瞬变电磁信号采集系统的研制

介绍以８０９８单片机为核心组成的瞬变电磁信号数据采集系统输入通道的硬件构成及存储容量扩展技巧。     

瞬变电磁检测仪器中的微弱信号检测技术

瞬变电磁法（又称为时间域电磁法）是电磁法勘探的新技术方法，其应用领域日趋扩大，日益被地球物理勘查工作者所注目。由于近代微弱信号检测技术的引入，涌现出一批智能化高精度的仪器，促进了该方法技术的发展，取得了很好的地质效果，文中重点介绍笔者所设计研制成功的ＳＤ－１型瞬变电磁仪器中微弱信号检测技术的应用及噪声抑制效果。     

瞬变电磁仪的研制

介绍瞬变电磁仪的原理及实现方法。     

基于快速独立分量分析的脑电波信号降噪

针对原始脑电波信号存在非平稳性且非常容易受到各种信号的干扰等特点,对基于小波变换和快速独立分量分析的脑电波信号的滤波降噪方法进行了研究,说明了小波变换和快速独立分量分析的降噪原理,并通过对利用MindSet耳机采集得到的原始脑电波数据的处理,证明了快速独立分量分析算法可以将原始脑电波信号中包含的心电伪迹和工频干扰等多种干扰信号成功地分离出来,同时比较了两种方法的性能,验证了基于快速独立分量分析的降噪方法具有明显的优越性。     

基于相关性评估与FastICA的实时心电信号提取算法

针对传统的独立成分分析(ICA)算法无法实现实时的信号分离和提取的问题,提出一种基于相关性评估和实时FastICA的方法.通过对混合信号分段,并进行FastICA处理,再对分离后的信号段进行相关性评估,选取与心电信号相关性最大的信号段进行相位的修正与幅值缩放,实现心电(ECG)信号的实时提取.在分离处理前,对混合信号进行基线漂移的过滤,提高了算法的鲁棒性.实验表明:所提算法的准确率可达96.7％,能够有效实现心电信号的实时提取.     

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响.独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法.引入一种基于核方法的非线性ICA方法一核独立成分分析(KICA).基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案.通过降噪仿真实验,...     

瞬变电磁法新型发射机的研制

为满足野外探测的需要而研制的瞬变电磁法新型发射机。介绍了发射机的硬、软件设计原则和方法。     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

数字电路远程网络中高频信号噪声抑制仿真

针对传统高频信号噪声抑制方法存在效果差、信号完整度低的问题,提出新的数字电路远程网络中高频信号噪声抑制方法。根据独立分量分析,利用源信号与噪声信号分离的原理,实现噪声抑制,主要分为信号采集、去均值化、白化处理以及提取独立分量等步骤。最后在实例中被运用和验证。结果表明:独立分量分析噪声抑制方法应用下,数字电路远程网络中高频信号信噪比和完整性得到提高,远远高于传统噪声抑制方法应用效果,达到了研究预期目标。     

过完备ICA 算法在语音信号提取中的应用

在语音信号处理中常用麦克风采集语音,然后用算法进行提取和分离,目前常用的有独立分量分析（Independent component Analysis,ICA）算法。但是当麦克风个数少于说话人的个数时,即欠定情形,此时语音信号的提取需采用过完备ICA算法。提出了一种基于过完备ICA算法的两步算法：估计混合矩阵的几何算法和估计源矩阵的最短路径法。该算法能在欠定情形下对语音信号的提取有很好的作用,仿真实验验证了这一结果。     

改进的ICA胎儿心电信号提取法

独:立分量分析(ICA)模型中,有关独立性的假设对模型的可识别性至关重要,然而在实际应用中信号源之问往往有某种程度的联系.孕妇腹部信号是由胎儿心电信号(FECG)和母亲心电信号(MECG)线性混合而成的,但是FECG与MECG之间存在一定的相关性,不是完全统计独立的,针对信号源之间弱独立性的这一特点提出了一种新的非入侵式胎儿心电信号提取方法,试验表明该方法比直接用传统的ICA方法提取的胎儿心电信号噪声小、分离效果好.     

Single-channel source separation of multi-component radar signal based on EVD and ICA

This study explored a novel method based on eigenvalue decomposition (EVD) and independent component analysis (ICA) to separate the multi-component radar signal in the single channel. By exploiting the generalized periodicity of the radar signal, the proposed method structures the multi-dimensional matrix from the observed signal in single-channel through EVD, then applies ICA to the matrix to determine the basic waveform of each component, and finally reconstructs the component signals. Simulation results confirmed the effectiveness of the proposed method and compared it with other methods, although the performance of proposed approach is a bit worse than some other method when processing radar signals, the most outstanding advantage of the proposed approach is that it does not require any other known conditions, and it can recover the component signals with a satisfactory level, so it can yet be regarded as an effective method.     

应用小波变换和ICA方法的肌电信号分解

基于单通道、短时真实肌电（EMG）记录和模拟EMG信号,提出一种改进的肌电信号分解方法。首先应用小波滤波、硬阈值估计等方法去除背景噪声和白噪声,并将独立成分分析（ICA）方法和小波滤波方法相结合去除工频干扰信号,然后再进行幅度滤波,从而提高了系统的速度和强健性。在运动单元动作电位（MUAP）聚类以及从原始信号中去除已识别的MUAP波形等方面也进行了改进。与已有的EMG分解方法相比,本文方法更快速、稳定。     

基于独立分量的信号分离算法研究

噪声控制工程中,定量分离主要噪声源是一个非常复杂的问题,国内外对此进行了大量研究,并提出了许多算法,但基本都只适用于线谱,对于宽带信号显得无能为力。据此,基于独立分量分解原理,尝试通过信号分解、线谱提取的方式,将宽带噪声从原信号中准确分离出来,然后可以依据相干分析和谱分析等手段定量分析。计算机仿真研究效果良好,证明该方法具有一定工程应用价值。     

用ICA提取高维科学数据的特征

独立分量分析(ICA)是基于数据高阶统计特性的一种线性变换手段。目前,已广泛应用于盲信号分离和图像识别。文章将此技术引入到科学数据挖掘领域,以求解决预处理中高维复杂特征的提取问题。提出了ICA结合主成分分析(PCA)的特征提取步骤,并结合科学数据集量大的特点给出了一种快速收敛算法—FastICA。最后指出ICA特征提取技术可以应用于高维科学数据挖掘,并且较传统的特征提取技术有更高的准确率。     

人脸检测中基于自适应ICA的特征提取算法

如何从图片中提取出有效特征来区分人脸与非人脸一直是一个难题.文中提出了利用自适应独立成分分析(Self-Adaptive ICA)算法对图像结构信息非常敏感的特点,有效地从大量正面人脸图片中分离出人脸的局部特征,从而利用这些局部特征基底有效地表示人脸图片.自适应ICA算法的优点是能自适应的拟合图像数据的统计性质,而不用预先设定.通过比较待检测的人脸图片与非人脸图片在这组特征基底上的投影系数,可以较好的区分二者.实验结果也表明这种特征提取方法可以找到一组很好的人脸特征基底.使用这种方法构造的弱分类器的分类准确率在相同的误检率下比Boosted Cascaded方法中的弱分类器高1% ～ 1.5%.     

一种分离低维信号的ICA快速算法

介绍了一种基于低维反对称矩阵指数的快速独立分量分析算法. 由于算法中牵涉到的矩阵指数具有解析闭合形式的表达, 因而算法中使用到的矩阵指数以及最优下降方向均可解析地得到. 另外, 我们纠正了在别的文献中建立的四维反对称矩阵指数表达式中的两个错误. 最后, 我们用仿真验证了算法. 实验结果表明: 相比于广为应用的Extended InfoMax和FastICA算法, 本文算法能得到更佳的分离性能.     

Kernel ICA: An alternative formulation and its application to face recognition

This paper formulates independent component analysis (ICA) in the kernel-inducing feature space and develops a two-phase kernel ICA algorithm: whitened kernel principal component analysis (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The experiment using a subset of FERET database indicates that the proposed kernel ICA method significantly outperform ICA, PCA and KPCA in terms of the total recognition rate.