基于ICA的混叠声目标的分离和评价

本文提出一种基于独立分量分析战场混叠振动目标盲分离方法,并且采用相关系数来评价分离信号与源信号的对应关系.实验表明,分离声信号从波形上看很好地保持了原始信号的波形,采用相关系数评价标准能较准确地确定分离信号和源信号的次序,该方法在混叠声目标分离中具有可行性.     

ICA在偏振复用系统信号分离中的应用

光纤偏振复用系统中两束偏振态相互正交的光在一根光纤中传输时,由于偏振模色散和偏振耦合等因素,会产生串扰。文章针对这一问题,将基于互信息最小化的ICA(独立分量分析)算法应用到光纤通信偏振复用系统输出信号的分离中。仿真结果表明,采用该方法在无需任何先验知识的情况下,可以很好地分离出原始信号。     

ICA在噪声源故障信号分离中的应用

基于信息融合的思想,简介了独立分量分析方法;以Matlab为辅助工具,应用独立分量分析方法中比较成熟的快速算法FastICA,给出了语音信号分离的独立分量分析方法的具体途径,并对其分离效果进行了分析;然后,应用该方法对轴承的故障噪声特征信号成功地实现了提取。这两个实例的验证结果表明,采用独立分量分析方法对噪声源信号分离是有效的,应用前景是广阔的。     

基于ICA的混合图像盲分离算法

简述了独立成分分析的基本原理以及利用FastICA算法进行信号分离的理论依据,并通过Matlab仿真实验实现了混合音频信号的盲源分离,取得了较好的分离效果。结果表明该算法收敛速度快,有良好的波形保持性,是一种行之有效的信号分离方法。     

混叠通信信号的盲分离处理

同频混叠信号的处理一直是通信信号处理中的难点,常规的信号处理方法难以对其进行有效分析。本文运用最新的盲源分离理论,实现了混叠通信信号的盲分离。仿真结果表明,本文采用的算法分离效果好,运算速度快,可移植性强,基本实现了对混叠通信信号的实时盲分离。     

基于ICA的电磁态势监测信号分离研究

简要地对ICA及其快速定点算法（Fast／CA）进行介绍的同时,着重地探讨将该算法运用到电磁监测领域分离空间复杂电磁信号的可行性。随后,文中通过仿真比较了FastlCA算法和Informax算法在这一领域运用中分离信号的性能,实验结果显示FastlCA算法性能更佳。     

射频盲信号ICA分析与重建

ICA分析是从未知的盲源信号中分析出原来的输入信号,而且输入信号时未知的。这里用matlab来作为模拟平台,输入一段语音,对其进行射频调制成调制信号,信号进入混合系统,然后通过ICA解混系统输出信号得到调制输出信号,最后在解调输出,这样就得到了输出信号。我们要做的就是通过对比输入的语音信号和输出信号,对比起从未知输入信号中得到的输出信号的好坏,从而验证ICA方法的可行性。     

ICA在快反镜位移传感器信号去噪中的应用

根据快反镜中位移传感器的位置特点，利用ICA方法对传感器信号进行去噪。ICA算法的缺点是需要计算高阶统计量，计算量较大，会影响实时性能，而借助高性能计算硬件则可以弥补这方面的不足。仿真结果表明，经ICA去噪后，信噪比能提升15 dB左右，用该方法对采集的传感器信号去噪，信噪比增量在13~16 dB之间。可见，ICA方法能够有效地提升信号的信噪比，具有较好的实用性。     

一种新的基于ICA的SAR图像干扰分离方法

干扰后的合成孔径雷达(SAR)图像可以看作是目标信号和干扰信号的混合信号源,信号空间和干扰信号空间认为是统计独立的,因此图像域上的干扰抑制问题可以转化为一种信号分离问题.借助于独立分量分析(ICA)方法,提出高阶统计量-峭度值作为基图像分类标准,实现了干扰信号的有效抑制.理论分析和对高斯白噪声干扰的仿真实验验证了方法的有效性.     

基于独立分量分析的雷达信号分选研究

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信源分离方法。在介绍了独立分量分析基本理论的基础上,将基于负熵最大化的FastICA算法应用于对脉冲多普勒雷达信号和连续波雷达信号进行分选,是一种新方法的尝试,并通过2种性能指标来评价分选的效果。仿真结果表明,该算法能够有效地对脉冲多普勒雷达信号和连续波雷达信号进行分选。     

用ICA方法消除无线通信与雷达信号中的多频混合噪声

把ICA技术用于无线通信／雷达信号中消除多频混合噪声。分析了无线通信／雷达回波信号的特点,建立了期望信号和联合噪声信号混合模型和独立分量分析（ICA）模型,讨论了独立观测器的构成方法。用改进了的FastICA算法对此进行了仿真。结果表明,应用这种分离混合信号方法取得了良好的效果,可以获得几乎纯净的源信号,且放宽了各路信号的幅度比范围和信号类型的范围。该方法适用性强,抗干扰功能和性能佳,可以推广到其他相关信号处理中。     

基于盲源分离的雷达信号分选方法

传统的信号分选算法建立在脉冲描述字（PDW）参数分析的基础上,对同频或频谱混叠的雷达信号可能无法分选.鉴于越发明显的常规雷达信号处理方法的局限性,通过仿真手段,用盲源分离的方法对混合后的雷达信号进行分选.仿真结果表明,该方法可对雷达盲信号进行有效的分离,且不需要其它信号处理方法所要求的任何先验知识作为条件.     

语音信号识别基于盲源信号分离的实现

为了识别两路频谱混叠语音信号,多采用盲信号分离的方法。但是该方法在工程实践中实现较困难。因此给出了一种利用盲源信号分离的原理及特点的实现方法,具体说明了用FastICA算法在ADSP_BF533平台上实现盲源信号分离时的具体流程。该设计方案所需时间短,效率高,而且占用内存较少。     

基于ICA的雷达信号欠定盲分离算法

该文针对源信号时域和频域不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵的一种新方法。该方法对等间隔分段的观测信号应用独立分量分析(ICA)的盲分离算法获得多个子混合矩阵,然后对其分选剔除了不属于原混合矩阵的元素,最后利用C均值聚类的学习算法获得对混合矩阵的精确估计,解决了源信号在时域和频域不充分稀疏的情况下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用基于稀疏分解的统计量算法分离出源信号。由仿真结果,以及与传统的K均值聚类,时域检索平均算法对比的实验结果说明了该文算法的有效性和鲁棒性。     

一种基于ICA的盲信号分离快速算法

基于ICA(独立成分分析:Independent Component Analylsis)原则,给出一种盲信号分离的快速学习算法.通过寻求观测变量线性组合的四阶累积量(即kurtosis系数)局部极值,得出该算法的模型和步骤.将该算法用于盲信号分离实验,实验结果表明,该算法在盲信号分离和信号特征提取方面具有收敛速度快、无需动态参数等优点.该算法能有效地分离出任意分布的非高斯盲源信号的各个独立成分,是信号处理的一种新的、高效可靠的方法.     

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雷达信号分选算法

对盲信号的独立分量分析（ICA,independent component analysis）技术进行了研究,并将其应用到雷达信号分选当中,仿真实验证明能够取得很好雷达信号分离效果,为雷达信号分选提供了新的思路。     

独立分量分析在雷达信号分选上的应用

传统的雷达信号分选主要是基于统计的思想，通过对脉冲序列的PRI分析，依据PRI的调制方式，将对应的雷达信号分选出来。这种方法存在运算量大，速度慢，且准确率不高的缺点。文章提出将含噪的快速独立分量分析算法应用于雷达信号的分选并分析了不同信噪比下分离的效果。仿真试验证明了该算法可以取得很好的雷达信号分离效果。     

改进的FastICA算法在雷达信号分选中的应用

独立分量分析（ICA）是近几年新出现的一种数据处理方法。对传统的FastICA进行了改进,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分离效果,为雷达信号分选提供了新的思路。