基于子带分解的语音分离算法研究

提出一种有效解决不相互独立语音源信号混合的分离算法.利用子带分解方法,将混合信号分解成多个子带信号,在各个子带上分别进行语音分离得出语音分离信号,利用提出的相关性能指数,判断出相互独立的子带信号,把该子带的分离矩阵作为混合信号的解混合矩阵对混合信号进行分离.实验证明了本算法对相关语音源信号较好的分离效果.     

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.     

基于改进独立分量分析的高光谱数据分类研究

高光谱数据波段数目多,光谱信息量大,采用传统的分类方法无法取得较好的精确分类效果.针对上述问题,结合独立分量分析(ICA)和概率神经网络(PNN)在高光谱数据特征提取及分类中的优势,提出了一种改进的独立分量分析与概率神经网络相结合的高光谱数据分类方法,首先采用改进的独立分昔分析对高光谱数据进行降维,然后采用概率神经网络对提取的独立分量进行分类.通过仿真实验结果表明,方法可以在获得较高分类精度的同时大大节省分类的时间.     

基于独立成份分析的证券市场分析

为研究独立成分分析用于证券市场分析,首先介绍了独立成分分析的理论基础,然后介绍了一种独立成分分析的具体算法Fastica算法。为分析出对股票成交量影响的因素,进行了几只重点股票交易额的ICA分离实验,并对实验结果进行了分析研究,从而找到了影响股票交易量的几个重要因素,揭示出了股票交易额变化的几个重要原因。结果说明ICA是揭示隐藏在想象背后的原因的有效手段,非常适合于对证券市场的分析。     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

基于ICA与聚类分析的支持向量机分类研究

在ICA与聚类分析的基础上提出了一种改进的支持向量机分类模型——ICSVM模型。ICSVM模型中利用一种指标筛选算法与独立成分分析的方法将各数据指标转化为互相独立成分的数据指标。接着运用K-means方法对独立成分样本数据集进行聚类分析,再由获得的各子类中心数据构造初始的超平面,筛选出靠近初始超平面的支持类与亚支持类,并展开支持类与亚支持类中的样本数据点重新构造超平面,以便对数据进行分类。实验表明,对于样本比较多的数据集,与标准的SVM算法相比,ICSVM算法能够节约训练时间,同时能够提高分类的正确率。     

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%。     

独立分量分析在高光谱图像舰船检测中的应用

根据海七舰船目标的特点,提出了一种基于独立分量分析的目标检测算法,应用于高光谱图像海上舰船检测.首先采用基于峰度的快速独立分量分析方法(FastICA)对高光谱图像进行处理,获得统计独立的独立分量影像,然后以偏度为特征度量指标从上述独立分量中选择特征影像,得到舰船目标的检测结果.应用于海上高光谱舰船图像,能够抑制背景中的海浪杂波及舰船尾迹对目标的影响,取得较好的检测效果.实验结果也进一步验证了基于峰度的FastICA算法在高光谱数据分析中的有效性.     

基于小波变换的噪声检测快速独立分量分析

机械或电气设备工作噪声的测试分析是实时故障检测诊断的重要手段,通常情况下,传感器检测得到的信号是多个噪声源叠加的结果,可采用独立分量分析(ICA)方法分离出待检测对象信号.提出先对混合信号小波系数序列进行独立分量分析,再做小波逆变换得到分离信号.与直接的ICA比较,小波系数比原始信号的超高斯性更强,因此分离处理的收敛速度更快,分离效果更好;由于在小波变换的过程中可以引入阈值去噪,因此基于小波变换得到的分离结果较之常规方法有更强的抗噪能力.     

ICA算法在fMRI中的应用

独立分量分析（ICA）是信号处理领域新近发展起来的一种很有应用前景的方法,而脑功能磁共振（fMRI）信号的有效分离与识别是一个正在研究和实验之中的技术领域。近年来,ICA已被成功地应用于fMRI数据的处理,成为分析IMRI数据的一种很有效的方法。本文介绍了ICA在分析fMRI数据方面的应用,以及多种ICA算法在fMRI信号盲源分离中 的应用,分析了三种算法的问题,给出了本人对此研究的展望。