FastICA和RobustICA算法在盲源分离中的性能分析

首先简单介绍了FastICA和RobustICA这两种目前最为常用的盲源分离两种算法, 并对这算法的目标函数以及优化算法进行了分析研究, 进一步对这两种算法的稳健性及算法复杂度等方面的性能进行分析比较。总的来看, RobustICA算法的综合性能要优于FastICA算法。     

几种盲源分离算法的比较

文章研究了基于高阶统计量的FastlCA算法、基于信息理论的Infomax算法和基于四阶统计量的JADE算法等几种典型盲源分离算法在噪声环境下的分离性能.比较结果显示各种算法分离噪声信号的性能是不同的.对于某些混有一定噪声的特定信号,某些算法的分离性能要优于其他信号.研究结果还表明,基于信噪比和信号的特性来选择盲源分离算法能够给出令人满意的分离效果.     

盲源分离算法在混合震动信号分离中的应用

提出了一种基于z变换域有理传递函数F的时间延迟正定盲源分离算法,并提出将其应用于人工勘探地震波时传感器采集到的混合震动信号的信噪分离及横、纵波的分离。该算法既适用于分离以线性方式混合的信号,也适用于以非线性方式混合信号。时间延迟长短的选择依赖于有待处理的震动信号数据的长度。仿真结果表明,该算法能有效地对Matlab生成的人工模拟震动波进行信噪分离及横、纵波的分离,为震动信号数据的后期处理及分析提供有利依据。     

基于WKGV-KICA 的盲源信号分离算法

基于核学习的非线性映射能力,提出一种小波核广义方差的核独立成分分析算法WKGV-KICA.小波核函数具有近似正交,适用于信号局部分析的优点.与互信息相联系,将核广义方差作为对比函数对统计独立性进行衡量,可以获得理想的数学特性.将该算法应用于宽范围的盲源分离问题的实例中,并与现有算法进了比较.实验结果表明, WKGV-KICA算法在同等条件下的分离精度更高,而且性能更好.     

基于稀疏性盲源信号估计算法研究

随着欠定盲信号分离技术的日益发展,在独立分量分析的基础上发展出来许多新的算法,本文介绍了基于稀疏性的欠定盲源分离技术,其解决了欠定情况下的源信号估计问题。     

混合语音信号的声源分离

语言通讯是人类最基本的交流通讯手段之一,而作为收集语音的有效工具麦克风,可以录入人类语音信号。笔者研究一种基于麦克风阵列的说话分离技术,利用两个麦克风采集混合声音信号,使之分离出两个声源的语音内容,能够识别语音内容。本设计完成了由两个麦克风收集两段声源的混合声音信号,运用独立成分分析FastICA算法分离两段混合声源信号并可以进行播放,成功识别后以文本形式显示在7英寸的LCD。     

稀疏盲源信号分离的新算法

针对以往通常采用线性规划或最短路径法计算相对复杂这一稀疏盲信号分离瓶颈,提出了一种新的算法,通过方向投影合理设置迭代初始值,结合最速下降法寻优估计源信号。新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求。     

语音信号频域盲分离算法

盲信号分离算法广泛应用于信号处理领域,本文介绍了一种基于互相关的盲分离频域算法,并且通过计算机仿真验证了本方法的有效性。     

基于遗传算法的盲源信号分离技术研究

提出一种采用遗传算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法基于迁移策略,应用交叉和变异方法,生成新一代的染色体,对由多个源信号混合而成的信号进行盲信号分离。实例表明了该方法的有效性。     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

基于网络分量分析的盲源分离方法

提出了用先验混合矩阵对盲源进行分离的网络分量分析方法(NCA).该方法在统计独立性假设不成立的条件下,也能实现对源信号的分离.通过计算机仿真与FastlCA和JADE算法进行了性能比较分析,证实了在无统计独立性的假设下,NCA具有更理想的盲源分离效果.     

基于二阶统计和时间结构的盲信号分离方法

盲源分离(BSS)的目标就是在混合过程未知的情况下,仅仅依据观测得到的混合信号,恢复出不能直接观测的源信号。针对具有时间结构的源信号,即各个源信号分量满足空间上不相关但时间上相关,提出了一种基于二阶统计量的盲源分离方法。该方法首先对混合信号进行鲁棒预白化处理,其中依据最小描述长度准则对源信号的维数进行估计;然后通过对白化信号的时延协方差矩阵进行奇异值分解(SVD),从而实现源信号的盲分离。仿真中通过对一组语音信号的分离验证了算法的效果,并利用信号干扰比(SIR)和性能指标函数(PI)两个指标定量地对算法的性能进行了度量。     

独立分量分析对相关信号源的盲辨识性能分析

源信号之间统计独立是经典独立分量分析模型的基本要求。对实际信号而言,严格的统计独立是很难满足的,统计独立通常解释为尽可能的独立或者物理独立。在探讨了源信号之间存在弱线性相关后,对源信号的构成依次做出了三种假设,分析了独立分量分析对相关信号源的辨识能力。理论研究和实验表明,即使信号源之间存在弱相关性,独立分量分析方法仍然反映信号源的波形特征。     

基于决策图贝叶斯的盲源信号分离算法

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题。提出了一种基于决策图贝叶斯的盲源信号分离算法,该算法利用决策图贝叶斯优化算法代替JADE算法中的联合对角化操作,通过构造和学习网络来替代传统遗传算法中的交叉重组和变异等遗传算子,避免了对大量控制参数和遗传算子的人工选择和重要构造块的破坏。仿真结果表明,提出的算法比JADE算法和基于遗传算法的盲源信号分离方法均具有更高的分离精度。     

一种新的信息隐藏检测方法的探讨

首先建立了隐蔽通信系统模型,再对该模型进行了安全分析,最后利用信号盲分离理论中的独立组件分析等方法对隐藏对象与掩蔽载体进行了分离,并给出了隐藏信息的估计算法。     

一种新的变学习速率自适应独立分量分析算法

学习速率的优选问题是自适应ICA算法中一个重要问题。论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,以此为基础提出了一种新的变学习速率的自适应ICA算法,并且分析了参数a,b的取值原则及对算法收敛性能和稳态性能的影响。该算法能根据相依性测度所反映的信号分离的状态自适应地调节学习速率,克服了传统算法在稳态阶段步长调整过程中的不足。理论分析和计算机仿真结果都验证了算法的收敛性能和稳态性能。     

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。     

一种波束域子带盲源分离新方法

针对传统时域盲源分离算法对宽带不适用、计算量较大和对信噪比(SNR)变化敏感这三个问题,提出了一种波束域子带盲源分离(BSS)方法：它以子带分解的方法实现了时域盲源分离算法在宽带情形下的扩展;利用波束转换实现降维运算,大大减少了运算量和提高了算法的稳健性。仿真结果表明,与阵元域盲源分离算法相比,新方法具有低信噪比时较好的源信号波形估计能力。在源数目等先验信息未知的情况下,与Root-Music高分辨算法具有近似的角度估计性能。     

一种基于FastICA的图像隐写提取算法

针对隐写术的特点，提出了一种新的隐写提取算法。该算法不同于传统提取算法基于逆嵌入算法的思想，将快速独立分量分析(FastICA)引入提取算法中，进行载体图像与秘密图像的分离。隐写是在真彩色图像的小波系数上进行的，有效地将近几年来比较热门的隐写术、小波分析与独立分量分析结合在一起。实验验证独立分量分析技术不仅能够用于秘密信息提取而且还能够实现真正的盲提取。     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。