基于峭度的独立分量算法的性能分析研究

独立分量算法是一种应用非常广泛的盲信号处理算法.而峭度作为一种重要的信号分析工具,可以有效地进行优化分析.然而,对于各种不同类型的算法的对比分析目前还少有介绍,所以有必要对基于峭度的FastICA和RobustICA两种独立分量算法进行对比分析研究.理论分析及实验结果表明,鲁棒独立分量法RobustICA在鲁棒性、收敛性和复杂度方面整体优于快速定点独立分量法FastICA,从而为实际应用提供一定的参考价值.     

基于独立分量分析的盲波束形成算法

介绍了在信号来向和阵列流型未知情况下进行波束形成的常用方法,阐述了盲波束形成的恒模算法和高阶累积量算法。提出了基于独立分量分析的盲波束形成算法,结合目前阵列信号处理系统中的实际问题对基于恒模、高阶累积量和独立分量分析的盲波束形成算法进行了仿真比较。理论分析和仿真实验表明,基于独立分量分析的盲波束形成算法在强干扰信号、信号来向相近和收敛速度等方面性能优越。     

回波对消中盲源分离算法的研究与仿真

盲源分离因为可以仅根据接收到的观测信号来估计还原源信号,成为近年来在信号处理领域的研究热点.针对盲源分离中的基于峭度的独立分量分析算法在源信号还原的过程中计算量较大的问题,采用共轭梯度方法对独立分量分析法进行优化,优化后的算法收敛速度更快,稳态误差变小.Matlab仿真实验表明,优化后的独立分量分析算法收敛更快,实际分离效果更好.     

基于降噪及独立分量分析的轴承故障声信号特征提取

针对传统降噪算法的缺点,提出了将局部投影用于故障声信号的降噪。该算法具有较高的计算效率及广泛的应用前景,不仅可用于线性系统,而且还可用于非线性系统。而独立分量分析可用于分解相互独立的信号,它解决了多传感器信号的信息融合与特征提取问题。综合局部投影算法及独立分量分析算法两者的优点,提出了一种轴承弱故障特征识别算法。试验表明,该方法能有效地分离背景信号及特征信号。     

基于独立分量分析的瞬时混合语音信号盲分离算法研究

近些年,信号处理在理论与方法方面发展速度很快。独立分量分析技术（Independent Component Analysis,简称ICA）是信号处理领域近十几年才发展起来的一种新的理论和方法,并且逐步的成熟化与系统化,变成了信号处理领域内重要的组成部分。本文主要讨论线性瞬时混合情况下语音信号盲分离算法,阐述了算法原理,进行了实验仿真,以此来证明算法的有效性。     

基于改进延伸奇异值分解包的滚动轴承故障诊断

针对延伸奇异值分解包算法中依靠经验设定参数的问题,提出了一种可自适应设定参数的改进延伸奇异值分解包算法。该方法利用信号的关键函数对其频谱趋势进行估计,以此实现原算法中2个重要参数——分解精度和分解层数的自适应设定。引入了时域负熵指标,在实现信号自适应分解的同时,可对分解分量进行降噪处理,提高分量的信噪比,为之后的特征提取和故障诊断奠定基础。仿真信号和实验结果均表明该方法能有效地提取振动信号中的故障特征,实现滚动轴承的故障诊断。     

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法,将非线性引入主分量分析算法,可以完成输入信号独立分量的分离,分析认为现有的非线性主分量分析算法能实现实数信号的分离,对复数信号无效,通过对非线性函数进行修改,提出了一种非线性主分量分析复数算法,成功地实现了复数信号的盲分离,文中还借助于计算机仿真,对实数和复数法分离亚高斯和超高斯信号混合的特性进行了分析评价。     

基于独立分量分析的电力线物联网去噪

为了降低电力线物联网通信中的噪声影响,使用松弛因子对盲源信号处理中的鲁棒性独立分量分析算法进行优化,并应用于电力线物联网中。通信接收端采用多路接收信号,使用预白化矩阵降低各路信号之间的相关性之后,再利用基于松弛因子优化的鲁棒性独立分量分析算法计算出分离矩阵,对多路信号分离,并通过判决从分离出的信号中找到传输的数据信号。通过对电力线环境建模仿真,实验结果表明,将此优化的算法应用于电力线物联网中可有效去除噪声,去噪后比去噪前信号的信噪比提高了2倍,且相比于直接应用鲁棒性独立分量分析算法,使用松弛因子优化后的算法使得去噪过程中不会出现算法不收敛的情况。     

结合PCA和ICA的脑磁信号消噪研究

基于二阶统计特性的主分量分解(PCA)和基于高阶统计特性的独立成分分析(ICA)是盲源分离信号处理中两种最为典型的方法．针对多通道脑磁信号的消噪问题,提出一种基于PCA与ICA相结合的信号消噪新算法．首先通过对脑磁信号进行主分量分解来降低信号维数,去掉其中包含的冗余成分,使计算时间缩短到原来的10％;进而利用自适应最大熵独立成分分析算法对降维后的数据进行二次分解,提取出脑磁信号中含有的干扰分量,使信噪比从10dB提高到80dB,达到对信号进行消噪的目的．     

自适应复数信号独立分量分析算法

针对强不相关变化算法不适用于谱系数相同的非圆信号的问题,提出了一种自适应复数独立分量分析算法.利用非圆信号的二阶统计量都不为零的特点构造代价函数,在复数域中直接优化代价函数,推导出一种针对非圆信号的自适应算法.该算法不仅对谱系数相同的非圆信号有效,而且适用于任意包含有非圆信号的统计独立的信源信号,不需要计算特征向量和奇异向量,算法的结构简单.实验仿真结果验证了算法的有效性.     

基于独立分量分析的运动目标精确检测

运动目标检测与跟踪是计算机视觉的难点问题.针对传统方法存在抗噪声、抗抖动性能弱等问题,将独立分量分析(ICA)的算法应用到目标检测与前景图像去噪环节中,目的是提高运动目标检测的鲁棒性和精确性,为后续处理提供尽可能多的目标信息.实验表明,ICA用于目标检测具有较高的鲁棒性,同时ICA用于前景图像去噪比传统的去噪方法具有更好的效果,较好地保留了目标的特征信息.     

超声无损检测中基于支持向量机的自适应裂谱分析法

传统裂谱分析（SSP）方法对滤波器类型及其参数选择过于敏感,优化处理算法的信噪分离规则不能根据应用场合、信号和噪声的性质进行自适应调整.为了提高超声无损检测（UNDT）和无损评价（UNDE）中基础数据的信噪比（SNR）,提出了一种基于支持向量机（SVM）模式识别理论的自适应裂谱分析方法.采用以高斯函数为核函数的SVM所构成的信噪分离器,对信号和噪声进行识别和分离,从而消除噪声,得到高信噪比的超声回波信号.实验结果表明,与传统裂谱分析方法相比,该方法提高了消噪性能的稳定性,增强了湮没晶粒（或其他散射体）散射中缺陷回波信号的能力.     

在单片机中实现自适应滤波算法的分析

通过对自适应滤波算法的分析,揭示了自适应滤波算法的本质特性,实现了自适应滤波算法在单片机中数字信号处理算法,为低功耗技术在信号处理中的应用提供了一种方法。     

多小波自适应阈值降噪在故障诊断中的应用

为了提取淹没在强背景噪声下的微弱故障信息,引入多小波自适应阈值降噪方法实现滚动轴承的信号去噪,并结合包络解调提取故障特征.多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的对称性、正交性、紧支性和高阶消失矩等优良特性,可匹配信号中的不同特征信息.基于轴承外圈点蚀故障的仿真信号,分别利用GHM多小波和Db2小波对其进行降噪处理.通过信噪比的定量分析表明,相比单小波而言,多小波的降噪优势明显.针对滚动轴承的微点蚀实验信号和现场实采集的工程数据,多小波自适应阈值技术比单小波方法具有更好的降噪效果,且更易于提取出滚动轴承的早期故障信息.     

基于ICA和神经网络的手写体字符识别系统

探讨独立分量分析在字符识别系统中的应用.在分析图像处理及其特征提取的基础上,提出一种可有效提高字符识别精度、降低误识率的基于独立分量分析和神经网络的手写体字符识别系统.实验表明,提出的字符识别系统与单独基于神经网络的字符识别系统相比,其识别率和适应性优越,适合应用于对字符识别精度要求高的场合.     

小波变换在P-VEP信号提取中的消噪性能影响因素研究

在视觉电生理应用研究中,需要在强噪声背景下迅速准确地提取微弱的P-VEP信号,采用小波变换技术能有效地实现对P-VEP信号源消噪处理,但不同小波、不同的分解层次以及阈值选取规则等因素都能影响消噪效果.通过构造含EEG信号和噪声的P-VEP信号提取源,采用小波变换消噪方法,研究不同小波、不同分解层次以及阈值选取规则对P-VEP信号提取中的消噪性能影响.实验表明:采用Biorthgonal5.5小波、六层分解层次以及迭代阈值选取规则构成的小波消噪法在P-VEP信号提取中可以得到最优的消噪性能.     

改进阈值去噪法在变形分析中的应用

介绍了小波基本理论与去噪原理,研究了小波阈值去噪改进方法在变形监测信号处理问题中的应用。实例表明,小波阈值去噪改进方法在变形监测信号的去噪中不仅能有效地降噪,而且较好地保持了信号的光滑性。改进方法所得的信号比增益较传统的阈值去噪方法有明显的提高。     

基于Mumford-Shah泛函的数字信号去噪算法

针对数字信号处理中的去噪技术问题,利用Mumford-Shah泛函模型的特点进行去噪研究.对应用于图像处理中的二维Mumford-Shah泛函进行简化和降维处理,建立适合于数字信号去噪处理的一维Mumford-Shah泛函,利用能量最小化原理的变分方法导出一个新的去噪处理模型,并提出两种不同的计算算法:区域合并算法和点集扩张算法.在点集扩张算法中利用了统计学中常用的逐步分析方法,保证了处理结果的整体最优性.实验结果表明,两种算法均能有效地消除信号中的噪声,同时精确地提取出信号中的特征点.与Pollak-Willsky算法相比较,新的去噪处理模型能更好的保持信号中的原始特征信息.     

基于视觉感受野特性的自适应图像去噪算法

针对图像去噪中边缘细节信息丢失的问题,提出一种基于视觉感受野特性的图像去噪算法。该方法基于视觉神经电生理研究结果,模拟视觉初级视皮层自适应机制和感受野的响应特性来实现对图像的去噪。使用小尺度模板对噪声进行检测;根据噪声的大小采用ON/OFF感受野模板去噪处理,对图像进行亮度调整。实验结果表明,与现有的流行算法比较,该算法去噪效果较为有效,并能更好地保留图像纹理和边缘细节信息,在峰值信噪比和均方误差等客观定量评价指标上优于其他算法。