ICA在地震数据叠前噪声消减中的应用

为了消除地震勘探数据中的噪声,引入独立分量分析(ICA)方法到地震资料处理中提高资料的信噪比。文中阐述了ICA的基本原理,并根据地震记录中的有效信号和干扰信号的特点,提出了地震数据叠前噪声消减的S-ICA理论模型。经在受干扰小的地震仪器测试数据上人工叠加规则干扰噪声、随机噪声,以及攀枝花某矿区实测浅层地震数据的S-ICA分离仿真验证表明,该模型既能有效地除去干扰噪声,又能完整地保留有效信号,具有一定的实用价值。     

基于固定点算法的地震数据降噪

 结合改进的固定点算法,解决了噪声环境下的ICA问题。根据噪声分布特性,分两个阶段去除不同类型的随机噪声。在预处理阶段去除了加性高斯白噪声,预处理后的数据采用改进的固定点算法,盲分离出有效信号和非高斯随机噪声。提出了对固定点算法迭代过程中设定较精确的初始值问题的算法,该方法能较为准确地设置初始值,使算法能提取有效信号。通过仿真实验和对实际地震数据的处理,得到了满意的分离结果,较好地恢复了有效信号。此外,当实际地震数据加载了较强噪声,信噪比降低时,采用本文算法进行盲分离,同样取得了良好的效果,再次验证了本文算法具有良好的稳健性和适应性。将盲分离算法应用到实际地震数据处理方面的研究,有助于地震资料的解释,同时这种处理技术的研究也能够促进盲分离技术的发展。     

涡流检测信号的独立分量分析预处理

提出将一种求解盲源分离问题的独立分量分析(Independent Component Analysis,ICA)算法应用于自然裂纹涡流检测(Eddy Current Testing,ECT)信号的预处理中。利用一种基于负熵极大的FastICA算法,分别对实验产生的疲劳裂纹和应力腐蚀裂纹ECT信号进行了处理,实现了ECT信号中缺陷分量与探头提离信号、部分噪声信号的有效分离。为了验证算法的有效性,同时采用小波分析算法对相同ECT信号进行了去噪处理。结果表明ICA算法在ECT信号处理中具有独特优势。     

基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

为了分离装载机的噪声源,采用集合经验模态分解(EEMD)、独立分量分析(ICA)和连续小波变换(CWT)技术相结合的方法,对装载机司机位置处噪声信号进行了盲源分离和声源识别研究.针对单一通道噪声信号进行盲源分离,将其分解成一系列独立分量.在削弱了传统经验模态分解(EMD)算法处理噪声信号时产生的模态混叠现象的同时,克服了独立分量分析方法要求传感器数目必须大于等于分离出分量数目的限制;借助连续小波变换良好的时频定位特性,对ICA分离结果进行时频分析.结合时频分析结果和各噪声源信号的频谱结构,确定了各独立分量与装载机不同噪声源的对应关系.结果表明,这些独立分量分别对应着装载机的燃烧噪声、冷却风扇辐射噪声及排气噪声等噪声源.     

一种引入虚拟噪声分量的独立分量分析语音增强算法

简要介绍了有关独立分量分析(ICA)的基本理论和算法后,探讨了独立分量分析在语音增强中的应用。针对在加噪模型中进行ICA分离时,噪声消除比较困难这一问题通过理论分析,引入了虚拟高斯白噪声的概念,将其应用在ICA的语音增强算法中得到了解决。仿真试验结果表明,该方法能有效地消除语音信号中的白噪声。     

基于EMD和ISA方法的轨道车辆动态应变信号去工频干扰研究

针对轨道车辆动态应变信号实际通道数量小于源通道,无法直接应用独立分量分析(ICA)方法降噪的问题,提出一种基于经验模态分解(EMD)和独立子空间分析(ISA)的去除工频干扰的方法.首先对信号进行EMD分解得到本征模态(IMF),再对结果进行ICA分析,得到独立分量,然后对独立分量进行层次聚类将原信号分解到不同的子空间中,从而达到分离噪声的目的.实验结果表明该方法降噪效果优于传统滤波算法,处理后的信号损伤值高于带阻滤波值处理结果,使寿命评估结果偏向于安全,证实了将其应用于去除轨道车辆动态应变信号中工频干扰的可行性.     

一种引入虚拟噪声分量的独立分量分析语音增强算法

简要介绍了有关独立分量分析（ICA）的基本理论和算法后，探讨了独立分量分析在语音增强中的应用。 针对在加噪模型中进行ICA分离时，噪声消除比较困难这一问题通过理论分析，引入了虚拟高斯白噪声的概念，将 其应用在ICA的语音增强算法中得到了解决。仿真试验结果表明，该方法能有效地消除语音信号中的白噪声。     

基于小波分析的盲源分离

提出一种新盲源（BSS）分离算法是在独立分量分析（ICA）算法中引入离散小波变换技术分解出有用信号．ICA是一种线性非高斯统计方法,不仅能够使研究对象相互独立或尽可能独立,而且能突出源信号的本质结构．笔者采用的新盲源算法能够将时-频ICA相结合,实现了较好的盲源分离．     

基于FastICA的语音盲源分离方法

独立分量分析（ICA）在处理盲信号分离中被广泛使用,但其收敛速度较慢.为此文章重点介绍了一种更为有效的盲源分离方法——快速独立分量分析(FastICA).文章在介绍了FastICA的基本理论和方法之后,将其应用到语音分离中.在采集了三个实际的声音信号后,将三个原始信号进行混叠,在matlab仿真环境下用FastICA方法对混叠信号进行分离,将分离结果与原始信号波形进行比对,结果说明该算法具有良好的分离效果.     

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.     

基于FastICA的工频干扰消除算法

阐述了独立成分分析(Independent Components Analysis,ICA)的基本原理,将快速ICA(FastICA)算法应用于消除地震信号中的工频干扰,对输出信号的相关系数绝对值进行对比.结果表明:与传统的工频干扰消除技术相比,FastICA算法可以更加有效地消除微信号中的工频干扰.     

压制与自由表面相关多次波的独立分量分析方法

将独立分量分析(ICA)法与逆散射级数多次波预测法结合起来压制多次波.用逆散射级数法预测与自由表面相关的各阶多次波,并与原始地震记录组成多个观测量,通过独立分量分析方法,将与自由表面相关的多次波从原始地震记录中分离出来.理论合成数据试验表明,即使预测多次波与原始记录中的多次波能量不能很好匹配,ICA法分离多次波也能取得较好的效果,但是,原始资料的低信噪比使得ICA法分离多次波具有不确定性.     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于信息论的盲源信号分离在呼吸信号分离中的应用研究

从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题,独立分量分析是解决这一类问题的新技术.基于信息论算法中主流的Fast ICA算法能够对几组不同的信号进行分离,和其他算法相比有一定优越性,能完整地分离出肌电信号中含有的呼吸信号.     

基于L1范数重建的稳健独立成分分析

独立成分分析（independent component analysis,ICA）是一种混合信号处理与分离方法,能够从多维混合观测数据中分离出各个独立成分。目前,ICA已成功应用于特征提取、信号处理、模式识别等诸多领域。然而,由于实际问题的复杂性,可观测到的混合观测中往往含有噪声、异常点与缺失点,而标准ICA算法对这类数据往往不能有效处理。针对该问题,提出了一种基于L,范数重建的新思路。基本思路是将传统ICA模型中加入L1范数项重新建模,利用L,范数误差对噪声与缺失点的本质稳健性,提高模型应用普适性;进一步设计了针对该模型的有效求解算法。在混合人工信号分离、混合图像分离以及混合音频信号分离的实验证明中,所提算法能够显著提升瑚．有ICA方法对干会噪声、异常点与融央占耕棍的计篮稳健性.     

基于独立分量分析的盲信号分离研究

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力的分析处理工具得到广泛的关注和研究。本文首先介绍了独立分量分析的基本概念和数据模型,然后对比较流行的各种独立分量分析算法进行了剖析和总结,最后对独立分量分析的应用和发展趋势作了展望。     

独立成分分析算法及其在生物特征识别方面的应用

独立成分分析方法(ICA)是最近几年发展起来的一种新的信号分离方法。本文综述了独立分量分分析的基本原理和数学模型。然后介绍了信息最大化(Informax)法、互信息最小法和极大似然估计法。最后讨论了独立成分分析在生物特征识别方面的应用。     

胸阻抗信号中的呼吸波的去除

胸阻抗 (TEB)的测量无论是对心血管功能的研究还是对临床诊断都有很重要的意义。然而 TEB信号总是被淹没在很强的呼吸干扰信号中。传统的信号处理方法 ,如数字滤波器 ,信号平均 ,自适应处理等对去除呼吸成分都有一定的局限。对于单通道测量系统 ,论文使用了小波去噪的方法。对于多通道系统 ,使用了独立分量分析的方法 ,分析的结果显示 ,对于单通道系统 ,基于离散小波变换的方法是一种快速的、有效的、容易实现的方法。对于多通道系统 ,基于独立分量分析的方法可以不失真地将阻抗波提取出来。基于独立分量分析的方法基本上解决了去除 TEB中的呼吸干扰的问题。