一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

一种峭度FastICA改进算法

独立分量分析(ICA)是盲分离的核心技术,是信号处理领域的一种新的发展.FastICA是独立分量分析中收敛速度较快的算法,因为它的收敛速度快且要求内存空间小而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题.为了克服其缺点,在基于峭度的FastICA算法的基础上增加精确线性搜索优化技术来求μ,使改进后的算法收敛速度更快且不需要手动来选择步长参数.编制相应的matlab程序,将改进的算法用于语音信号分离,验证了它的高效性.     

改进的FastICA算法研究

独立分量分析是目前盲源分离算法中最常用的一种方法,其中快速独立分量分析（FastICA）以其收敛速度快而被广泛应用,但FastICA对初始值的选择比较敏感,而且在使用牛顿迭代法时,每迭代一步都需要计算一次函数值和一次导数值,当函数比较复杂时,计算它的导数值往往不方便,用单点弦截法进行迭代,将最速下降法与单点弦截法结合,在保证分离效果的同时使FastICA的迭代次数减少,同时使计算式更加简洁,而且减小了对初始值的敏感性,仿真实验验证了其有效性。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

基于松弛因子的快速独立分量分析算法的遥感图像分类技术

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。M-FastICA算法同FastICA算法一样,它们的收敛依赖于初始权值的选择。通过在M-FastICA算法中引入松弛因子,使算法可以实现大范围收敛,得到更稳定的收敛效果。应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度较原始遥感图像的精度均高,并且三种独立分量分析算法的分类性能也相当。     

负熵最大化条件下的语音信号盲源分离技术研究

语音信号盲源分离是在不知道源信号和传输信道任何先验知识的情况下,仅根据输入语音源信号的统计特性,通过观察信号恢复出各个独立源信号的过程。基于负熵的FastICA算法的最大优点在于其收敛速度较快,是一种性能较好的学习算法,在语音信号盲源分离应用中具有较高的实用价值,但该算法存在计算量大的缺点。针对这一问题,提出了以负熵最大化作为目标函数,采用牛顿迭代法求解FastICA算法的方法。但由于牛顿迭代法求解非线性方程计算量较大,需改进雅克比矩阵算式,并使用相关系数来观察分离效果的优劣。仿真分析结果证明,改进后的算法由于未增加雅克比矩阵运算次数,所以收敛的迭代次数大幅度减少,使程序运行时间显著减小。该算法在兼顾算法收敛速度的同时,提高了算法的性能,较好地恢复了源语音信号。     

基于峭度的一种RobustICA算法

介绍了由V.Zarzoso and P.Comon提出的一种新的基于峭度的独立成分分析算法RobustICA (Robust Independent Component Analysis),并比较了和FastICA在收敛性和信号质量方面的不同.该算法的主要优点在于可以选取最佳步长,可以选取任何不为零的独立成分,并且解决盲分离信号排序问题,同时提升当信号存在坏点和伪局部极值点时的鲁棒性.仿真实验结果表明了该算法相对于FastICA算法减少了迭代次数和加快了收敛速度,同时在小样本空间下均方误差SMSE也明显优于FastICA算法.     

基于改进弦截法的FastICA算法研究

盲源分离问题是信号处理领域中的研究热点之一。众多盲源分离算法中固定点算法（FastICA）因其收敛速度快而备受关注,但是FastICA算法的收敛性易受初始解混矩阵的初值选择影响。针对FastICA算法的不足进行了改进,引入梯度下降法降低初值选择敏感性,并且提出改进弦截法,加快收敛速度。实验结果显示,基于改进弦截法的FastICA算法与其他FastICA算法相比,不但提高了算法的分离性能,而且减少了迭代次数,增强了收敛稳定性。所以,改进的FastICA算法克服了初值选择敏感的影响,获得更快速、更鲁棒的语音分离性能。     

一种改进的FastICA算法及其应用

独立分量分析是基于信号高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已经广泛应用到语音信号处理、图像处理及信息通信等方面。目前应用较多的快速独立分量分析（FastICA）利用了牛顿迭代法原理,具有较快的收敛速度,但对初始值的选择比较敏感。为克服其缺点,改进其优化学习算法,在牛顿迭代方向增加一维搜索,使改进后的算法的收敛性不依赖于初始值的选择。将改进的FastICA算法应用到运动目标检测中,取得稳定性较强的结果。     

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

基于curvelet变换和独立分量分析的含噪盲源分离

独立分量分析（ICA）是基于信号高阶统计量的盲源分离方法,在高阶统计量方法中,由于高斯信号的高阶累计量为零,所以系统存在加性高斯噪声时就难以处理。提出了一种基于curvelet阈值去噪和FastICA算法的含噪信号盲分离的方法,并对高斯噪声环境下的混合图像进行了盲分离的仿真。结果表明,该方法能很好地解决由于存在加性高斯噪声而导致经典ICA算法性能发生严重恶化的问题;同时将curvelet变换去噪应用于含噪图像的盲源分离中,可以提高混合图像的信噪比,相对于小波去噪后的ICA算法,其分离性能有很大改善。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

基于RobustICA的数字调制混合信号盲源分离算法

针对含噪环境下数字调制混合信号盲源分离(BSS)误码率(BER)过高的问题,提出了一种基于RobustICA的二阶段盲源分离算法R-TSBS。该算法采用RobustICA算法对阵列响应向量构成的混合矩阵进行估计,然后利用数字调制信号的有限符号集特征,在第二阶段用最大似然估计(MLE)方法估计各个数字调制源信号发送的符号序列,达到盲源分离的目的。实验仿真表明,传统的独立成分分析(ICA)算法如RobustICA算法和FastICA算法误码率很高,在信噪比(SNR)为10 dB时,其误码率达到了3.5×10^-2左右,而基于FastICA的二阶段盲源分离算法F-TSBS和基于RobustICA的二阶段盲源分离算法R-TSBS的误码率则下降到了10^-3,分离性能得到了明显改善;在较低的信噪比(0~4 dB)下,R-TSBS算法较F-TSBS算法约有2 dB性能提升。     

基于独立成分分析的跳频信号盲分离

近年来,ICA（Independent Component Analysis,独立成分分析）已成为处理BSS（Blind Source Separation,盲源分离）问题的主要手段,同时也受到人们越来越多的关注。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度算法所得的仿真结果进行对比分析。通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

一种参考独立成分分析算法在弱信号提取中的应用

独立成分分析(Independent Component Analysis,ICA)是解决盲源分离问题十分有效的方法。特别是Fast-ICA算法,它以中心极限定理为出发点,采用定点迭代的优化算法,收敛快速、稳健。但是在提取弱信号时,由于中心极限定理不再严格成立,FastICA算法也不再适用。因此从理论和实验两个方面着手验证了这个观点,并针对弱信号提取问题提出新的解决思路:在FastICA算法的基础上,引入源信号的部分先验信息作为约束,即参考独立成分分析(Independent Component Analysis with Reference,ICA-R)。若已知源信号的部分功率谱,结合加权范数最小化信号外推算法的思想,建立接近性度量,以约束的形式融入FastICA算法中,从而分离出要求的弱信号。实验结果表明,不管是对模拟信号还是真实的脑电信号,该算法都是有效的。     

基于复杂性寻踪的非独立图像盲分离

复杂性寻踪是近期发展起来的一种结合非高斯性和时间相关的投影寻踪方法,目的是在多元数据中找到一个投影方向,使得数据在该方向上的投影具有最令人感兴趣的结构。它是投影寻踪方法在时间序列应用上的扩展,相似于依赖时间的信号源盲分离和独立分离分析。由相互独立的图像混合而成的混合图像的盲分离技术已经相当成熟,但对非独立混合的图像的盲分离仍然是个难题。从时间序列的复杂性寻踪出发,推导出一个复杂性寻踪的定点算法。该算法是经典的快速独立分量分析算法（FastICA）的扩展,继承了FastICA的优点,简单易行,不需要用户选择学习率,并且算法具有快速稳定收敛的性质。该算法应用到非独立图像的混合图像的盲分离时,取得了较好的分离结果。     

基于松弛因子改进FastICA算法的遥感图像分类方法

多波段遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础.独立分量分析算法利用信号的高阶统计信息,去除了遥感图像各个波段之间的相关性,获得的波段图像是相互独立的.然而独立分量分析算法计算量太大,影响了其在多波段遥感图像分类上的应用.MFastICA算法可以改善FastICA算法的性能,减少计算量,但是同FastICA算法一样,其收敛依赖于初始权值的选择.在MFastICA算法中引入松弛因子,使算法可以实现大范围的收敛.应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度比原始遥感图像的精度高,并且3种独立分量分析算法的最终分类性能相当.     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。