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。     

一种基于FastICA的波达方向估计新方法

独立分量分析是一种新颖的盲源分离技术，该方法作为目前信号处理领域的一项新技术，具有非常重要的理论意义和实用价值，已广泛应用于通讯、雷达信号处理、生物医学图像处理、模式识别等众多领域。简要介绍了独立分量分析的基本原理和算法，并提出将快速独立分量分析（FastICA）方法应用于波达方向估计（DOA），通过仿真实验和分析，可以得到DOA的一种简单估计，实验结果亦表明该算法在波达方向估计应用中的可行性和有效性。     

独立分量分析技术在语音信号处理中的应用

独立分量分析是近年来发展起来的一门新的信号分离和数字分析技术,因为不需要知道信号的先验信息而得到广泛应用。混迭语音信号盲分离由于实际应用成为信号处理领域研究的热点。介绍了ICA的原理、含义及EASI算法,并仿真了该算法在语音信号盲分离中的应用。试验证明,用EASI分离语音信号可以取得较好的性能。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,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,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

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。     

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。     

基于心音传感阵列ICA 信号处理的冠心病诊断的研究

通过研究冠脉血流动力学和心脏心音产生的机理，首次提出了将独立分量分析（ICA）方法应用于心音信号处理并达到自动检测冠心病的目的。在本系统中，信号采集系统采用了高灵敏度传感器列阵对正常人及冠心病患者胸部的多个部位进行检测。经预处理后的信号最后通过计算机进行数据采集。应用独立分量分析的方法将心脏舒张期的心音信号进行分离，并将各心音分量的统计特征参数作为输入参量输入到径向其函数网络（RBF网络）进行训练和识别。实验结果说明，独立分量分析结合人工神经网络的心音信号的分析方法是一种较为有效的诊断冠状动脉疾病的无创伤方法。     

一种盲源分离的优先进化自适应遗传算法

盲分离技术与独立分量分析(ICA)由于不需要知道信号的先验信息而得到广泛应用.ICA是信号处理的一种新技术.其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立.将改进的遗传算法(GA)与ICA相结合,提出基于优先进化自适应GA的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能.对3段声音信号进行了仿真,仿真结果证明了算法的有效性.     

一种盲信号分离算法的改进研究

盲信号分离在信号处理领域中逐渐变得重要起来,其为混合信号的分离提供一种较好的途径。独立分量分析是盲信号分离中的主流方法之一,其中的快速ICA算法更是具有分离效果好、收敛速度快的特点,具有广泛的应用。本文介绍盲信号分离的基本原理,详细阐述快速ICA算法,并且根据快速ICA算法应用中的局限性做出一些改进,取得较好的效果。     

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。     

基于独立分子量分析的图象分离技术及应用

简要介绍了有关独立分量分析的基本理论和算法,探讨了独立分量分析在序列图象处理方面的应用,提出了基于独立分量分析的运动目标检测新方法,同时用独立分量分析方法对含有运动目标的序列图象进行了独立分量分离的试验,试验中,首先获取序列图象的独立分量和模型混合矩阵,然后将含有背景干扰的独立分量置零,并用混合矩阵进行逆运算,从而获得非常清晰的运动目标轨迹,试验结果表明,这种独立分量分析方法具有良好的盲源分离性能,而且在运动目标检测等方面,基于独立分量分析的检测方法较传统的检测方法更有效。     

A new method for fMRI data processing: Neighborhood independent component correlation algorithm and its preliminary application

Independent component analysis (ICA) is a newly developed promising technique in signal processing applications. The effective separation and discrimination of functional Magnetic Resonance Imaging (fMRI) signals is an area of active research and widespread interest. Therefore, the development of an ICA based fMRI data processing method is of obvious value both theoretically and in potential applications. In this paper, analyzed firstly is the drawback of the extant popular ICA-fMRI method where the adopted signal model assumes the independence of spatial distributions of the signals and noise. Then presented is a new fMRI signal model, which assumes the independence of temporal courses of signal and noise in a tiny spatial domain. Consequently we get a novel fMRI data processing method: Neighborhood independent component correlation algorithm. The effectiveness is elucidated through theoretical analysis and simulation tests, and finally a real fMRI data test is presented.     

独立成分分析方法综述

对ICA方法的原理和应用进行了综述.首先,概要叙述ICA的产生背景和发展前景, 简要介绍和评述了lCA的定义、分类以及算法.然后,对ICA在语音信号分离、生物医学信号处 理、金融数据分析、图像噪声消除以及人脸识别等方面的实际应用进行了讨论.     

An independent component analysis-based disturbance separation scheme for statistical process monitoring

In this paper, an independent component analysis (ICA)-based disturbance separation scheme is proposed for statistical process monitoring. ICA is a novel statistical signal processing technique and has been widely applied in medical signal processing, audio signal processing, feature extraction and face recognition. However, there are still few applications of using ICA in process monitoring. In the proposed scheme, ICA is first applied to in-control training process data to determine the de-mixing matrix and the corresponding independent components (ICs). The IC representing the white noise information of the training data is then identified and the associated row vector of the IC in the de-mixing matrix is preserved. The preserved row vector is then used to generate the monitoring IC of the process data under monitoring. The disturbances in the monitoring process can be effectively enhanced in the monitoring IC. Finally, the traditional exponentially weighted moving average control chart is used to the monitoring IC for process control. For evaluating the effectiveness of the proposed scheme, simulated manufacturing process datasets with step-change disturbance are evaluated. Experiments reveal that the proposed monitoring scheme outperforms the traditional control charts in most instances and thus is effective for statistical process monitoring.     

一种基于FastICA的运动目标检测新方法

独立分量分析是一种新颖的自源分离技术，目前已经在语音识别、图像处理、通信系统和医学信号处理等领域得到了广泛的关注。简单介绍了独立分量分析的基本理论和算法，用快速独立分量分析(FastICA)方法进行运动目标检测的试验，试验结果表明这是一种鲁棒性较强的运动目标检测方法。