大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于FFT-MCC分析的ICA(BSS)盲不确定性消除

为了消除ICA（BSS）估计的幅值、相位及排序等盲不确定性，提出一种基于快速傅里叶变换与最大相关准则分析的ICA（BSS）估计源自适应校正方法。借助对原始传感观测及估计源的频谱分析，近似获得各本底源信号在观测信号中所占的比重——初始放大权值；基于最大相关准则优化调整ICA（BSS）估计源的相位，并对初始放大权值进行微调，从而消除ICA（BSS）估计的盲不确定性，实现源波形的恢复及其混合参数的估计。仿真试验结果证明了该方法的有效性，也表明它在复杂系统源识别或重建方面具有较大的应用潜力。     

基于VbMoICA的机械故障盲源分离研究

用独立分量分析(ICA)分解和表示数据时,假设整个数据分布完全可以用一个坐标系来描述。然而,当观测数据是由许多自相似的、非高斯的流形组成时,则硬是用一个单独的、全局的表示是不合适的,这样会产生一个次优的表示。针对ICA在盲源分离中的不足,在变分贝叶斯理论的基础上提出了一种基于变分贝叶斯混合独立分量分析的机械故障源盲分离方法。该方法是考虑到源信号来自于多个坐标系,然后在多个坐标系下建立独立分量分析混合模型对观测信号进行学习分离。实验结果表明,本文提出的方法是非常有效的。     

非参数似然率独立分量分析算法的OFDM系统载波频偏盲估计

研究提出了一种利用非参数似然比(NLR)新算法获得OFDM系统频偏估计的新方法,给出基于NLR的ICA算法的OFDM系统数学模型,利用NLR算法分离各个子载波,然后利用本地载波与子载波的频差估计出OFDM的频偏(CFO),该算法获得的CFO可以包括信道的传输特性对CFO的影响.经典的ICA算法(如FAST-ICA)对源信号的统计特性具有依赖性,源信号统计特性的变化可能使算法的性能降低甚至无法得到希望的分离信号,非参数似然算法(NLR)的独立分量分析(ICA),不依赖于源信号的统计特性,而且能够对混合信号实行连续分离,因此是一个全盲的算法.仿真结果表明,将跟踪到的频偏在接收端进行补偿后,减小了子载波的串扰,降低系统解调后的误码率,提高了OFDM系统性能.     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

独立分量分析在信号处理中的应用

独立分量分析(ICA)是近期发展起来的一种统计学方法,旨在寻求对非高斯分布数据进行有效的表示,使得各个分量在统计学上独立,或者尽最大可能地独立。文章介绍了独立分量分析的发展过程,基本理论等。许多应用中,这种表示意在获取数据的基本结构,包括特征提取和信号分离,目前主要应用在盲源分离,特征提取,盲反卷积等方面。     

基于CVA-ICA的机械故障源动态盲分离方法

动态盲源分离问题是多故障源盲分离的一个热点。传统的机械故障源分离方法要求满足统计特征保持稳定,且混合系统保持不变等假设,而忽略了时序信息。针对此不足,结合规范变量分析(Canonical variate analysis,CVA)和独立分量分析(Independent component analysis,ICA),提出一种基于CVA-ICA的机械多故障源动态盲分离方法。该方法的基本思想是将源信号看成状态空间的状态变量,观测信号看成状态空间的输出变量,从而将动态混合盲源分离问题转化为状态空间盲源分离问题,利用规范变量分析作为降维工具来构造状态空间,再利用传统的ICA算法对规范的观测信号进行盲源分离。仿真研究表明,在处理动态混合的盲分离中,提出的方法明显优于静态ICA方法,取得了满意的分离效果。将该方法应用到滚动轴承内圈和滚动体的故障盲分离中,试验结果进一步验证了该方法的有效性。     

联合应用MUSIC与FastICA算法实现多个时空混叠源信号的波形重建

联合应用多信号分类与快速独立分量分析算法,分离多个时空混叠源信号,并重建其波形。利用多信号分类的方法,基于二阶统计量辨识观测信号的噪声子空间,并搜索与噪声子空间和方向矢量同时正交的多源位置参数,实现源信号波达方向的估计。利用基于固定点迭代的快速独立分量分析方法,通过最小化互信息这一高阶统计量测度来估计传感器阵列的增益模式,进而估计未知的源信号混叠矩阵。实现多个时空混叠源信号的分离与波形的重建。试验结果表明,基于多信号分类与快速独立分量分析联合的新方法,能有效辨识复值时空混叠矩阵,正确分离并重建来自不同方向的混叠源信号,从而为后续的进一步应用(如弱信号检测、故障诊断等)奠定基础。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

独立分量分析基网络应用于旋转机械故障特征抽取与分类

提出了一种新颖的、基于独立分量分析(ICA)的多层神经网络,用于旋转机械不同模式(如正常及轴承故障等)的特征抽取,随后利用多层感知器(MLP)实施最终的模式分类。借助独立分量分析方法,隐藏于多通道振动观测中的不变特征得到有效提取,从而建立起稳定的MLP分类器。试验所获得的成功分类结果表明,所建议的新的旋转机械健康状况监测方法具有较大的应用潜力。     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

FREQUENCY OVERLAPPED SIGNAL IDENTIFICATION USING BLIND SOURCE SEPARATION

The concepts, principles and usages of principal component analysis (PCA) and independent component analysis (ICA) are interpreted. Then the algorithm and methodology of ICA-based blind source separation (BSS), in which the pre-whitened based on PCA for observed signals is used, are researched. Aiming at the mixture signals, whose frequency components are overlapped by each other, a simulation of BSS to separate this type of mixture signals by using theory and approach of BSS has been done. The result shows that the BSS has some advantages what the traditional methodology of frequency analysis has not.     

一种新的复值独立分量分析的特征融合识别方法

摘要：介绍了复值独立分量分析(Complex ICA)的基本原理和算法,并提出了基于复值独立分量分析的目标识别方法。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。本文的创新点在于把复数值独立分量分析的方法应用于多传感器融合的目标识别。实验结果表明,本文提出的方法是可行的,并能获得较高的目标识别准确率。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

Principal component analysis and blind source separation of modulated sources for electro-mechanical systems diagnostic

Under the only hypothesis of independent sources, blind source separation (BSS) consists of recovering these sources from several observed mixtures of them. As it extracts the contributions of the sources independently of the propagation medium, this approach is usually used when it is too difficult to modelise the transfer from the sources to the sensors. In that way, BSS is a promising tool for non-destructive machine condition monitoring by vibration analysis. Principal component analysis (PCA) is applied as a first step in the separation procedure to filter out the noise and whiten the observations. The crucial point in PCA and BSS methods remains that the observations are generally assumed to be noise-free or corrupted with spatially white noises. However, vibration signals issued from electro-mechanical systems as rotating machine vibration may be severely corrupted with spatially correlated noises and therefore the signal subspace will not be correctly estimated with PCA.This paper extends a robust-to-noise technique earlier developed for the separation of rotating machine signals. It exploited spectral matrices of delayed observations to eliminate the noise influence. In this paper, we focus on the modulated sources and prove that the proposed PCA is available to denoise such sources as well as sinusoidal ones. Finally, performance of the algorithm is investigated with experimental vibration data issued from a complex electro-mechanical system.     

基于DWT和PCA及LDA的人耳识别

根据主成分分析(PCA)和线性判别分析(LDA)在人耳识别过程中存在识别率不高的问题,提出一种基于离散小波变换(DWT)和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT,选择包含图像大部分信息的低频子带,先利用PCA再利用LDA提取最优样本映射空间,最后利用最近邻法则进行人耳图像的分类。实验结果表明,该方法识别效果优于基于PCA及LDA的方法。     

基于独立分量分析的潜艇振源贡献量定量计算方法

振动噪声控制对于潜艇具有重要意义。常用的振动噪声分析方法仅分析了噪声的来源,而未对振动噪声源对总振动噪声的贡献量进行定量计算。介绍盲源分离基本模型,以及基于独立分量分析理论和聚类评价方法提高盲分离性能的改进固定点算法,并基于该算法和先验信息理论提出一种定量计算振源贡献量的新方法。通过仿真试验分析基于两种不同分离准则算法的分离性能以及振源贡献量计算结果。将该方法应用于某型号潜艇缩比模型振源贡献量的定量计算中,对比分析表明该方法具有很高的计算精度。研究结论可为振动噪声的主动控制提供可靠的依据。     

独立分量分析在自动机振动信号处理中的应用

自动机工作中的冲击响应多处在低信噪比和被噪声干扰的复杂振动信号中,寻求一种能在多干扰、噪声强的复杂振动信号中去除干扰信号和噪声的方法,可以提高速射武器自动机故障诊断准确率。研究了独立分量分析(independent component analysis,简称ICA)的基本理论,采用基于改进粒子群的独立分量分析算法模拟生成了仿真信号,获得了比较理想的分离效果。经实际射击数据验证了该方法的可行性,这种基于改进粒子群的独立分量分析算法在自动机结构振动信号处理方面具有较好的效果。