改进的基于独立成分分析的图像特征提取算法

利用基函数稀疏性的极大值特点,本文提出一种改进的基于独立分量分析的图像特征提取算法.通过分析图像的拉普拉斯先验条件,独立成分分析的问题简化为L1范数求最小的问题,但是采用其对偶空间L∞范数求极大值的方法解决问题更加容易.相对其它独立成分分析方法,本文方法不需要对高阶非线性对比函数估值进行复杂的优化.实验结果表明,本文算法相比其它独立成分分析算法,具有更好的稀疏性和更快的收敛速度.     

一种改进的多通道盲信号解相关算法

针对多通道解相关算法在混合信号协方差矩阵的最大特征值较大或者最大与最小特征值的比值很大(大于106的病态混合)时收敛速度变慢且收敛误差增大的不足,本文引入归一化方法,即在迭代过程中对解混信号进行归一化,从而限制其协方差矩阵最大特征值的取值范围,且降低最大与最小特征值的比值.数值仿真表明,改进后的算法在降低迭代误差和加强...     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.     

基于独立成分分析的掌纹识别

本文研究了独立成分分析（ICA）两种不同的结构ICAⅠ和ICAⅡ在掌纹识别中的应用。为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣（ROI）区域进行特征提取和匹配。为了减少计算量,运用ICA算法之前．先采用主成分分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离。对于PolyU掌纹图像库,基于ICA模型的预测误差平方和（SPE）小于PCA,而且重构的原始图像优于PCA。为了比较两种算法识别性能,本文分别用PCA、ICAⅠ、ICAⅡ提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配。实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAⅡ在性能上优于ICAⅠ。     

基于改进的遗传算法的盲信号分离

运用改进的遗传算法进行盲信号分离,解决了算法的局部收敛问题。通过改进遗传算法的交叉操作,极大地提高遗传算法的收敛速度;强迫分离矩阵的各个行向量正交,解决算法的奇异性问题。仿真试验表明,该算法有很好的分离效果。     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

基于约束独立成分分析的滚动轴承故障诊断

用新的理论和方法丰富和提高机械故障诊断技术是机械故障诊断学的重要内容之一。本文用约束独立成分分析方法把研究对象的先验信息作为独立成分分析算法的约束条件,使新的算法仅仅收敛于感兴趣的故障信号。这样可以提高故障诊断的针对性和效果。该方法可以从传感器信号中快速诊断设备中是否发生了某种故障,并以滚动轴承的仿真和实验验证了该方法的适用性和有效性。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于独立分量分析的形状识别

物体的形状识别是模式识别的重要方向之一,广泛应用于图像分析、机器视觉和目标识别等领域。在介绍利用信号的高阶统计信息的独立分量分析方法基础上,提出了基于独立分量分析的形状识别方法。利用独立分量分析算法提取出图像的独立基,根据待识别图像在独立基上投影系数的差别进行分类识别。仿真实验结果表明,该方法对于形状识别有较高的识别率。     

子类独立分量分析在声目标识别中的应用

针对已有的特征提取方法在多目标识别中的不足,提出了基于高阶统计分析的独立分量分析法特征提取方法,通过对多种目标的声音信号进行子类特征提取,并应用决策导向无环图支持向量机实现对多目标的有效分类。结果表明该算法在通过声音信号对多目标识别上,具有很好的应用前景。     

Process identification using a new component analysis model and particle swarm optimization

A novel component analysis model is proposed to identify the mixed process signals which are frequently encountered in the statistical process control (SPC) and engineering process control (EPC) practice. Based upon one of existing state-of-the-art evolutionary algorithms, called particle swarm optimization (PSO), the proposed model provides a solution (i.e., demixing matrix) by maximizing the determinant of the corresponding second-order moment (variance–covariance) matrix of the reconstructed signals. Then, the estimated demixing matrix is used to separate mixed signals arising from several original process signals. The process signals considered in this paper include inconsistent variance series, autoregressive (AR) series, step change, and Gaussian noises in the process data. In practice, most of industrial manufacturing processes can be well characterized by a mixture of these four types of data. By following the proposed model, the blind signal separation framework can be cast into a nonlinear constrained optimization problem, where only the demixing matrix appears as unknown. Several illustrative examples involving linear mixtures of the process signals with different statistical characteristics are demonstrated to justify the new component analysis model.     

基于独立分量分析的图像特征提取及泊松噪声去除

针对泊松噪声具有与信号相关和不一致性分布的特性,提出了一种基于独立成分分析(ICA)的软阈值滤波算法。泊松噪声对基于高阶统计量的ICA变换不敏感,其能量均匀分布在ICA域。首先将包含泊松噪声的图像变换到ICA域,然后再对图像独立成分进行软阈值滤波。该算法对图像和噪声具有自适应能力,在噪声去除和图像细节保留方面达到一个平衡。实验结果表明:该算法不仅可以有效去除图像中的泊松噪声和提高图像质量,而且具有良好的鲁棒性。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

独立分量分析在说话人识别技术中的应用

独立分量分析方法能够将线性混合信号进行分离,得到统计独立的源信号,能用于提取组合语音的特征基函数。倒谱矢量符合ICA变换的假设条件,用ICA方法对MFCC特征进行转换得到ICA特征基,继而用于说话人识别,建立了一个基于独立分量分析的说话人识别系统。实验结果表明,在噪声环境下此系统具有更高的识别率。     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

Proteomic profile analysis and biomarker discovery from mass spectra using independent component analysis combined with uncorrelated linear discriminant analysis

A strategy based on Independent Component Analysis (ICA) and Uncorrelated linear discriminant analysis (ULDA) was proposed for proteomic profile analysis and potential biomarker discovery from proteomic mass spectra of cancer and control samples. The method mainly includes 3 steps: (1) ICA decomposition for the mass spectra; (2) selection of discriminatory independent components (ICs) using nonparametric Mann-Whitney U-test; and (3) selection of special peaks (m/z locations) as potential biomarkers by executing of ULDA on a mass spectra data set which was reconstructed with the m/z locations that collected from the selected discriminatory ICs. A colorectal cancer data set and an ovarian cancer data set were analyzed with the proposed method. As results, 9 and 10 m/z locations were selected as potential biomarkers for the colorectal and ovarian cancer data set respectively. The classification results of ULDA using the selected potential biomarkers yielded better results than fisher discriminant analysis (FDA) and principal component analysis (PCA), and could distinguish the disease samples from healthy controls on the independent test sets with 100% of sensitivities and specificities for the colorectal cancer dataset and 100% of sensitivity and 96.77% of specificity for the ovarian cancer dataset.     

一种改进NMF算法及其在人脸识别中的应用

为了提高非负矩阵分解(NMF)算法对光照、姿态等外部因素的鲁棒性,本文对传统的NMF进行改进,提出了一种改进的NMF方法.首先对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过Havard人脸库和Umist人脸库上的实验,结果表明,该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的NMF方法和PCA等子空间分析法识别率提高了20%以上.