基于ICA的气体模式识别方法研究

文中提出一种基于独立成分分析的非监督气体模式识别方法,用多元统计理论中的独立成分分析(independent component analysis-ICA)来分析金属氧化物半导体气体传感器阵列响应数据,进而实现对不同种类气体的分类.对所设计的电子鼻实验系统测量得到的气体传感器阵列稳态响应数据进行了白化和快速定点独立成分分析(FastICA)处理.实验结果表明该方法对区分一氧化碳(CO)、甲烷(CH_4)和氢气(H_2)3种气体有很高的识别率.     

基于小波变换和ICA的人脸识别方法

独立成分分析(ICA)最早应用于盲信号分离,近年来也广泛地应用于模式识别领域.提出一种基于小波变换(WT)及独立成分分析(ICA)的人脸识别方法.在建议的识别方法中,首先利用小波变换将人脸图像分解成不同的频率子带,对其中包含主要信息的低频子带运用ICA求取基向量,然后基于这些基向量张成的子空间实现识别.详细讲述了该方法的实验过程,实验结果表明,该方法可以取得较好的识别结果.     

基于ICA的动态测量误差分解重构方法

提出了利用独立成分分析（ICA）方法对动态测量误差进行分解重构的方法。详细介绍了利用ICA方法进行误差分解重构的基本算法,利用三坐标测量机和双频激光干涉仪设计了动态测量误差测量装置,并进行了实验。分别利用自适应滤波、小波分析和ICA方法对动态误差数据进行处理,分离重构线性变化、周期变化的系统误差和动态随机误差。研究结果表明,要精确分析动态测量误差和辨别误差组成成分,必须充分应用测量得到的误差总体样本进行分析。与自适应滤波、小波分析两种方法相比,利用ICA方法可以更有效地精确分离重构线性变化、周期变化的系统误差和动态随机误差。     

基于ICA和小波变换的房颤F波提取算法

应用独立成分分析(independent component analysis,ICA)提取的房颤F波在QRST数据段有明显“扰动”失真,为减少这种失真,提出了一种ICA与小波变换相结合的F波提取算法.首先对原始信号进行ICA分解,获得初始F波及其分离向量;然后对初始F波进行多层小波分解,在小波域内构造反映F波失真的目标函数;最后利用最速下降法优化目标函数,获得准确的F波分离向量,从而实现对F波的准确提取.对仿真信号和真实信号的F波提取实验表明,该算法明显减少了F波的“扰动”失真.     

机械故障特征信息提取的ICA信息融合方法

峭度和负熵是盲信号独立性的两个自然测度,可以被用来捕捉机械振动信号信息的动态变化特征,并提取机械设备的故障特征信息。峭度和负熵是从两个不同的角度和层面阐释机械设备的故障特征信息,信息量是互补的。若将峭度信息和负熵信息融合,则必然能够更全面、更深刻地来表征机械设备的状态。因此引入信息融合的思想,提出基于ICA信息融合的机械故障特征信息提取方法,综合峭度和负熵信息来提取机械设备的故障特征信息。液压齿轮泵模式识别试验表明,该方法可以应用于机械设备的故障特征信息提取。     

基于FFT-MCC分析的ICA(BSS)盲不确定性消除

为了消除ICA（BSS）估计的幅值、相位及排序等盲不确定性，提出一种基于快速傅里叶变换与最大相关准则分析的ICA（BSS）估计源自适应校正方法。借助对原始传感观测及估计源的频谱分析，近似获得各本底源信号在观测信号中所占的比重——初始放大权值；基于最大相关准则优化调整ICA（BSS）估计源的相位，并对初始放大权值进行微调，从而消除ICA（BSS）估计的盲不确定性，实现源波形的恢复及其混合参数的估计。仿真试验结果证明了该方法的有效性，也表明它在复杂系统源识别或重建方面具有较大的应用潜力。     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

基于扩展Informax ICA的站起想象动作脑电特征提取

下肢想象动作的脑电特征提取是基于脑-机接口技术实现下肢运动神经重建的关键点和难点.通过以下肢运动神经重建的首个关键动作-站起为切入点,设计了相应的以复合动作诱发电位为基础的站起想象动作脑电采集新方案,而后采用扩展最大熵独立分量分析(extended informax ICA)结合连续小波功率谱分析的新方法提取大脑在站起想象动作时产生的事件相关同步/去同步(ERD/ERS)信息.经实验数据分析证明上述方法行之有效,可以为脑-机接口技术在下肢运动重建中的应用提供有效的手段.     

基于独立成分分析(ICA)处理两相流信号

为了提高固体速度测量精度，提供一种基于独立成分分析（ICA）处理两相流信号的基本方法。首先介绍独立成分分析（ICA）的基本原理，然后介绍使用空间滤波和小波变换获得固体速度的方法。最后给出仿真实验结果证明该方法可行。     

功能磁共振成像系统的成像质量控制

功能磁共振成像(fMRI)是通过测量大脑神经组织活动时所引起的脑血氧浓度变化来探测大脑的认知功能的技术。由于其无创性和高空间分辨率,fMRI已经成为认知神经科学中研究大脑功能的最重要的技术手段。但是,成像机理和成像技术决定fMRI经常会面临图像质量方面的问题。本文从fMRI的成像特点出发,介绍fMRI的常见问题和针对这些问题制定的质量控制方案。该方案的测试方法比较简单,所使用的硬件和软件在大多数磁共振系统上都有配备,具有很好的实用价值和可操作性。     

基于独立分量分析的脑电信号消噪

脑电信号中往往含有各种形式的噪声干扰信号。这些干扰成分包括眼电、心电伪迹以及工频干扰等。由于干扰信号和脑电信号在频域上相互重叠,因此用时域或频域滤波的方法难以有效地消除脑电信号中的干扰成分。独立分量分析(Independent Component Analysis,ICA)是20世纪90年代发展起来的一种新的盲源分离方法(Blind Source Separation,BSS),将ICA方法应用于实测脑电信号的处理,获得非常理想的消噪效果。     

Source separation of diesel engine vibration based on the empirical mode decomposition and independent component analysis

Vibration signals from diesel engine contain many different components mainly caused by combustion and mechanism operations,several blind source separation techniques are available for decomposing the signal into its components in the case of multichannel measurements,such as independent component analysis(ICA).However,the source separation of vibration signal from single-channel is impossible.In order to study the source separation from single-channel signal for the purpose of source extraction,the combination method of empirical mode decomposition(EMD) and ICA is proposed in diesel engine signal processing.The performance of the described methods of EMD-wavelet and EMD-ICA in vibration signal application is compared,and the results show that EMD-ICA method outperforms the other,and overcomes the drawback of ICA in the case of single-channel measurement.The independent source signal components can be separated and identified effectively from one-channel measurement by EMD-ICA.Hence,EMD-ICA improves the extraction and identification abilities of source signals from diesel engine vibration measurements.     

基于改进的快速独立分量分析与支持向量机的ECG分类诊断

提出了一种改进快速独立分量分析与支持向量机相结合的新型心电图分类方法.利用埃特金加速法对快速独立分量分析算法的核心迭代过程进行改造,得到改进的快速独立分量分析算法,减少了迭代次数,提高了算法的收敛速度.新方法运用改进的快速独立分量分析算法提取心电图数据的特征向量,并通过支持向量机实现心电图信号的分类.对取自MIT/BH数据库的7种不同心脏状况的心电图数据进行实验,结果表明该方法整体识别率达到98.8%,改进的快速独立分量分析算法所需迭代时间比现有的快速独立分量分析算法减少48%.     

Double-layer ensemble monitoring of non-gaussian processes using modified independent component analysis

The modified independent component analysis (MICA) was proposed mainly to obtain a consistent solution that cannot be ensured in the original ICA algorithm and has been widely investigated in multivariate statistical process monitoring (MSPM). Within the MICA-based non-Gaussian process monitoring circle, there are two main problems, i.e., the selection of a proper non-quadratic function for measuring non-Gaussianity and the determination of dominant ICs for constructing latent subspace, have not been well attempted so far. Given that the MICA method as well as other MSPM approaches are usually implemented in an unsupervised manner, the two problems are always solved by some empirical criteria without respect to enhancing fault detectability. The current work aims to address the challenging issues involved in the MICA-based approach and propose a double-layer ensemble monitoring method based on MICA (abbreviated as DEMICA) for non-Gaussian processes. Instead of proposing an approach for selecting a proper non-quadratic function and determining the dominant ICs, the DEMICA method combines all possible base MICA models developed with different non-quadratic functions and different sets of dominant ICs into an ensemble, and a double-layer Bayesian inference is formulated as a decision fusion method to form a unique monitoring index for online fault detection. The effectiveness of the proposed approach is then validated on two systems, and the achieved results clearly demonstrate its superior proficiency.     

基于离散平稳小波和独立分量分析的事件相关电位单次提取方法

如何在极低的信噪比下快速提取特征信号是事件相关电位（ERP）快速提取的关键技术。提出了将离散平稳小波和独立分量分析（ICA）相结合的方法以去除噪声,并提取事件相关电位。采用离散平稳小波变换分解ERP,选取多个尺度的子带信号,滤除高频噪声对应的小波系数;将串接小波系数作为独立分量分析的输入,利用FastICA算法实现事件相关电位的快速提取。仿真实验结果表明,与传统的相关平均法相比,该方法获得的结果较为满意;与单独采用独立分量分析方法相比,该方法的收敛速度更快。     

基于稀疏处理的多能X射线分离成像

利用独立成分分析(Independent Component Analysis,ICA)并结合多能X射线图像的丰富信息可以将二维X射线图像中重叠目标分离成像,但是海量的图像数量,以及高像素数的要求均会使内存占有量和计算速度面临挑战,因此本研究将压缩感知(Compressed Sensing,CS)与ICA相结合进行分离成像,以提高计算速度和分离成像性能。研究过程中,首先根据被拍摄物体的物质组成确定拍摄多能X射线图像数量,并选取CS技术中K均值奇异值分解(K-means SingularValue Decomposition,K-SVD)稀疏基将多能X射线图像进行稀疏表示,然后利用ICA将此稀疏表示进行盲源分离得到独立源,最后采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)将独立源进行重构实现分离成像。研究结果表明:采用ICACS技术比仅采用ICA进行目标分离成像的运行时间减少了46.14s(23.3%)、内存占有率降低了21%、重构图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高了2.665dB、边缘梯度提高了0.001、信息熵提高了0.09。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

Constrained independent component analysis and its application to machine fault diagnosis

For machine fault diagnosis the signals from working machine are always numerous, even uncountable, but there contains only a little useful information. Hence how to find out the useful signal from numerous signals, including noises, that is, how to only extract the desired fault signal is very attractive. This paper shows that the constrained independent component analysis (cICA) can solely extract desired faulty signal using some prior mechanical information. The methods of creating reference of cICA for machine diagnostics are discussed, and the effectiveness of the method is successfully verified by simulations and experiments.     

一种改进的快速独立分量分析方法在信噪分离中的应用

通常在信号分析过程中,由于测试环境存在诸多的干扰因素,使得故障信号中存在大量的噪声信息,因此,在提取信号中的故障特征之前,需要对其进行信噪分离,以确保提取到有用信息。在研究传统独立分量分析方法的基础上,提出了改进的快速独立分量分析方法。试验表明,采用改进的快速独立分量分析方法不仅大大提高了信噪分离的效率,而且能有效地提取信号中的故障特征。     

基于核熵成分分析的光谱重建算法研究

对基于核熵成分分析的光谱反射率重建方法进行了研究,分别采用主成分分析方法和核主成分分析方法构建光谱反射率重建算法进行颜色重建研究,并与基于核熵成分分析算法的光谱反射率进行比较。实验结果表明,基于核熵成分分析的光谱重建算法在色度精度和光谱精度上均优于主成分分析和核主成分分析,对物体表面颜色的真实重建具有一定的应用价值。