基于独立分量分析的降噪技术

介绍了新兴的独立分量分析技术的基本概念和原理,以及具有代表性的算法,即FastICA算法、EASI算法、非线性PCA算法和基于自然梯度的最大似然估计算法。通过降噪仿真实验,并采用均方误差作为降噪的性能指数,对这些算法与传统的自适应信号处理算法进行比较。所得实验结果表明,独立分量分析算法在降噪上的效果优于自适应信号处理算法。因此在降噪上具有较大的应用价值。     

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.     

结合初级视皮层特性的感兴趣区域数字水印算法

提出一种新的结合初级视皮层特性的感兴趣区域图像数字水印算法,尽可能最大限度地保护图像的主题内容.Berkeley变换是一种符合视皮层V1区特性的完全正交小波变换,视觉特性好,计算速度快,水印提取过程采用独立分量分析,真正实现了盲水印提取.实验表明,算法自动搜寻主题内容,透明性较好,对常见的攻击具有很好的鲁棒性,更重要的...     

一种彩色图像自适应数字水印算法

提出一种彩色图像自适应数字水印算法,该算法根据红绿蓝三色分量的比例调整要嵌入到三分量中的水印强度。实验表明,该算法在水印嵌入总量不变时,可减弱嵌入水印后对原始信号的破坏,减少视觉影响。     

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。     

基于QPSO和ICA的图像盲分离方法研究

针对ICA技术中常用的普通梯度算法容易陷入局部最优,提出了一种基于量子行为的粒子群算法和独立分量分析相结合的盲源分离新算法.以负熵作为独立分量分析的目标函数,用QPSO算法代替普通梯度算法,对瞬时混合信号进行分离,给出了算法的具体步骤.实验结果表明,该算法能够有效实现图像的盲源分离.同时与其他算法对比,体现了该算法更高的性能.     

改进的快速独立分量分析算法

介绍了独立分量分析的基本理论和算法,在快速分离算法基础上提出了一种基于改进的牛顿迭代法的独立分量分析算法。仿真结果表明,改进的算法在分离效果相当的情况下,减少了迭代次数,提高了收敛速度,用于实时处理和解决高维问题有显著的优越性。     

基于快速独立分量分析的音频盲数字水印算法

针对盲水印技术中存在稳健性差、提取过程复杂等问题,提出了基于快速独立分量分析（FastICA）的音频数字水印算法。嵌入水印前,对水印进行置乱加密预处理。嵌人时,对原始音频进行DCT变换,在变换后的信号中利用随机混合的方法嵌入置乱加密的水印信号,然后利用DCT逆变换重构音频信号。提取时,首先对嵌入水印的音频信号进行DCT变换,然后采用基于正交对称矩阵的FastICA方法进行水印提取。实验表明,该算法在稳健性和透明性方面均有很好的效果,产生的水印可以作为版权保护的依据。     

具有独立分量的经验模态分解算法研究

在经验模态分解算法中用极值包络平均近似局部平均,不能保证分解分量之间的正交性,固有模态分量存在冗余.这种情况对信号成份分析尤为不利,冗余部分的物理意义无法解释,或可能作出错误的解释.将独立分量分析方法引入经验模态分解算法中,利用其良好的分解独立特性,使模态分量不仅正交而且相互独立,消除了冗余.仿真试验表明,改进算法的模态分量彼此独立,特别对于混有突变信号的周期信号,在得到周期分量的同时,也得到突变分量,说明了改进算法比原算法优越,且具有较好的工程应用前景.     

基于极值域均值模式分解和独立分量分析的语音增强方法

提出一种基于极值域均值模式分解与独立分量分析相结合的低信噪比语音增强算法,解决更多噪声环境下低信噪比语音信号增强问题.该算法的核心思想是:利用独立分量分析的特点,分离出选取的固有模态分量的固有特性,消除信息混淆.通过最大相似度,筛选出需要处理的固有模态分量,对其进行独立分量分析,使噪声特性能够进一步集中,提高最大相似度,这样更有利于噪声的滤除.由于独立分量分析存在幅值、位置的不确定性,所以对滤波后的独立分量要进行二度重构,即独立分量分析重构和极值域均值模式分解重构,得到增强后结果.