基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

独立成分分析方法在指纹提取中的应用

为了提高指纹图像识别的准确性和可靠性,先对指纹图像采用主成分分析(PCA)算法进行预处理,去除指纹图像的二阶统计特征相关.用ICA算法对加噪的指纹图像进行提取识别,并利用统计方法确定混合矩阵,实验表明:在一定的条件下,ICA能够很好地分离混合图像,提高准确性和可靠性.     

相关成分分析—概念与主要算法

相对于独立成分分析(ICA),相关成分分析(DCA)在实际问题中具有更广泛的应用背景,得到了信号处理研究领域的广泛关注。在ICA方法的基础上,给出了DCA模型的定义、可分离性与分离的唯一性理论,分析了多维ICA模型及其在胎儿心电信号提取中的应用、子带分解ICA模型及其在谐波提取中的应用,具有一定的理论基础和应用背景,在应用问题中,具有一定的参考价值。     

一种基于ICA和模糊LDA的特征提取方法

独立成分分析(ICA)和线性鉴别分析(LDA)是两种经典的特征提取方法.为了更好地解决人脸识别中的特征提取问题,在已有的两种方法进行特征抽取的基础上引入模糊技术,抽取重叠(离群)样本中有助于分类的特征.首先用ICA进行初次特征提取,然后采用模糊k近邻方法得到相应的样本分布信息,最后在此基础上用模糊LDA进行二次特征提取,得到有效的特征向量集.在3个人脸数据库上的实验结果表明本文方法的有效性.     

基于PCA和ICA的虹膜识别方法

为了提高虹膜识别的正确率,提出了利用主成分分析(PCA)与独立成分分析(ICA)相结合的方法,来对虹膜进行识别的方法。用该方法进行虹膜识别时,首先对预处理后的虹膜图像,利用PCA算法进行去二阶相关和降维处理;然后再进行ICA训练。ICA训练采用了以下两种方法:方法1,将参与ICA训练的图像看作是随机变量,而将图像中的像素值看作是随机实验结果,ICA训练后即可得到相互独立的ICA虹膜基图像;方法2,将图像中的像素值看作是随机变量,而将图像看作是随机实验结果,ICA训练后即得到相互独立的ICA系数。采用CASIA虹膜数据库进行的试验结果表明,基于PCA和ICA的虹膜识别算法在两种训练方式下的正确识别率分别达到98.89%和98.33%。     

基于时延SDG和ICA的多工况过程故障预测方法

针对多工况生产过程,提出基于时延符号有向图(SDG)和独立成分分析(ICA)的在线故障预测方法.时延符号有向图描述了过程变量间信息传递的方向和时延大小;在有向图模型基础上,对过程数据进行信息同步校正;ICA方法应用于校正后的过程数据,使得基于ICA的性能监测方法具有良好的故障预测能力.在空分设备中的应用结果表明,该方法...     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

基于神经网络的入侵检测集成分类系统

基于当前入侵检测系统检测性能不理想、自学习能力差的问题,提出入侵检测集成分类系统.通过特征提取方法核主成分分析(KPCA)和独立成分分析(ICA)分别与神经网络集成技术构造两个子分类器,对其结果进行加权集成,系统利用遗传算法自适应调整集成分类系统的权重.实验结果表明,集成分类系统具有较理想的入侵检测性能,并有较好的学习能力.     

基于FastICA算法的盲源分离

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,为此讨论ICA的原理及其优越性.首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将其与梯度算法、PCA(Principal Component Analysis,主成分分析)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,与其他两种算法比较可以明显地得到FastICA是一种更为有效的盲源分离方法.     

人脸识别特征提取算法研究

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了ICA算法的原理,并对ICA算法的优缺点进行了讨论,提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在ORL标准人脸数据库上的实验结果表明,这种识别算法优于PCA和ICA算法。     

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响.独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法.引入一种基于核方法的非线性ICA方法一核独立成分分析(KICA).基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案.通过降噪仿真实验,...     

结合ICA和PCA方法的胎儿心电提取

在生物医学信号处理领域,独立分量分析(PCA)和主分量分析(ICA)是两种广泛应用的方法。但是,这两种方法各有其优缺点。提出了一种新颖的方法,将ICA和PCA相结合,通过求相关的技术,分别取ICA和PCA方法的优点。将该方法应用于从母体腹部测得的多通道信号中提取胎儿心电信号的实验,得到令人满意的结果。研究结果表明,这种结合ICA和PCA的方法能够比较准确地分离出所需要的胎儿心电信号,进而可以对胎儿心电进行监护,因此在临床上具有一定的实用价值。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

基于独立成分的局部建模方法及其在近红外光谱分析中的应用研究

建立了一种基于独立成分分析的局部建模新方法,该方法首先将独立成分分析(ICA)用于近红外光谱的特征提取,然后,根据所提取的独立成分选择校正集中与预测样本相邻近的样本构成校正子集,建立局部偏最小二乘(PLS)回归模型并对预测样本进行预测。将所提出的方法应用于烟草样品中尼古丁含量的测定,所得结果优于常用的全局建模方法。     

基于独立分量分析的人耳识别方法

应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量，并采用基于欧氏距离测度的最近距离分类器进行人耳图像的识别。与传统的主成分分析（PCA）方法相比具有更好的鉴别能力。通过与PCA的对比实验结果表明，该方法具有更高的识别率，对姿态和光照的变化也具有较好的鲁棒性。     

基于独立分量聚类分析的诱发脑电特征提取技术

发展了一种独立分量聚类分析的诱发脑电特征提取方法,利用诱发成分较强的序间相似性,使用Infomax结合K均值算法对脑电信号中的诱发成分进行分类和提取.该方法可以克服传统独立分量分解方法中诱发分量识别的困难,适用于重复刺激诱发脑电的高维数据自动分析处理.将该方法用于上肢想像动作任务的诱发脑电数据分析,结果显示该方法可以有效剥离背景噪声和提取诱发分量,使得信号的费雪可分性得到显著提升,进而获得更好的识别效果.研究结果表明独立分量自动聚类技术适用于认知行为脑电信号的分析,值得进一步研究.     

基于PCA和ICA的糖基化位点的预测和分析

为了提高糖基化位点的识别率,提出主成分分析(PCA)和独立成分分析(ICA)相结合的新方法对O-糖基化位点进行预测和分析。以窗口长度为51的蛋白质序列为研究对象,采用稀疏编码方案,首先利用PCA算法对蛋白质序列进行去相关预处理,以降低原始蛋白质序列的维数。然后利用ICA算法进行训练,提取特征向量构建子空间。测试序列投影到每一类子空间,计算测试序列和每类子空间重构序列的距离,根据距离大小确定所属的类。实验表明,提出的新方法有较高的预测性能。     

基于ICA的全局人脸表示

介绍了独立成分分析在全局人脸识别中的应用，重点研究了全局人脸的独立元表示，给出了基于权向量幅值、基于比例因子和基于PCA-ICA算法的3种IC获得途径。基了Umist人脸库的实验结果表明，IC表示识别率明显高于PC表示，其中基于比例因子的IC表示识别效果最好。     

Electrogastrogram extraction using independent component analysis with references

Electrogastrogram (EGG) is a noninvasive measurement of gastric myoelectrical activity cutaneously, which is usually covered by strong artifacts. In this paper, the independent component analysis (ICA) with references was applied to separate the gastric signal from noises. The nonlinear uncorrelatedness between the desired component and references was introduced as a constraint. The results show that the proposed method can extract the desired component corresponding to gastric slow waves directly, avoiding the ordering indeterminacy in ICA. Furthermore, the perturbations in EGG can be suppressed effectively. In summary, it can be a useful method for EGG analysis in research and clinical practice.     

Kernel ICA: An alternative formulation and its application to face recognition

This paper formulates independent component analysis (ICA) in the kernel-inducing feature space and develops a two-phase kernel ICA algorithm: whitened kernel principal component analysis (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The experiment using a subset of FERET database indicates that the proposed kernel ICA method significantly outperform ICA, PCA and KPCA in terms of the total recognition rate.