基于独立分量分析的字符识别方法

该文介绍了独立分量分析(ICA)的基本原理，给出了应用于字符识别的ICA算法，得到一组独立基的投影系数．在此基础上，组合欧氏距离和马氏距离实现字符分类．该方法已在汽车牌照字符识别中得到应用．     

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。     

基于最大熵独立分量分析的诱发电位特征提取

目的 针对视觉诱发电位(VEP)特征提取问题,提出一种改进的基于信息极大的最大熵ICA算法.方法 通过该算法对多导诱发脑电信号进行独立分量分解,去掉其中包含的噪声干扰成分.并选出与视觉诱发响应相关的主要分量,完成信号的特征提取.结果 将选出的分量投影回头皮电极处,使得VEP中的P3峰更加突出.结论 所提出的方法实现了信号的特征增强,提高了P3成分定位的准确性.     

基于分形维和独立分量分析的声发射特征提取

针对噪声对声发射信号分形维的影响,提出了一种基于分形维和独立分量分析(ICA)的结构材料声发射信号特征提取方法.文中首先给出了分形维的概念,并从理论上分析了噪声对声发射信号分形维的影响.接着引入ICA进行信号预处理,以提取源独立的去噪信号进行分形维计算.最后进行了多组铅心模拟声发射实验.实验结果表明,不同的声发射源和传播介质下声发射信号的分形维表现出明显不同的特征,且与去噪前的分形维相比,能够更好地对应声发射事件数.分形维具有受研究者主观影响小、易于标准化的优点,可以作为一种新的结构材料声发射的特征识别方法.     

基于噪声独立分量分析的多用户检测

针对独立分量分析算法忽略噪声这一缺点,引入基于噪声模型的噪声独立分量分析,得到基于噪声独立分量分析的多用户检测方法.并与基于无噪模型的算法进行仿真比较,结果表明本文引入的方法性能更优,稳健性更好,对实际信道的适应性更强.     

基于估计概率密度函数的独立分量分析方法

利用混合高斯模型,给出了估计概率密度函数算法,并利用高斯混合模型法获得了对分离矩阵的梯度学习算法,给出了一种迭代概率密度估计的独立分量分析学习算法．这种块处理方法可实现超、亚高斯混合信源的情况．最后在仿真实验过程中验证了该算法具有较高的稳定度和精确度。     

独立分量分析的自然方法

基于半参数密度估计给出了构造独立分量分析目标函数的一种方法.其主要特点是只需要源信号密度存在以及包含了超饱和问题的解决.最后给出了一个数字模拟.     

基于独立分量分析的普适人脸识别系统

在模式识别领域,变量间的高阶统计关系开始受到更多关注.但目前许多人脸识别系统一方面依赖二阶统计关系,另一方面又需先采用主分量分析技术对样本进行降维.主分量分析技术自身却对二阶统计关系敏感,因此需要寻找一种对高阶统计关系敏感的算法作后续处理.为此作者提出了一种基于独立分量分析的普适人脸识别系统,并与传统的基于Fisher线性判别规则的人脸识别系统进行了比较分析,重点讨论在光照方向大幅度变化和人脸图像不完整情况下两种系统性能的优劣.理论分析和实验结果均证实,在这两种情况下,基于独立分量分析的普适人脸识别系统的性能优于传统的基于Fisher线性判别规则的人脸识别系统的性能.     

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain computerinterface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrainedindependentcomponentanalysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independentcomponentanalysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCICompetitionIIdatasetIIb和BCICompetitionIIIdatasetII两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达671%,15次达952%,在相同实验条件下,分类时间也较其他方法缩短.     

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.     

应用独立分量分析提取机器的状态特征

以大型轧钢机和滚动轴承试验台为研究对象，应用独立分量分析方法分离机器的声音信号，并提取其状态特征，同时指出，对信号进行自相关预处理，可以突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立，因此，采用基于峭度的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分及对应的发声零部件，研究结果表明，根据信号结构选择预处理的方法十分重要，正确的预处理可以使独立分量分析有效地提取机械信号中的特征。     

基于独立分量分析的遥感影像分类方法

多光谱遥感影像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析利用了信号的高阶统计信息,对于多光谱遥感影像而言,其去除了波段影像之间的相关性,获得的波段影像是相互独立的。最后通过TM遥感影像数据的分类试验,验证了基于独立分量分析的线性光谱混合分析模型应用于多光谱遥感影像非监督分类的有效性。     

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.     

基于独立成分分析的人脸图像特征提取与识别

特征提取是人脸识别的关键环节之一。文章首先简述了独立成分分析（ Independent Component Analysis,ICA）的基本模型和原理,介绍了快速独立成分分析FastICA方法特征提取的一般过程。然后给出了FastICA算法中分离矩阵的并行计算算法。最后,利用ORL人脸图像数据库在Matlab环境下进行了仿真实验。实验结果表明,FastICA方法是一种有效的特征提取方法,并讨论了影响分类识别的几个因素。     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。     

一种基于相似度判据的K近邻分类器的车牌字符识别方法

针对K近邻方法分类准确率较高的特性,提出了一种基于相似度判据的K近邻分类器车牌字符识别方法.通过大量实验,选取字符的网格特征和轮廓特征作为分类依据,用特征融合方法将两种特征合并,实现特征的串行融合.根据相似度判据作K近邻分类,实现了一个车牌字符识别系统.实验表明,这种方法具有良好的识别效果,鲁棒性强,具有较大的实用价值.