一种改进的ICA算法及其在fMRI信号上的应用

摘要:给出了独立成分分析(ICA)的一个优化模型,在此基础上,提出了一种牛顿型迭代算法,为加快算法的收敛速度,对牛顿迭代进行了进一步修正,使该算法收敛速度达到三阶.本文从理论上阐明了新方法的合理性和优越性,同时将其应用于实际fMRI数据,经与其他两个ICA算法(Fast ICA算法、infomax算法)比较,该算法能够很好地分离出任务成分,同时大大减少了运算量,提高了运算速度,对处理大数据量的fMRI信号有明显的优势.     

ICA+DMN方法在抑郁症诊断中的应用

功能磁共振成像(fMRI)作为一种工具,用于预测临床信息,如疾病的诊断及预测等,然而由于fMRI数据的高维性使得对其进行数据分析成为一个重要的研究课题,独立成分分析算法(ICA)常用于任务态下的fMRI数据的处理.本文提出将独立成分分析和默认模式脑网络(DMN)结合的方法,并将其应用于静息态的fMRI数据,可以根据大脑静息态下fMRI数据诊断出是否患有抑郁症,实验结果表明,此方法对处理静息态的fMRI数据的处理有一定的效果,正确率达到73.68%,可以为抑郁症患者提供辅助诊断治疗方法.     

改进的独立分量分析算法

对独立分量分析算法的基本理论和FastICA算法进行了简要介绍.传统的FastICA算法只具有二阶的收敛速度,为了提高独立分量分析算法的收敛速度,减少迭代次数和运行时间,提出了一种改进的独立分量分析算法——五阶收敛的牛顿迭代法.对牛顿迭代算法加以修正,使改进的独立分量分析算法具有五阶的收敛速度.图像信号分离仿真实验表明,改进算法与传统的FastICA算法在分离效果相当的情况下,明显减少了传统的FastICA算法的迭代次数和运行时间,提高了收敛速度和运行效率.     

新的ICA算法实现成组fMRI信号盲分离

独立成分分析(ICA)方法已被成功地用于处理功能磁共振成像(fMRI)信号,但主要是用于处理单个被试的fMRI信号,对于多个被试的情况却很少考虑.为此利用一种扩展的ICA方法--Group ICA来处理多个被试的fMRI信号,结果表明这种方法在保证结果准确性的前提下,可以大大减少计算量,快速获得统计结果.计算中应用的是NewFP算法,统计结果表明这种算法在估计激活的时间动力学准确性上优于FastICA算法.     

fMRI信号盲分离的一种独立成分分析算法

建立了独立成分分析(independentcomponentanalysis,ICA)的一个优化模型,在此基础上,给出了一个新的梯度算法,称之为Orth-ExtBS算法.该算法结合了ExtBS算法和FastICA算法,兼顾两者的优点,形式简单,易于应用,能有效地盲分离具有超高斯和亚高斯分布源的混合信号,获得更准确的分离效果和较快的收敛速度.将新的算法与其他两个算法(FastICA和ExtBS)分别应用到大型fMRI数据中,通过比较发现,新算法在估计激活的时间动力学准确性上要优于其他两个算法.     

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.     

非线性代数方程修正牛顿迭代格式的改进

文章将经典牛顿方法预测,隐式中点牛顿迭代格式校正,得到一种新的求解非线性代数方程的改进的修正牛顿迭代格式,该方法具有较快的收敛速度,并用数值实例来验证该方法.数值实验表明,该算法比牛顿迭代和文献中的修正牛顿迭代格式收敛速度要快.     

基于FPGA的除法器算法研究

介绍了实现除法器的恢复余数法、不恢复余数法、倒数除法以及牛顿迭代方法,并针对牛顿迭代方法的缺点,介绍了一种优化算法,此优化算法可以在满足很高精度的前提下,具有很快的收敛速度。最后,基于现场可编程门阵列(FPGA)对各种算法进行了比较。     

基于稀疏贝叶斯回归的正则化核密度估计算法

为了加快核密度估计(KDE)的计算速度,简化模型复杂度,提出了一种基于稀疏贝叶斯回归的KDE稀疏构造算法SBR-KDE.该算法将经人工加噪处理后的分布函数逼近值作为输入,获得了KDE的极为稀疏表示形式.实验结果表明:与传统KDE算法相比,在保持相当计算精度(多数情况下降低了模型误差)的情况下,文中算法的时空效率大幅度提高,而且在小样本训练集条件下得到的密度估计更光滑;独立成分分析及高斯化变换的应用使文中算法在一定程度上缓解了维数灾难.     

双变换算法在多维序列数据分析中的优化研究

在流数据中,降低维度是处理多维序列数据的重要因素.提出一种双变换算法(DTA),针对在线序列数据,分别进行酉变换和双曲线旋转变换的双变换处理,得到假设函数的参数,通过牛顿算法迭代预测误差值,直到小于所预设的阈值,从而得到最优预测值.仿真结果表明,对比OGD和RON两种算法,DTA算法在保障算法稳定性的前提下,有效减少计算时间.