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.     

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。     

一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

一种改进的FastICA算法及其应用

独立分量分析是基于信号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,已经广泛应用到语音信号处理、图像处理及信息通信等方面。目前应用较多的快速独立分量分析（FastICA）利用了牛顿迭代法原理,具有较快的收敛速度,但对初始值的选择比较敏感。为克服其缺点,改进其优化学习算法,在牛顿迭代方向增加一维搜索,使改进后的算法的收敛性不依赖于初始值的选择。将改进的FastICA算法应用到运动目标检测中,取得稳定性较强的结果。     

MIMO多载波系统中的混合多用户检测器

研究无线移动通信优化问题,为了进一步提高检测性能,减少误码率,基于多用户检测算法和独立分量分析算法,提出了MIMO-OFDM系统中两种改进的混合多用户检测器,利用基于独立分量分析二次处理的解相关检测和最小均方误差多用户检测的方法,分别用解相关检测和MMSE检测的输出来初始化独立分量分析的迭代,既利用了信源的独立性,又充分利用了已知扩频码的信息,保证了算法的收敛速度能够满足多用户检测的实时要求。仿真结果表明,提高了系统的检测性能,证明两种检测器的误码性能好于传统的检测器。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

一种峭度FastICA改进算法

独立分量分析(ICA)是盲分离的核心技术,是信号处理领域的一种新的发展.FastICA是独立分量分析中收敛速度较快的算法,因为它的收敛速度快且要求内存空间小而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题.为了克服其缺点,在基于峭度的FastICA算法的基础上增加精确线性搜索优化技术来求μ,使改进后的算法收敛速度更快且不需要手动来选择步长参数.编制相应的matlab程序,将改进的算法用于语音信号分离,验证了它的高效性.     

一种改进的牛顿-拉夫森算法

为了保证牛顿一拉夫森算法中迭代所采用的二阶导数矩阵的正定性,进一步改善算法的收敛速度和迭代精度,提出了两个方面的改进:一方面,对二阶导数矩阵作了修正以确保其成为正定矩阵,从而改善了收敛速度;另一方面,引入了一个修正因子对每次迭代的结果加以修正,来提高迭代精度.仿真结果表明,改进的牛顿一拉夫森算法所得到的结果精度更高,而且收敛速度也有所提高,也验证了改进方法的正确性和有效性.     

改进的时不变系统PD型迭代学习控制算法

针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。     

改进ICA算法及其在作物光谱分类中的应用

针对传统的固定点算法对分离矩阵初始值敏感的问题,提出一种改进的独立分量分析(ICA)算法,通过在传统的算法核心迭代过程中加入搜索因子,降低算法对矩阵初始值的依赖,提高处理效率。将ICA算法应用于作物精细光谱的分类,分别利用传统固定点算法和改进的固定点算法对混合光谱进行信息提取与分离。实验证明,改进的ICA算法在与传统算法作物光谱分类效果相当的情况下,迭代次数减少26%,提高了独立分量的分离效率,是一种有效的作物光谱分类方法。     

一种快速的多个主成分并行提取算法

主成分分析是信号处理和数据统计领域内非常重要的分析工具.针对现有多个主成分提取算法收敛速度慢的问题,提出了具有快速收敛速度的神经网络算法.该算法能够并行提取信号中的多个主成分,而不需要其他额外的操作.分别采用平稳点分析法和随机离散时间分析法对所提算法的收敛性和自稳定性进行了证明.仿真实验表明,相比现有算法,所提算法不仅具有较快的收敛速度,而且具有较高的收敛精度.     

一个多维次成分并行提取算法及其收敛性分析

次成分分析是信号处理领域内一项重要的分析工具.目前,多维次成分并行提取算法数量稀少,而且现有的算法在应用时还存在很多限制条件.针对上述问题,在分析研究OJAm次子空间跟踪算法的基础上,采用加权矩阵法提出了一种多维次成分提取算法,并采用递归最小二乘法对所提算法进行了简化,最后采用李雅普诺夫函数法确定了所提算法的全局收敛域.相比现有算法,所提算法对信号的特征值大小没有要求,也不需要在迭代过程中进行模值归一化操作,同时算法具有较低的计算复杂度.仿真实验表明:所提算法能够并行提取多维次成分,而且收敛速度要优于现有同类型算法.     

警示传播算法的原理分析及算法改进

详细分析了警示传播算法基本原理,给出了算法的收敛性分析及算法的改进。实验证明,改进后的算法比原算法具有更 少的迭代次数和更少的运行时间,提高了收敛速度。警示传播算法的分析有助于理解和分析信念传播算法、调查传播算法的数学原理、以及传播算法的演化过程。     

求解TSP问题的改进果蝇优化算法

基于求解TSP问题,提出一种改进果蝇优化算法（GFOA）,该算法结合TSP问题的特点,把果蝇优化算法的连续空间对应到离散规划,利用轮盘赌法初始化路径,并把遗传算法的交叉、变异操作应用于路径的寻优,同时利用C2Opt算子对局部最优路径进行优化,加快局部搜索能力和收敛速度。通过对13个TSPLIB 标准库的TSP算例进行仿真实验,实验结果表明,提出的算法在较小规模算例中能以较少的迭代次数和运行时间快速收敛到已知最优解,在较大规模算例中能接近理论最优解,具有较快的收敛速度和较高的收敛精度。     

一种改进的FastICA ADS-B 1090ES信号分离技术

 针对多点定位技术中广播式自动相关监视(ADS-B)1090ES信号脉冲交叉重叠的问题,提出一种改进的三阶收敛的牛顿迭代快速固定点（Fast ICA）算法,通过对多个ADS-B辐射源混合信号进行分离,恢复和重建原始信号,实现对目标源信号的提取。比较基本Fast ICA算法与改进Fast ICA算法的收敛速度,通过计算相似系数矩阵,分析该算法的分离性能。最后,通过仿真实验,验证了该算法的可行性和有效性,实验结果表明该算法具有较好的分离效果,收敛速度更快。     

基于动态消息调度的SCMA低复杂度检测算法

稀疏码多址接入(Sparse Code Multiple Access,SCMA)是第五代无线通信网络一种竞争性的非正交多址技术,能够满足海量连接的需求。现有上行SCMA通信系统中采用串行策略MPA(Message Passing Algorithm)来译码收敛速度比同步更快,然而,串行MPA按照预先定义好的顺序进行消息更新,存在信息收敛速度不理想的问题。该文提出一种基于节点剩余度的动态消息调度算法RMPA(Residual MPA),在每一轮迭代中动态选择具有最大剩余度的消息进行更新。仿真表明,所提出的算法性能优于基于串行策略的MPA算法,且能在译码性能和复杂度之间保持很好的平衡。     

多策略融合的粒子群优化算法

受天体学和植物学启发,提出一种多策略融合的粒子群优化算法（MSPSO）,以改善粒子群优化算法（PSO）易陷入局部最优的不足。三黑洞系统捕获策略和多维随机干扰策略的引入,使算法增强全局开拓能力的同时兼顾局部搜索能力,并通过协调因子完成从全局寻优向局部搜索的转变,进而提高收敛速度。同时,早熟扰动策略的采用,使算法陷入局部最优的概率降低。采用9个测试函数,将该算法与其他5种算法进行性能对比。仿真结果表明,MSPSO算法具有在相同迭代下更好的寻优能力、在给定精度下更快的收敛速度等优势。     

步长自适应的测量矩阵迭代优化方法

在压缩感知中，降低传感矩阵的列相干性可以提高重构精度。因为稀疏字典一般是固定的，所以目前主要通过优化测量矩阵来间接降低传感矩阵列相干性。提出一种改进的测量矩阵优化算法，使用梯度下降法更新测量矩阵并结合Barzilai-Borwen方法以及Armijo准则，使步长能够在迭代中自适应调整并保证算法收敛性。仿真实验表明，所提出的方法具有更快的收敛速度并且能够得到更优的测量矩阵。     

迭代步进值自适应调整的果蝇优化算法

针对传统果蝇优化算法（FOA）收敛精度不高和易陷入局部最优的缺点,提出了一种迭代步进值自适应调整的果蝇优化算法（FOAMR）。在该算法中,引入了果蝇群体速度进化因子和聚集度因子,并将迭代步进值表示为以上2个参数的函数同时定义自适应调整因子。在每次迭代时,算法根据当前果蝇群体速度进化因子和聚集度因子动态调整步进值的大小并通过自适应调整因子动态调整搜索距离的大小。对典型函数的测试结果表明,FOAMR比FOA具有更好的全局搜索能力,同时收敛速度、收敛精度明显提高。