基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

ICA和线性神经网络在带噪语音分离中的研究

用基于独立分量分析（ICA）的盲源分离方法对强噪声背景下的混合语音信号进行分离时,如果忽略噪声的影响则会产生很差的分离效果。为克服此不足,结合噪声对消和盲源分离,提出了一种在强噪声背景环境下的混合语音分离方法,即先将带噪观测信号通过线性神经网络构成自适应噪声对消器,然后采用ICA进行分离,与增加一路噪声作为源信号的分离方法相比,该方法具有更好的分离效果。     

基于独立分量分析的电磁场信号工频干扰消除

为了解决电磁场信号测量中的工频及其谐波干扰问题,将盲源分离(BSS)应用于电磁场信号的工频干扰消除.从盲源分离和独立分量分析(ICA)的统一模型出发,分析了快速ICA算法和最大信噪比ICA算法的目标函数选择及算法推导,并分别对计算机随机产生不同波形信号和实测的电磁场信号进行分离,结果显示:无论从相似系数还是运算时间上看,最大信噪比ICA算法明显优于快速ICA算法.     

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。     

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。     

交流电机调速系统振动信号的盲源分离

介绍了盲源分离的基本概念以及基于负熵的盲源分离技术。以交流电机变频调速系统振动信号为研究对象,介绍了快速定点独立分量分析（Fast ICA）方法,并通过MATLAB软件编程,对系统的实测振动信号进行了分离。分离结果表明,该算法能够从复杂振动信号中有效地分离出大部分源信号,实现主要振动源信号的提取。     

典型相关分析去除脑电信号中眼电伪迹的研究

给出了一种基于典型相关分析（Canonical Correlation Analysis,CCA）的盲源分离技术来去除脑电信号中的眼电伪迹。通过实验验证了基于CCA的盲源分离方法去除眼电伪迹的有效性,并将该方法与广泛使用的独立分量分析（Independent Component Analysis,ICA）进行了比较。实验结果表明,基于CCA的盲源分离方法可以对眼电伪迹进行成功地分离和消除,该方法相较于ICA方法而言,算法更为简单,计算速度更快。     

独立成分分析方法在盲源信号分离中的应用

独立成分分析（ICA）在国内尚属一门新型的方法，介绍了ICA的原理及其算法，然后介绍了该算法在盲源信号分离中的具体应用，并将此方法与主成分方法（PCA）进行了比较。结果表明，ICA在盲源信号分离中将是一种很有潜力的方法。     

一种盲源分离的优先进化自适应遗传算法

盲分离技术与独立分量分析(ICA)由于不需要知道信号的先验信息而得到广泛应用.ICA是信号处理的一种新技术.其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立.将改进的遗传算法(GA)与ICA相结合,提出基于优先进化自适应GA的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能.对3段声音信号进行了仿真,仿真结果证明了算法的有效性.     

基于奇异值分解的欠定ICA算法研究

从奇异值分解出发,研究欠定独立分量分析(ICA)盲分离的新算法,给出了欠定ICA算法的代价函数,推导出分离矩阵的计算公式.在此基础上,提出了将基于奇异值分解的欠定ICA算法与普通ICA算法相结合的二次盲信号分离算法.利用此盲分离算法,能够较好地分离出部分源信号.仿真实验说明了此方法的有效性.     

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

约束独立分量分析(CICA)算法在故障诊断中的应用

盲源分离(BSS)是利用源信号间的统计独立性,在源信号和混合通道都是未知的条件下,仅由观测信号分离出各源信号的过程,也称独立分量分析(ICA)。经典的ICA仅仅用到数据的统计信息特征,即统计独立性。然而,机械故障存在其他如频率特征等已知的先验知识,将主要利用这些先验信息进行故障诊断。提出一种带参考信号约束的ICA算法(CICA)进行盲源信号的分离,选取与待提取信号频率相同的脉冲信号作为参考信号,以均方误差作为相似性测度的方法进行了实验仿真,仿真实验表明CICA算法能够很好地分离出待提取信号。     

基于独立成分分析的跳频信号盲分离

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。该文首先介绍ICA,然后引入FastICA算法的推导过程,最后通过MATLAB仿真将跳频信号进行盲分离,并与梯度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,与梯度算法比较可以明显地得到FastICA是一种更为有效的跳频信号盲分离方法。     

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。     

独立分量分析在图像去噪方面的应用

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪信号的独立分量分析(Noisy ICA),结合传统有噪图像分离方法与结合改进FastlCA算法有噪图像分离仿真研究进行对比。结果表明,该算法即使在高水平噪声图像中,也能够分理出比较清晰的图像。     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

独立成分分析算法及其在脑电图中的应用

研究脑电图成像的数据处理问题时,独立成分分析(ICA)是一种新的信号处理统计方法,被广泛用于各个领域.脑电图就是,利用独立成分分析从混合信号中还原出源信号,通过目标函数,如极大似然估计,信息最大化和互信息最小化等,对源信号的概率密度函数(PDF)进行估计.在基于互信息最小化算法的基础上,提出一种新的独立成分分析算法,算法中的核心参数是由信号本身来确定的,能使所估计的PDF更加准确,从而提高分离的性能.最后,用新的ICA算法来实现脑电图(EEG)信号的盲源分离,结果表明,算法可以快速有效的分离其源信号,且准确性优于Boscolo提出的非参量ICA模型.     

独立分量分析在有噪图像分离中的应用

独立分量分析(independent component analysis，ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上，讨论了有噪信号的独立分量分析(Noisy ICA)，利用小波阈值去噪和FastICA算法进行了有噪混合图像分离的仿真研究。结果表明，对于含有加性观测噪声的混合图像的分离，先去噪处理再进行独立分量分离的效果要优于独立分量分离后再去噪的效果。