基于自适应核估计的ICA算法

在自然梯度算法的框架下,本文利用随机变量概率密度函数非参数估计的自适应核函数法,给出了一种能够对任意混合信号(超高斯和亚高斯信号,对称和非对称分布信号)进行盲分离的算法。本算法无需选择非线性函数,而是根据信号的统计特性自动地直接估计评价函数。通过仿真实验,验证了本文算法的有效性。     

基于变学习速率的自适应ICA算法

学习速率的优选问题是自适应ICA算法中的一个重要问题。本文建立了学习速率与相依性测度之间的一种非线性函数关系,以此为基础本文提出了一种新的变学习速率的自适应ICA算法。该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,克服了传统算法在稳态阶段步长调整过程中的不足,而且具有很快的收敛速度。计算机仿真结果与理论分析相一致,证实了该算法的性能。     

基于选优估计函数的盲信号分离

基于独立分量分析的盲信号分离问题，提出了一种选优估计函数的新方法，即在信号分离的初始阶段选择具有良好暂态特性的估计函数，而在跟踪阶段使用具有良好稳态性能的渐进最优估计函数．该方法克服了已有算法收敛速度和稳态性能之间的矛盾．仿真结果证明了算法的有效性．     

一种基于Renyi信息熵的DOA估计算法

首先简要介绍了Renyi信息熵以及采用Parzen窗估计概率密度函数的方法,并发现了基于Renyi信息熵的自适应算法的强干扰捕捉特性,从而开发了一种新的DOA估计算法-REM(Renyi’s Entropy based Method),并进行了仿真,验证了算法的有效性。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点。传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果。根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化。仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果。     

核独立分量分析在机械振动信号分离中的应用

针对旋转机械振动信号成分复杂,甚至表现出非线性特征,文章采用核独立分量分析(KICA)对其进行预处理。与独立分量分析(ICA)不同,KICA是通过非线性映射在高维特征空间上构建了核化的目标函数,并引入核方法实现该目标函数的优化操作。仿真实验中通过比较KICA、ICA和传统KICA(DKICA)的分离信号与源信号之间的相关系数,文中介绍的KICA对混合信号分离处理具有更高的准确性和鲁棒性;实测数据实验验证,经过KICA处理的机械振动信号,其表征的振动信息更为单一,使得隐含的特征频率得到凸显,为进一步处理和分析奠定良好基础。     

随机删除数据下回归函数核估计的渐近收敛

目的研究独立同分布(independent ident ical distribution 缩写为 i.i.d) 随机样本在随机删除数据下核估计的渐近收敛性, 得到两个相应的定理.方法利用中心极限定理及其估计的渐近收敛性得到两个相应的定理.结果和结论该估计具有渐近正态性收敛.     

一种新的基于极大似然估计的盲分离算法

盲源分离（Blind Source Separation，BSS）或独立成分分析（Independent Component Analysis，ICA）是一种矩阵处理或数据分析技术，主要目的就是在仅在源信号相互独立的假设下从混合的观测信号中恢复出源信号。由于它在生物医学信号分析、语音识别、无线通信等领域应用的不断拓广，它已成为一个热门的研究领域。本文对于如何分离混合信号模型的问题，从观测信号与分离信号的概率密度函数（Probability Densitv Function PDF）之间的关系推导出了一种新的基于极大似然估计的盲分离算法，通过选择一个带参数的非线性函数近似超高斯与亚高斯的PDF，以此来分离源信号。并通过模拟实验验证了此算法的有效性。     

随机删除数据下回归函数核估计的渐近收敛

目的 研究独立同分布（ｉｎｄｅｐｅｎｄｅｎｔ ｉｄｅｎｔｉｃａｌ ｄｉｓｔｉｂｕｔｉｏｎ缩写为ｉ．ｉ．ｄ）随机样本在随机删除数据下核估计的渐近收敛性，得到两个相应的定理。方法 利用中心极限定量及其估计的渐近收敛性得到两个相应的定理。结果和结论 该估计具有渐下正态性收敛。     

非参数GKNN估计的高效独立成分分析算法

基于概率密度非参数估计的广义k-最近邻估计(GKNN)和线性独立成分分析(ICA)神经网络,提出了一种新的ICA非参数算法,实现了对源信号分布的全“盲”要求．传统的ICA算法不能分离一般的包括超高斯、亚高斯和非对称分布的杂系混合信号,因此它们需知道源信号的一些信息．基于GKNN的非参数密度估计直接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ICA算法中如何选取估计信号评价函数的难题．所提算法可以只用一种灵活的评价函数分离任意的杂系混合信号,该算法为ICA的更广泛应用铺平了道路．模拟实验从统计性质和计算时间说明了所提算法性能的优越性．     

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.     

基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中, 表示机器人运动学和动力学性能的指标众多, 全域性能指标是其中一项重要的评价指标, 而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性, 其中有些相关性非常显著, 这使它们提供的信息有可能发生重叠.引入统计学原理, 依据线性降维与非线性降维原则, 应用主成分分析法 (principal component analysis, PCA) 和核主成分分析法 (kernel principal component analysis, KPCA) 对不同尺度的PUMA560机器人的全域性能进行综合评价, 从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果, 能够更有效地处理多个单一性指标间的非线性关系, 提供更多的综合全域性能评价信息, 可为建立机器人综合全域性能与其尺度之间的数值计算关系, 为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.     

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。     

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．     

基于独立分量分析的振动信号中工频干扰消除

提出了一种采用独立分量分析进行工程信号中工频干扰消除的新方法,可将混入振动信号中的工频干扰信号有效分离．对独立分量分析的基本原理进行简要介绍之后,通过仿真和实际测试对本方法的有效性进行了验证．