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．     

视觉感受区电位信号(LFP)的脑电波分离

为研究人(动物)的行为与脑电波之间的关系,提出了一种新的小鼠视觉感受区电位信号(LFP)与呼吸相关联的脑电波分离模型。采用盲信号分离(BSS)、独立分量分析法(ICA)对局部场电位建立线性瞬时混合信号系统数学模型;利用小波包进行LFP的分解并重构信号,对睡眠状态下小鼠视觉感受区局部场电位信号进行了15层分解和重构。实验证明,小波包分解高频分量系数cd13的解析重构信号与δ波频率吻合,小鼠睡眠状态下分离出的与呼吸相关联的脑电波信号为δ波。     

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析（ICA）的基本理论和算法;探讨了独立分量分析在混合声音信号分离中的应用。针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程,ICA混合模型系数存在时变性等问题,提出了一种结合小波变换和独立分量分析的解决方法;试验结果表明,该方法能有效地提高运算效率并获得较好的分离效果。     

小鼠视觉感受区电位信号 (LFP)的脑电波分离

为研究人（动物）的行为与脑电波之间的关系,提出了一种新的小鼠视觉感受区电位信号(LFP)与呼吸相关联的脑电波分离模型,采用盲信号分离（BSS）、独立分量分析法（ICA）对局部场电位建立线性瞬时混合信号系统数学模型,利用小波包进行LFP的分解并重构信号,对睡眠状态下小鼠视觉感受区局部场电位信号进行了15层分解和重构。实验证明,小波包分解高频分量系数cd13的解析重构信号与δ波频率吻合,小鼠睡眠状态下分离出的与呼吸相关联的脑电波信号为δ波。     

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QR分解和提升小波变换的鲁棒音频水印方法

利用QR分解的稳定性以及提升小波计算速度快的优良特性,给出一种基于QR分解和提升小波变换的盲鲁棒数字音频水印方法.为了保护原始二值水印图像的安全,利用混沌序列对其进行扩频,生成了待嵌入的水印信号.将原始宿主音频信号升维后进行QR分解,根据R分量是上三角矩阵且第一行为非零元素的特点,选定R分量的第一行,对其进行提升小波变换,得到了待嵌入的小波系数,利用线性瞬时混合模型将其与待嵌入的水印信号进行混合,得到隐秘音频信号.水印提取时,利用独立分量分析算法从待检测的隐秘音频信号中提取嵌入水印信号,获得嵌入水印信号的估计,经过后处理即可获得水印图像.实验结果表明,该方法可以实现水印的盲提取,并且具有良好的透明性和鲁棒性.     

盲信号分离输出与源信号的一致性判断

针对盲信号分离需要判断分离结果与源信号是否一致的问题,基于统计独立变量函数仍然保持“统计独立”的性质,提出了独立分量分析(ICA)的输出分量与源信号的一致性判断方法.该方法通过计算混合信号及其差分值混合矩阵的相关矩阵,根据ICA各分量对应的最大相关系数来判断ICA各分量与源信号的一致性.模拟计算和实验结果表明:若差分前后混合矩阵的最大相关系数趋近于1,则ICA输出分量与对应的源信号一致;为保证分离的准确,差分前后混合矩阵的最大相关系数不应小于0.8.     

跳频通信的半盲提取抗干扰方法

针对跳频通信系统抗干扰问题,利用跳频信号和干扰信号的统计独立性,提出一种跳频信号的半盲提取抗干扰方法。该方法采用参考独立分量分析算法(independent component analysis with reference,ICA-R),利用协作通信双方已知的跳频图案的先验信息,约束算法收敛方向,提取出跳频信号。仿真结果表明,所提方法能够有效提取出跳频信号,提高通信系统的抗干扰能力。该算法合并了信号分离和提取过程,避免FastICA抗干扰方法所需的信号识别和提取的后续处理,降低了系统的复杂度。     

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.     

基于消噪-分离-消噪策略的有噪混合图像盲分离方法

独立分量分析虽能有效地对无噪信号实现分离,但是直接应用于有噪信号时效果较差。针对这个问题,给出了一个消噪-分离-消噪策略,并将之用于有噪混合图像盲分离且给出了具体的分离方案。首先利用小波变换对有噪图像进行消噪,然后再使用独立分量分析对消噪后的图像进行分离,接着再一次利用小波变换对分离后的图像再次消噪,从而获得较为清晰的图像。仿真实验表明,该方法能有效提高有噪混合图像分离结果的峰值信噪比和相关系数,效果良好。     

一种单路混沌信号盲源分离方法

提出一种基于经验模态分解(EMD)对单路混沌信号进行盲源分离的方法.首先讨论了混沌信号的特征,利用EMD对信号进行分层并且得到独立子波函数,然后把独立子波函数加入到单路混合信号中,从而实现混沌信号的盲分离;最后通过混沌信号的分离实验,证明了本方法的有效性和可靠性.     

微弱裂纹信号的ICA盲源分离提取

针对机械设备关键基础部件早期故障信号提取困难这一问题,提出了一种基于独立分量分析(ICA)的盲源分离去噪方法。采用Fixed-point ICA算法和基于负熵的判据,对不同信噪比下金属裂纹信号进行提取。研究结果表明,此方法受噪声强度及信号频段的影响比较小,可有效提取出所需信号;且获得的信号波形失真很小,是一种较好的微弱信号提取方法。     

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。