基于FastICA算法的盲源分离

近年来,ICA(Independent Component Analysis,独立成分分析)已成为处理BSS(Blind Source Separation,盲源分离)问题的主要手段,同时也受到人们越来越多的关注,为此讨论ICA的原理及其优越性.首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将其与梯度算法、PCA(Principal Component Analysis,主成分分析)算法所得的仿真结果进行对比分析.通过算法验证,经FastICA处理得到的分离信号与源信号相关系数的绝对值不小于0.99,与其他两种算法比较可以明显地得到FastICA是一种更为有效的盲源分离方法.     

基于STFT时频比算法的跳频信号盲分离

威格纳—威利分布(WVD)算法会引起交叉项干扰,快速独立分量分析(FastICA)算法会使分离信号的幅度、相位等参数较源信号发生变化,针对这些算法存在的误差问题,结合跳频信号的特点,提出一种基于短时傅里叶变换时频比的跳频信号盲分离法。仿真实验表明,这种算法能够有效地分离出多个跳频信号,比FastICA算法更准确。     

一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析（ICA）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离,并针对算法中的非线性函数与源信号概率分布密切相关,而源信号的分布却是未知的先验信息的问题,利用算法输出信号的峰度对非线性激活函数进行自适应选择,提出了一种改进的自适应不完整自然梯度算法,并将其应用于模糊图像的盲分离,分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比,计算耗时更少、性能指标明显优越。     

基于curvelet变换和独立分量分析的含噪盲源分离

独立分量分析（ICA）是基于信号高阶统计量的盲源分离方法,在高阶统计量方法中,由于高斯信号的高阶累计量为零,所以系统存在加性高斯噪声时就难以处理。提出了一种基于curvelet阈值去噪和FastICA算法的含噪信号盲分离的方法,并对高斯噪声环境下的混合图像进行了盲分离的仿真。结果表明,该方法能很好地解决由于存在加性高斯噪声而导致经典ICA算法性能发生严重恶化的问题;同时将curvelet变换去噪应用于含噪图像的盲源分离中,可以提高混合图像的信噪比,相对于小波去噪后的ICA算法,其分离性能有很大改善。     

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。     

FastICA算法及其在地震信号去噪中的应用*

ICA算法是求解盲源分离问题的有效算法。建立了ICA算法的数学模型,对模型的求解条件及多解性进行了分析。给出一种基于负熵极大的FastICA算法,讨论该算法在地震信号去噪中的应用。仿真实验验证了该算法的有效性。     

FastlCA算法及其在地震信号去噪中的应用

ICA算法是求解盲源分离问题的有效算法。建立了ICA算法的数学模型,对模型的求解条件及多解性进行了分析。给出一种基于负熵极大的FastICA算法,讨论该算法在地震信号去噪中的应用。仿真实验验证了该算法的有效性。     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

小波与FastICA结合的阻抗胃动力信号处理方法

研究一种用于多通道体表阻抗胃动力信号采集与信息提取的处理方法.运用作者研制的四通道阻抗胃动力检测系统进行健康人阻抗胃动力信号采集实验.将小波变换的多分辨率特性和FastICA算法的盲源分离特性相结合,把采集的四通道阻抗胃动力信号经小波变换分解重构后作为ICA输入,再经FastICA算法实施盲分离,实现阻抗信号分离与胃动...     

基于EMD的单通道盲源分离跳频通信抗干扰方法

针对传统盲源分离算法无法在单路接收的跳频通信场景中使用的问题,提出一种结合经验模态分解的单通道盲源分离跳频通信抗干扰方法。首先通过理论分析和仿真确定了采用EMD对混有干扰的单路接收跳频信号进行增维的方法,将单通道盲分离的欠定问题转为正定问题,之后分别利用全盲盲源分离和半盲盲源分离实现扰信分离。在不同信干比、不同信噪比等多种条件下的仿真实验验证了本方法的有效性。     

基于复杂性寻踪的非独立图像盲分离

复杂性寻踪是近期发展起来的一种结合非高斯性和时间相关的投影寻踪方法,目的是在多元数据中找到一个投影方向,使得数据在该方向上的投影具有最令人感兴趣的结构。它是投影寻踪方法在时间序列应用上的扩展,相似于依赖时间的信号源盲分离和独立分离分析。由相互独立的图像混合而成的混合图像的盲分离技术已经相当成熟,但对非独立混合的图像的盲分离仍然是个难题。从时间序列的复杂性寻踪出发,推导出一个复杂性寻踪的定点算法。该算法是经典的快速独立分量分析算法（FastICA）的扩展,继承了FastICA的优点,简单易行,不需要用户选择学习率,并且算法具有快速稳定收敛的性质。该算法应用到非独立图像的混合图像的盲分离时,取得了较好的分离结果。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。     

一种改进的快速独立分量分析算法及其在图象分离中的应用

独立分量分析是信号处理技术的新发展,它作为盲信号分离的一种有效的方法而受到广泛的关注,并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、判断条件和算法,并在此基础上,介绍了独立分量分析的一种快速算法——FastICA算法;对FastICA算法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算法应用到图象的分离上,实验结果表明,改进算法在分离效果相当的前提下,串行算法迭代次数减少了9％,并行算法迭代次数减少了27％,收敛速度更快.     

改进的FastICA算法研究

独立分量分析是目前盲源分离算法中最常用的一种方法,其中快速独立分量分析（FastICA）以其收敛速度快而被广泛应用,但FastICA对初始值的选择比较敏感,而且在使用牛顿迭代法时,每迭代一步都需要计算一次函数值和一次导数值,当函数比较复杂时,计算它的导数值往往不方便,用单点弦截法进行迭代,将最速下降法与单点弦截法结合,在保证分离效果的同时使FastICA的迭代次数减少,同时使计算式更加简洁,而且减小了对初始值的敏感性,仿真实验验证了其有效性。     

基于鱼群算法的独立成分分析算法研究

独立成分分析（ICA）只需要知道源信号较少的先验知识（如统计独立性等）,仅由观测信号便能恢复出源信号的特性,因而得到了广泛应用。ICA的目的是寻找变换矩阵,使输出信号经变换后各成分之间尽可能的统计独立,其关键是建立一个目标函数,使得最大化（或最小化）目标函数的解便是所要找的变换矩阵。首次将人工鱼群算法（AFSA）与ICA相结合,提出了基于AFSA的独立成分分析算法。以负熵极大化作为目标函数,通过人工鱼的觅食,聚群和追尾行为,更新人工鱼的位置,得到全局最优解,从而得到分离矩阵。与自然梯度法相比,鱼群算法精度更高,收敛速度更快,仿真实验表明了将鱼群算法应用于独立成分分析的可行性和有效性。     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。