,FastICA算法的实现及其运用于振动信号降噪的思路,通过对实验梁同测点两通道振动信号的处理,并引入自相关函数和FFT谱衡量降噪效果,结果表明,采用扩展通道运用ICA进行结构振动信号降噪的可行性.     

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．     

基于独立分量分析的滚动轴承故障诊断

本文应用独立分量分析(ICA)将滚动轴承系统产生的声信号从传声器获取的声信号中分离出来,然后再采用基于morlet小波变换的包络分析进行再次降噪并获取特征信号,将此特征信号的特征频率与转子频率之比作为已经训练好的线性神经网络的输入向量,以对滚动轴承的运行状态做出判断.实验表明,此方法可靠、有效地诊断出了轴承的状态.     

基于独立分量分析(ICA)与小波变换的过程监测方法

提出了一种ICA与小波变换技术相结合的过程监测方法。通过ICA方法分析出独立分量,经过小波分解后构造平均能量作为过程特征量。然后以相似度为监测指标实现过程监测。应用ICA方法比应用主分量(PCA)方法能更准确地提取非高斯分布信号信息,可以更加有效地实现对过程的监测。ICA能从原始的输入特征提取出更紧致、更适合后端处理的二次特征。由于二次特征能体现出数据中的本质信息,所以ICA方法相对于那些只考虑方差信息的特征提取方法有更好的性能。     

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法,将非线性引入主分量分析算法,可以完成输入信号独立分量的分离,分析认为现有的非线性主分量分析算法能实现实数信号的分离,对复数信号无效,通过对非线性函数进行修改,提出了一种非线性主分量分析复数算法,成功地实现了复数信号的盲分离,文中还借助于计算机仿真,对实数和复数法分离亚高斯和超高斯信号混合的特性进行了分析评价。     

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盲波束形成算法

介绍了在信号来向和阵列流型未知情况下进行波束形成的常用方法,阐述了盲波束形成的恒模算法和高阶累积量算法。提出了基于独立分量分析的盲波束形成算法,结合目前阵列信号处理系统中的实际问题对基于恒模、高阶累积量和独立分量分析的盲波束形成算法进行了仿真比较。理论分析和仿真实验表明,基于独立分量分析的盲波束形成算法在强干扰信号、信号来向相近和收敛速度等方面性能优越。     

基于独立分量分析的运动目标精确检测

运动目标检测与跟踪是计算机视觉的难点问题.针对传统方法存在抗噪声、抗抖动性能弱等问题,将独立分量分析(ICA)的算法应用到目标检测与前景图像去噪环节中,目的是提高运动目标检测的鲁棒性和精确性,为后续处理提供尽可能多的目标信息.实验表明,ICA用于目标检测具有较高的鲁棒性,同时ICA用于前景图像去噪比传统的去噪方法具有更好的效果,较好地保留了目标的特征信息.     

独立分量分析研究

概述独立分量分析的基本理论,总结三个等价目标函数：非高斯最大化、互信息最小、极大似然估计,总结三类常用优化方法：自适应法、固定点迭代法、Jacobi法。介绍含噪独立分量分析、欠定独立分量分析、核独立分量分析等新近的方法,简述独立分量分析的一些应用。     

基于独立分量分析算法的DS-CDMA盲多用户检测

由非高斯性测度入手,在定义的代价函数中加入包含了期望用户扩频码这个先验信息的修正项,对代价函数进行梯度优化,导出一种基于独立分量分析的多用户检测器．仿真结果表明,该算法在高斯白噪声信道中具有良好的性能．     

基于Parzen核估计的ICA算法及其性能分析

基于概率密度非参数估计的Parzen核估计，提出了一种新的独立成分分析（1CA）算法，实现了对源信号分布的全“盲”要求。该算法由观测信号样本出发，实现了对分离信号评价函数的直接估计，从而在一定程度上解决了1CA算法中如何选取估计信号评价函数的难题且能对任意的源混合信号（包括：超高斯与亚高斯分布，对称与非对称分布）进行有效盲分离。模拟实验从统计性质和计算时间2个方面说明了所提算法的性能。     

基于峭度的独立分量算法的性能分析研究

独立分量算法是一种应用非常广泛的盲信号处理算法.而峭度作为一种重要的信号分析工具,可以有效地进行优化分析.然而,对于各种不同类型的算法的对比分析目前还少有介绍,所以有必要对基于峭度的FastICA和RobustICA两种独立分量算法进行对比分析研究.理论分析及实验结果表明,鲁棒独立分量法RobustICA在鲁棒性、收敛性和复杂度方面整体优于快速定点独立分量法FastICA,从而为实际应用提供一定的参考价值.     

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。     

基于独立分量分析的一种改进的掌纹识别方法

独立分量分析方法(ICA)用于掌纹识别不仅可以得到图像的高阶统计信息,而且使得各分量尽可能独立．但计算量大,分类特征不明显．本文在ICA基础上提出一种改进的新方法,首先用小波变换进行降维处理,使得在保证了图像信息特征的最小损失下大大减少计算量;再用ICA方法得到独立基向量;最后在独立基向量张成的子空间用Fisher线性鉴别(FLD)方法进行特征提取,使得图像有更好的分类信息．实验结果表明,改进后的方法不仅识别率得到提高,而且缩短了识别时间．     

基于ICA的极化SAR图像相干斑抑制

根据极化SAR图像的特点,针对传统空域滤波方法总存在降低相干斑与有效保持边缘纹理信息这一对矛盾,探讨了基于独立分量分析的极化SAR图像相干斑抑制技术,研究了两种基于ICA的极化SAR图像相干斑抑制方法,并分析了其优缺点及应用条件。实验结果表明:基于独立分量分析的方法能有效降低相干斑噪声,较好地保留边缘纹理信息,是一种有效的相干斑抑制方法。