基于APSO的盲源分离算法在盲图像分离中的应用

利用独立分量分析(ICA)的自适应粒子群(APSO)算法对因传输等过程而引起的多幅灰度图像混叠进行盲分离,针对图像盲分离提出了一种基于改进的APSO的盲源分离算法并将其应用于分离模糊灰度图像。利用峰度和负熵分别作为粒子群算法的第一和第二适应度函数根据其高斯性原理作为独立性判别标准对分离矩阵进行自适应更新。分析比较不同盲分离算法对图像分离的收敛性,仿真结果证明改进的自适应粒子群算法能够很好地分离图像且计算性能指标优越,收敛效果好。     

基于变分贝叶斯ICA的火山灰云检测研究

热红外遥感能够准确、快速地检测出火山灰云信息。针对热红外遥感数据和火山灰云检测特点,提出了基于变分贝叶斯ICA的火山灰云检测算法,通过引入贝叶斯网络的条件独立性准则和近似变分算法,将源信号后验概率分布的计算转化为更容易处理的负变自由能,去逼近真实后验概率分布的最佳近似值。实验表明该方法取得了85.25%的光谱匹配度,检测精度较高。     

EMD-ICA与SVM在滚动轴承故障诊断中的应用

针对滚动轴承非线性的早期故障信号,应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来,然后采用EMD (Empirical Mode Decomposition)进行再次降噪并建立AR模型,最后提取模型的自回归参数和残差方差作为故障特征向量,并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法是有效的。     

EMD-Robust ICA在柴油机噪声源识别中的应用

为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解（EMD）和基于峭度的鲁棒性独立分量分析（RobustICA）相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离。模拟仿真的结果充分说明了该方法的可行性。应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波（CWT）时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声。     

结合ICA和SVM进行蛋白质氧链糖基化位点的预测

为了提高蛋白质氧链糖基化位点的预测准确率,提出了把独立成分分析和支持向量机相结合的方法。实验样本（蛋白质序列）用稀疏编码方式编码,窗口长度为w=21,对于训练样本和待测样本,首先用独立成分分析法（ICA）提取了120个独立成分（特征）,把这些独立成分作为支持向量机的输入,在特征空间用支持向量机（SVM）进行预测（分类）。实验结果表明,ICA＋SVM的方法比PCA＋SVM和SVM的好。预测准确率为88%。更进一步,用同一个蛋白质序列在不同窗口长度下的样本做实验,结果表明,窗口长度越长,预测准确率越高。     

基于光体积描述记成像技术的非接触低成本生理信息的检测

在最近几十年,人们对低成本、非接触和普适方法测量生理信息(心率、心率变异性、血氧饱和度等)产生了浓厚的兴趣。传统的临床测量生理信息的方法包括Ag/AgCl电极测量心率和心率变异性,二氧化碳分析仪测量呼吸率状态,脉搏血氧饱和度仪测量血氧饱和度。这些方法虽然可以获得完美的信号,但是他们价格昂贵、使用麻烦、不方便。基于光体积描述记成像技术检测生理信息提供了一个人体生理健康检测的新方法。血流速度、血流量和血压可间接地评估血容量,反过来,血容量间接反映了这些生理参数的变换。光在人体组织的反射或透射可以得到血容量的变化。使用电脑摄像头或手机摄像头扑捉的人体皮肤表面成像,通过对成像光信号的处理和分析,获得一些生理信息,如心率、呼吸率、心率变异性和血氧饱和度等。在本文中,我们回顾使用光体积描述记成像技术在非接触健康检测领域里的最新发展,论述面临的挑战和将来的发展方向。     

自适应滤波在车用发电机噪声测试中的应用

介绍车用发电机噪声的测试方法和特点,应用自适应滤波方法对车用发电机试验过程中所测得的发电机噪声与试验台背景噪声的混合信号进行分离研究,同时与独立分量分析（ICA）方法进行了比较。实验结果表明,用自适应滤波的方法能很好地把发电机噪声和背景噪声分离开来,从而使发电机生产厂家不必为控制噪声测试过程中的背景噪声而对其发电机试验平台进行改造,有效地解决了其产品噪声测试的难题。     

基于分数低阶ICA的混合噪声中脉冲噪声的消除方法

为了解决当信号中同时含有高斯噪声与α稳定分布脉冲噪声时,传统的基于二阶统计量的去噪方法会出现显著的性能退化的问题。通过基于负熵的分数低阶独立分量分析(ICA)算法先去除混合噪声中的脉冲噪声,然后利用SVD算法再去除混合信号中高斯噪声的方法,取得了较好的效果,且有效保护了混合信号中的纯净信号。     

“Weighting for more”: Enhancing characteristic-function based ICA with asymptotically optimal weighting

The CHaracteristic-function-Enabled Source Separation (CHESS) method for independent component analysis (ICA) is based on approximate joint diagonalization (AJD) of Hessians of the observations' empirical log-characteristic-function, taken at selected off-origin “processing points”. As previously observed in other contexts, the AJD performance can be significantly improved by optimal weighting, using the inverse of the covariance matrix of all of the off-diagonal terms of the target-matrices. Fortunately, this apparently cumbersome weighting scheme takes a convenient form under the assumption that the mixture is already “nearly separated”, e.g., following some initial separation. We derive covariance expressions for the Sample-Hessian matrices, and show that under the near-separation assumption, the weight matrix takes a nearly block-diagonal form, conveniently exploited by the recently proposed WEighted Diagonalization using Gauss itErations (WEDGE) algorithm for weighted AJD. Using our expressions, the weight matrix can be estimated directly from the data—leading to our WeIghTed CHESS (WITCHESS) algorithm. Simulation results demonstrate how WITCHESS can lead to significant performance improvement, not only over unweighted CHESS, but also over other ICA methods.     

一种适用于微弱信号盲提取的白化方法

独立分量分析(ICA)算法是解决盲信号分离(BSS)问题的最有效方法之一.ICA中,对观测信号预白化处理的作用至关重要.通常采用主分量分析(PCA)来进行预白化处理.实际中,在利用广播、电视等作为照射源的被动雷达系统中,观测信号通常被强噪声和干扰严重污染,这很大程度上降低了BSS方法的性能.然而,传统的BSS方法中没有...