基于改进的独立分量分析的图像分离的研究

文章对独立分量分析的基本理论和FastICA的算法实现作了简要介绍。为提高收敛速度．对牛顿迭代法加以修正，并证明了修正形式为三阶收敛，提出了一种改进的牛顿迭代法的独立分量分析算法。通过对图像信号分离仿真实验表明。改进算法在与传统FastICA算法分离效果相当前提下，迭代次数减少了14．3％，收敛速度更快。     

基于快速独立分量分析的多分辨率遥感图像融合算法

独立分量分析作为盲源信号分离的一种有效的方法在许多方面获得成功应用.讨论了独立分量分析的基本原理、目标函数选择和算法,并在此基础上,对快速独立分析算法FastICA的核心迭代过程进行改进,得到M-FastICA算法,改进算法减少了独立分量分析的迭代次数,从而提高了算法的收敛速度.最后将M-FastICA算法应用到遥感图像的融合上,实验结果表明,改进算法在融合效果相当的前提下,收敛速度更快.     

一种基于负熵最大化的改进的独立分量分析快速算法

在深入分析FastICA算法的基础上，提出了一种基于牛顿迭代算法和最速下降法相结合的独立分量分析改进算法，仿真结果表明，改进的算法能有效提高收敛速度，避免原算法中收敛速度不均匀问题。     

基于独立分量分析的快速定点算法

独立分量分析(ICA)近年来应用于盲信号分离中的最常用的方法。基于独立分量分析引入了快速定点ICA算法。定点ICA算法是一种离线的算法,既可以分离一个信号,也可以分离多个信号,并且该算法收敛速度很快,一般经过3～10次迭代即可有效地分离源信号。该算法与其它算法相比较,收敛速度比较快,需要迭代的步骤少。     

独立分量分析算法的改进研究

独立分量分析是信号处理技术的新发展,本文对独立分量分析快速算法进行了研究,在分析FastICA算法的核心迭代过程的基础上,提出了改进算法M-FastICA,以改善了算法的收敛性能,减少算法的迭代次数.针对M-FastICA算法的收敛依赖于初始权值的问题,在算法过程中加入松弛因子,提出LM-FastICA算法,改善了算法对初始权值的依赖性.     

FastICA算法在雷达快扫描中的应用

对于现代多普勒雷达来说,相关数据的计算精度依赖于估计单体内的独立样本数,独立样本数越多,精确度越大。为了增强雷达精确度和提高扫描速度,文中采用独立成分分析技术来增加独立样本数。独立成分分析算法通过迭代估计逐步逼近分离矩阵,从而得到所需的相对独立的因子。其中,快速不动点算法能在根本上显著提高计算方法的在线学习速度和可靠性,不仅收敛速度较快,而且收敛性不易破坏。利用基于极大似然估计的快速不动点算法先后对瑞利信号和模拟雷达信号进行了独立成分分析处理,并与常用的主成分分析技术进行了对比,获得了较好的试验结果,证实了独立成分分析技术的良好处理效果,为进一步应用于实际的多普勒雷达信号的处理奠定了基础。     

基于改进FastICA算法的入侵检测样本数据优化方法

为更好实现对入侵检测样本数据的优化处理,提出了一种改进的快速独立成分分析(FastICA)算法,采用基于加权相关系数进行白化处理以减少信息损失,并优化牛顿迭代法使其满足三阶收敛。对算法进行了细致描述,分析了算法的时间复杂度。实验结果表明,该方法可有效减少数据信息损失,具有迭代次数少、收敛速度快等优点,可有效提高入侵检测样本数据的优化效率。     

一种快速的频域盲语音分离系统

对真实环境中的混迭语音信号进行盲分离是一个非常困难的任务。许多在仿真信号环境下工作很有效的算法常常不能成功地分离真实环境中录取的混迭语音信号。本文通过对一系列预处理(如解相关),独立分量分析和后处理(解排列和尺度不定性)算法进行优化和有机结合,提出了一种快速的频域盲语音分离系统,有效地实现了对卷积混迭的语音信号的盲分离。特别,文中引入一种改进的数据白化算法,它可以节省运算量并提高独立分量分析算法的收敛速度。基于真实录音信号的仿真实验显示该系统能够快速和稳健地分离卷积混迭的语音信号。     

独立分量分析可调速率相对梯度算法

在独立分量分析的相对梯度算法中,要取得较好的效果,选取合适的学习速率是至关重要的。对于这个问题,文章提出了一种可调速率的相对梯度算法,随着迭代次数的变化,使相对梯度算法的学习速率作相应变化,从而较好地解决了收敛速度与稳定性的矛盾。在此基础上,将这个方法应用于盲信号分离并进行仿真,得到了满意的结果。可调速率相对梯度算法在独立分量分析中具有较好的前景。     

基于峰度的盲源分离算法研究与应用

在复杂电磁环境中,检测和分离频谱混叠信号的分析是极为重要且困难的研究课题.提出了一种基于独立分量分析(ICA)模型的改进盲源分离算法,探讨了信号的相关性和参数变化对算法分离效果的影响.利用峰度绝对值函数作为目标函数,采用改进的牛顿法寻优目标函数,实现了信号的盲源分离.理论分析和实验结果表明,该方法应用于雷达信号盲源分离时可以荻得比较好的分离效果,新算法能有效提高收敛速度,避免了传统算法中收敛的不均匀性.     

一种广义主成分提取算法及其收敛性分析

广义主成分分析在现代信号处理的诸多领域发挥着重要的作用。目前,自适应广义主成分分析算法还并不多见。针对这一现状,该文提出一种快速收敛的广义主成分分析算法,并通过理论分析所提算法的确定性离散时间系统,导出了保证算法收敛的学习因子和初始权向量模值等边界条件。仿真实验和实际应用验证了所提算法的正确性和有用性。仿真结果还表明,所提算法比现有同类算法具有更快的收敛速度和更高的估计精度。     

Adaptive Step-Size Natural Gradient ICA Algorithm with Weighted Orthogonalization

To improve the stability of the traditional natural gradient independent component analysis (ICA) algorithm and the accuracy of its separated results, a adaptive step-size natural gradient ICA algorithm with weighted orthogonalization is proposed. First, to take advantage of the pre-whitening pre-processing and keep the equivariance property of the ICA algorithm, based on the weighted orthogonal constraint on the separating matrix without pre-whitening of observed signals, weighted orthogonalization is introduced after the traditional gradient update. Then, according to the error estimation from the smoothed distance between separated outputs and optimal outputs, we obtain two adaptive step sizes based, respectively, on an unconstrained natural gradient ICA process and a weighted orthogonalization process. Simulation experiment results show that the speed of convergence of the adaptive step-size natural gradient ICA algorithms with weighted orthogonalization are faster than the traditional one; also, the stability of the algorithms and the accuracy of the separated results are improved observably.     

引入参考信号的新峭度快速不动点算法

在盲源分离和独立成分分析中,峭度是衡量随机信号非高斯性的常用对比准则,通过不同类型的算法对其进行优化,找到非高斯性极大值点,即实现了源信号的提取或分离。例如,基于峭度的快速不动点算法,它是一种收敛速度很快的算法。最近,Marc Castella等人提出了一类基于所谓“参考信号”的对比准则,以及对应的梯度最大化优化算法,这些算法具有很好的收敛性能。受其启发,文章以一种类似的方式将“参考信号”思想应用到峭度中,得到一种新颖的对比函数,并基于该新峭度对比函数,提出了一种新的快速不动点算法。与经典的基于峭度的快速不动点算法相比,该算法极大地提高了收敛速度,尤其是随着信号样值点数的增加,该算法的优势会更加明显。文章分析和证明了该新峭度对比函数的局部收敛性,给出了新算法的详细推导过程,仿真实验验证了该算法的性能,并与经典算法进行了比较分析。      

Coherent LMS algorithms

Pilot symbol-assisted adaptive algorithms provide coherent detection for communication systems when the filtering coefficients, such as beamforming weights or equalizer coefficients, are converged. This property can be exploited to speed up the convergence of adaptive algorithms used. In this letter, two new adaptive algorithms, coherent least mean square (C-LMS) and coherent normalized LMS (CN-LMS), are proposed by constraining the desired signal component of the filtering output to be always coherent in phase with the reference signal at each iteration. For same adaption step size, these new algorithms provide faster convergence, while yield same steady-state excess mean-square error as compared with their standard LMS counterparts     

Novel adaptive generalized principal component analysis algorithm based on Hebbian rule

In order to adaptively estimate the generalized principal component from input signals,a novel generalized principal component analysis algorithm was proposed based on the Hebbian linear neuron model.Since the autocorrelation matrices of the signals were estimated directly from the sampled data at the current time,the proposed algorithm had low computation complexity.Trough analyzing all of the equilibrium points by Lyapunov method,it is proven that if and only if the weight vector in the neuron had the same direction with the generalized principal component,the proposed algorithm attains the convergence status.Simulation results shows that compared with some same type algorithms,the proposed algorithm has faster convergence speed.     

Matrix-Group Algorithm via Improved Whitening Process for Extracting Statistically Independent Sources From Array Signals

This paper addresses the problem of blind separation of multiple independent sources from observed array output signals. The main contributions in this paper include an improved whitening scheme for estimation of signal subspace, a novel biquadratic contrast function for extraction of independent sources, and an efficient alterative method for joint implementation of a set of approximate diagonalization-structural matrices. Specifically, an improved whitening scheme is first developed by estimating the signal subspace jointly from a set of diagonalization-structural matrices based on the proposed cyclic maximizer of an interesting cost function. Moreover, the globally asymptotical convergence of the proposed cyclic maximizer is analyzed and proved. Next, a novel biquadratic contrast function is proposed for extracting one single independent component from a slice matrix group of any order cumulant of the array signals in the presence of temporally white noise. A fast fixed-point algorithm that is a cyclic minimizer is constructed for searching a minimum point of the proposed contrast function. The globally asymptotical convergence of the proposed fixed-point algorithm is analyzed. Then, multiple independent components are obtained by using repeatedly the proposed fixed-point algorithm for extracting one single independent component, and the orthogonality among them is achieved by the well-known QR factorization. The performance of the proposed algorithms is illustrated by simulation results and is compared with three related blind source separation algorithms     

一种改进的解相关变步长LMS算法

讨论了一类针对传统LMS算法进行改进的变步长自适应算法,分析其性能,对原有算法进行改进,并针对输入信号高度相关时算法收敛速度下降导致性能下降的问题,引入了解相关原理,用输入向量的正交分量来更新滤波器权系数,有效加快了算法的收敛速度,并保持了原算法的良好性能。     

一种改进的变步长LMS自适应算法

传统的最小均方误差(LMS)算法难以同时获取较快的收敛速度和较小的稳态误差,而变步长LMS算法可获得二者之间的平衡。对已有的一些变步长LMS算法进行了分析,在变系数步长(VFSS)算法的基础上,引入输入信号因子,并建立步长因子与误差信号之间新的非线性函数关系,提出一种改进的变步长LMS算法,该算法不仅继承了VFSS算法在低信噪比环境下抗噪声性能好的特点,而且能够快速跟踪系统的变化,仿真结果表明改进算法的性能优于现有算法。     

均衡单进化布谷鸟算法

针对布谷鸟算法采用整体评价策略处理多维度自变量相关优化问题时,维度耦合现象会恶化算法的搜索速度和收敛精度,提出均衡单进化的布谷鸟算法（ESCES）.该算法给出一种新型的均衡单进化函数评价策略,即每一代进化只随机更新目标函数的单个维度,并且随机更新的维度服从均匀分布,避免多维度之间互相干扰.同时,提出两种新型随机游动步长更新学习律,提高了优化算法的全局搜索速度和收敛精度.实验测试结果和显著性统计结果表明,ESCES算法与5个改进CS算法及7个其它最新智能优化算法相比,在全局寻优性能、搜索速度和收敛精度上均获得较大的改进.     

改进的信息最大化语音盲分离算法

提出一种改进的基于信息最大化的语音盲分离算法,克服了以往算法收敛速度慢,串音误差大的缺点.新算法分析了多种非线性函数的转换特性,采用一种新的更合适的非线性函数,并依此推导出分离算法的学习规则.实验表明,改进的算法有效实现了混叠语音信号的盲源分离,收敛速度更快,串音误差更小,取得了良好、稳定的分离效果.