独立分量分析在模态分析中的应用

提出一种新的在只有输出条件下的基于独立分量分析（ICA）的时域模态参数识别方法。该方法首先将振动系统的各阶模态理解为相互独立的虚拟源,然后将系统响应信号进行ICA处理,得到单频可识别的信号,从而将多自由度系统模态识别转化为单自由度系统的参数识别问题,最后用有限带宽的高斯白噪声激励作用下的简支梁进行验证。结果表明基于ICA的模态识别方法可以得到较好的识别效果。     

独立分量分析在有噪图像分离中的应用

独立分量分析(independent component analysis，ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上，讨论了有噪信号的独立分量分析(Noisy ICA)，利用小波阈值去噪和FastICA算法进行了有噪混合图像分离的仿真研究。结果表明，对于含有加性观测噪声的混合图像的分离，先去噪处理再进行独立分量分离的效果要优于独立分量分离后再去噪的效果。     

独立分量分析及其应用

独立分量分析是近年来兴起的一种高效的信号处理方法。它主要解决的问题是如何从观测到的混合信号中分离或提取出各个源信号。简要介绍了独立分量分析的数学模型、数学原理等基本问题,分析了现有的几种独立分量分析的主要算法,最后介绍了独立分量分析的主要应用领域,并对以后的研究方向进行了展望。     

独立分量分析及其应用

独立分量分析是信号处理领域的一个研究热点,它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。介绍了独立分量分析的数学模型及其假设条件、求解方法,在此基础上分析了其在语音信号处理、特征提取、生物医学信号处理等领域的应用,最后指出了其发展趋势与进一步的研究方向。     

独立分量分析的理论框架

分析了信号独立的统计学来源，从高阶统计量分析、信息论和参数估计理论推导信号独立的数学描述，以这些数学描述构造相应的独立分解目标函数：高阶统计量最小、互信息最小和最大似然估计目标函数，以函数的最优化问题统一这些目标函数。围绕统一的目标函数，采用求导法和等价的三角极值函数法，分别推导出独立分量分析（ICA）的三类分解算法：梯度法、固定点迭代法和Jacobi旋转法。以这些理论推导构造了ICA的理论框架。     

约束独立分量分析(CICA)算法在故障诊断中的应用

盲源分离(BSS)是利用源信号间的统计独立性,在源信号和混合通道都是未知的条件下,仅由观测信号分离出各源信号的过程,也称独立分量分析(ICA)。经典的ICA仅仅用到数据的统计信息特征,即统计独立性。然而,机械故障存在其他如频率特征等已知的先验知识,将主要利用这些先验信息进行故障诊断。提出一种带参考信号约束的ICA算法(CICA)进行盲源信号的分离,选取与待提取信号频率相同的脉冲信号作为参考信号,以均方误差作为相似性测度的方法进行了实验仿真,仿真实验表明CICA算法能够很好地分离出待提取信号。     

独立分量分析及其在图像处理中的应用现状

独立分量分析是一种基于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,近年来作为信号处理和图像处理领域的强有力的分析处理工具得到广泛的关注和研究。在介绍了独立分量分析的基本概念和各种实现算法及其性能的基础上,综述了独立分量分析在图像处理上的应用,最后结合作者的研究探索,总结了独立分量分析的研究新进展和发展趋势。     

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。     

基于滑动窗口的独立分量分析算法

针对时变混合模型的独立分量分析(ICA)问题,提出了基于滑动窗口的ICA算法.给出了基于滑动窗的分离矩阵递归学习算法,提高了算法的运算效率,因此可应用于独立分量的在线提取和动态独立分量分析等应用场合.另外,针对独立分量排序不确定性所带来的问题,提出了利用峭度值大小对输出信号进行动态排序的思路.仿真实验证明了这一思路是可行的.对窗函数长度的选择问题还进行了探讨,得出了一些有参考价值的结论.实验结果表明,基于滑动窗ICA算法能较好地应用于时变混合模型的独立分量提取,具有良好的盲分离性能.     

基于独立分量分析的工频干扰消除技术*

简要介绍了ICA的基本原理和快速算法,在分析地震信号和工频干扰特点的基础上,利用ICA技术来消除地震记录中的工频干扰,并与常规方法进行比较。研究结果表明ICA在有效消除工频干扰的同时,能够保护有效信号,并且在提高资料的信噪比方面更有优势,具有良好的应用前景。     

基于遗传-狮群算法优化的独立分量分析算法

针对传统独立分量分析算法存在过度依赖梯度信息、容易陷入局部最优等缺陷,提出一种基于遗传-狮群算法(GA LSO)优化的独立分量分析算法.以信号的峭度绝对值之和作为目标函数,结合遗传算法较强的全局搜索能力和狮群算法良好的进化机制,对目标函数进行求解,提高了独立分量分析算法的精度,实现了对混叠信号的盲分离.仿真实验结果表明...     

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。     

参考独立分量的正则化方法

参考独立分量分析（ICA with Reference,ICA-R）充分利用先验知识或参考信号,取得了很好的分离效果,但其中的阈值参数很难选取,且计算量很大。理论分析和实验表明,若阈值选取不当,算法甚至不收敛。通过在FastICA算法的负熵对比度函数中引入ICA-R算法中的接近性度量函数作为正则化项,得到一个简单的改进算法。针对合成数据和实际的ECG数据的仿真实验表明,算法收敛快、提取效果好,同时正则化参数取值非常灵活。     

矢量聚类及其在稀疏分量分析中的应用

针对传统聚类分析不能有效处理矢量数据聚类的问题,提出矢量聚类算法。该算法以点到矢量的距离最小化为分类依据,所得类簇中心为一矢量。根据稀疏信号的分布特性,用矢量聚类方法估计系统的混合矩阵,再利用估计的混合矩阵分离混合信号,从而得到稀疏信源的估计,简化了传统的混合信号分离过程。实验结果表明该矢量聚类方法能比传统的标量聚类方法更有效地估计矢量数据的中心,能在稀疏的处理域中很好地分离出稀疏信源。     

独立分量分析在图像特征提取中的应用

本文探讨了独立分量分析在图像特征提取方面的应用.对一组自然景色图像进行独立分量分析,结果产生一组具有空间、频域的局部性及局部的方向选择性的视觉滤波器,这组视觉滤波器输出的独立元就是图像的特征(图像中的边缘和线段).利用此项技术,我们将无监督学习技术(独立分量分析)和有监督学习技术(支持向量机)相结合,提出了一种新的脸谱识别方法--基于独立分量分析和支持向量机的脸谱识别方法.利用ORL脸谱库进行脸谱识别实验以检验新方法的有效性.实验结果显示,新方法的识别率明显优于经典的特征脸方法.     

基于独立分量分析的单通道语音增强算法

传统的独立分量分析要求观测信号的个数不能小于源信号的个数,无法直接对单路信号进行独立分量分析。为了能够利用独立分量分析分离加性噪声,须构造一路观测信号。基于语音信号的短时平稳的特性,该文提出一种构造噪声信号的算法,实现了信号与噪声的分离。仿真结果表明,利用该算法可得到很好的消噪结果,提高信号的信噪比。     

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。     

参考独立分量分析固定点算法

参考独立分量分析将源信号的先验信息以参考信号的形式引入到算法中,仅实现期望源信号的抽取,消除了传统独立分量分析中抽取信号的不确定性;以期望信号和参考信号的接近性度量作为目标函数提出了一个固定点算法,避免了人为选取步长,同时通过优选初值进一步提高算法的收敛速率。针对合成数据和实际的心电图数据仿真实验,证明了算法的有效性和更好的收敛性。     

基于仿射投影-独立分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。本文以盲源分离(BSS)的独立分量分析(ICA)为基础,结合APA思想,设计出BSS的APA-ME、APA-MMI、APA-EASI新算法。在这些新算法中,输出向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了BSS的收敛速度。仿真结果表明,APA-ICA类BSS算法是有效的。     

独立成份分析方法在股票分析中的应用

为了克服传统的股票分析方法的缺点,将独立成份分析方法用于分析影响股票走势和收益的因素.通过对几个大公司的历年K线数据的深入分析,该方法在一定程度上揭示了影响股票走势和收益的深层次的原因.这对建立和谐的金融体系、促进社会经济的良性发展以及创建和谐的社会都具有一定的现实意义.同时也表明了该方法还具有简单易行、容易理解、结果精确的特点.