基于小波变换和FASTICA算法的有噪混合图像盲分离

简要介绍了独立分量分析的基本数学模型和算法,在此基础上,探讨了独立分量分析在有噪混合图像分离中的应用,提出了一种将小波阈值法去噪与独立分量分析相结合的多通道含噪盲信号分离算法,该算法在对混合含噪图像进行独立分量分析之前,使用小波阈值去噪去除含噪混合图像中的噪声.实验结果表明,该方法能有效地降低噪声信号的影响,较好地恢复了原始图像,解决了传统的独立分量分析方法无法实现加性噪声的多通道含噪盲信号分离的缺陷.     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

基于二阶盲辨识结合小波包的脑电信号预处理

针对脑机接口(BCI)中脑电信号(EEG)含有的伪迹,提出一种基于二阶盲辨识结合小波包分解(SOBI-WPD)的去除伪迹方法.首先将多个导联EEG采用SOBI分解成若干独立分量.然后根据眼电和工频干扰直观特征,将对应的独立分量置零.进而将剩余独立分量分别用‘haar’小波基进行6层WPD分解,取每个独立分量分解后与任务相关的子带进行逆变换,形成对应的新的独立分量.最后将这些新分量投影重构,得到去伪迹的EEG.对3组实验数据,使用SOBI-WPD、独立成分分析和SOBI 3种预处理方法,单个样本处理时间分别为61,239和47ms;相同的特征提取和分类方法下,识别正确率分别为86.7%,73.0%和79.8%.SOBI-WPD能快速有效地去除伪迹信号,为BCI中EEG的预处理奠定了基础.     

基于DSP的超声测试系统

在全新设计的基于数字信号处理器的超声测试系统当中,应用了一种新型的数字信号处理构架.这一构架的关键技术是一套基于提升原理的小波包算法,它确保了系统具有优越的实时性能.本文还特别地将联合时频分析技术融合到这一算法构架当中,以用于特征提取.这一构架对于单通道、多通道超声测试系统以及相控阵超声成像系统都具有良好的实用性.     

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

基于小波变换肺部气血阻抗分离及能量分析

肺部血管搏动信号与呼吸信号对于肺部疾病或心血管疾病的鉴定有重要意义,为了提取这2种信号,根据人体生物阻抗测量特点,设计了阻抗测量平台,可实现20,kHz和200,kHz的混频激励.针对测得的气血阻抗信号,利用小波变换实现了气血阻抗信息分离,结合能量分析法,气血变化规律可表征人体不同体位和呼吸状态,为肺部疾病的精确诊断奠定基础.     

OGWE算法及其在表面肌电信号中的应用

为消除多通道表面肌电信号采集时相互间的耦合串扰,提出一种新的处理方法.在权重估计的基础上,以待分离信号采样点数及维数总的最小计算复杂度作为优化因子.将小波变换和优化后的广义权重估计(OGWE)算法结合,利用小波分析降低观测信号中噪声的影响后作为独立分量分析(ICA)输入信号.从量能值、相关系数等多方面对优化算法与Fas...     

基于独立分量法的多导诱发脑电的单次提取

脑电 ( Electroencephalographic,EEG)视觉诱发电位 ( Visual Evoked Potential,VEP)的提取在生物医学信号处理领域近年来是一项备受关注的研究问题 .本文提出的一种基于独立分量分析法 ( Independent Component Analysis,ICA)单次提取多导脑电信号 ,其与叠加平均法相比 ,可以看到令人满意的结果     

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.     

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注.作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位.     

手指按键相关脑磁图信号的功能源提取

独立分量分析(ICA)可用于分离多通道脑磁图信号(MEG)中的信号源。基于约束ICA的思想,通过在ICA模型中加入能够反映事件相关皮层神经活动特征的功能约束条件,实现了一种脑磁逆问题的解决方法,即功能源提取(FSS)方法。文中利用该方法对一例手指按键诱发MEG信号进行功能源提取,结果表明功能源位置位于对侧中央前回皮质运动区,且通过验证功能源提取所得到的分离向量与SAM法计算得到的空间滤波器系数间的相关性,验证了所提取的功能源有效。同时,功能源提取方法所提供的神经活动源的时域与频域信息,为在大量样本中探索大脑对手指运动控制的时间演化机制奠定了基础。     

Single-Trial Estimation and Analysis of PVEP Based on Independent Component Analysis

IntroductionPattern- reversal visual evoked potential(PVEP) iswidely used in clinical diagnosis and surgery,because it can reflect the result of the visualprocess consisting of light perception at theretinal,transmittance along the visual pathways,and the final cortical presentation. In practice,thePVEP is a transient signal contaminated by theongoing background electroencephalograph(EEG)and othernoiseswith poorsignalto noise ratio. Toobtain a clear PVEP complex,the ensembleaveraging met…     

基于相空间重构和独立分量分析的超声信号噪声消除

提出了一种新的基于相空间重构和独立分量分析的超声信号去噪方法.应用该方法处理了实际的试块超声检测信号,并与小波去噪的效果进行了比较.实验结果表明,该去噪方法的效果与小波去噪方法接近,其特色是通过超声信号和噪声信号的盲源分离实现噪声消除.该去噪方法与小波去噪方法相比具有使用简单容易、去噪效果好和自适应强等优点.     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.     

基于独立成分分析和小波变换处理两相流信号

为克服噪声信号给速度测量带来的影响,提供了一种基于独立成分分析(ICA)和小波变换处理两相流信号的方法。首先介绍独立成分分析(ICA)的基本原理及其实现方法,并利用此方法对两相流信号进行处理;根据傅立叶变换确定信号的频谱;然后介绍小波变换和空间滤波的基本原理,并利用小波变换确定信号的带宽;并根据带宽求出固体速度。最后给出仿真实验结果。结果表明:这种方法可以满足固体速度测量的需要。     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在通信对抗中,由于电磁环境的复杂度及信号调制方式的多样性,使得很难得到原始信号的先验信息,这给通信对抗带来极大的困难。为了解决在通信对抗中的这个难题,我们提出了一种新的盲识别技术。该技术使用独立信号分析（ICA）去盲分离原始的信号,而且随后对每个得到的信号进行分别处理。文中首先介绍了ICA的基本原理。使用差分最大负平均信息量的方法,一个为ICA的目标函数和一个快速ICA算法在文中被提出。在深入分析此快速算法的基础上,本文阐述了一种新的算法并将其应用在卫星TT&C信号的识别中。仿真结果表明：该方法可以不需要原始信号的先验信息的情况下正确的识别出原信号（例如,载波频率,信号带宽和调制方式等）,这为后续的信号分析奠定了基础,比如信号的分析和识别,解调及证明其良好的收敛性和鲁棒性等等。