基于独立性参数的无导师图象变形校正

从描述一幅图象变形程度的独立性参数入手，将图象变形校正问题转化为优化问题，并用单纯搜寻法进行优化参数搜寻。这种方法的优点在于其无需导师和对各种变形校正的通用性。文中给出了对线性变形和双线性变形校正的结果。     

基于RBF神经网络的线性混叠盲分离算法

提出一种RBF神经网络算法应用于线性混叠信号的盲分离。所用的RBF神经网络算法是从输入信号的数据中训练出中心值和宽度值,再训练通过用最大熵值的代价函数推导的权值。所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离。仿真验证了所用的算法能减少分离时间和提高分离效率。对比ME算法,该算法更好。     

确定图象二值化阈值的线性方法

考虑图象分割处理实际应用中要求算法结构简单,性能可靠,应用普遍,以及易于实现等因素,本文以图象的简单统计为基础,提出了适用于图象分割二值化过程中自动阀值选取的一种新方法。该方法适用于各种文字图象的分割处理。     

基于特征值和奇异值分解方法的盲分离

在基于特征值和奇异值分解的盲分离算法中，采用固定时延相关统计量不能很好反映数据矩阵特征，故提出了一种基于不同时延正定相关矩阵的特征值和奇异值分解的盲分离算法．算法分观测信号的预白化和基于奇异值分解两个阶段，解决混和矩阵在输出信号数目大于等于输入信号数目的情况下，确定未知源信号的个数和分离的问题．仿真实验表明，改进算法能够准确分离出3个源信号，全系统矩阵比传统算法更接近分离要求，从性能指标来看，改进算法在信噪比10dB时，其分离的效果达到了良好．     

一种盲图像分离算法

提出了一种封闭式图像盲分离算法，用以解决当前盲图像处理问题．利用观测的混合图像二次特征函数二次导数矩阵与其对角分量和的二次导数矩阵联合近似对角化，估计未知的混合矩阵，进而用混合矩阵的逆阵与观测矩阵的乘积恢复原始图像，实现图像的盲分离．本算法无需数据存储和迭代，避免了采用高阶统计量的严重运算负担，分离效果显著，试验仿真结果验证了算法的有效性．     

基于线性聚类的稀疏成分分析及其在盲源分离中的应用

提出一种基于线性聚类的稀疏成分分析法,给出相关理论证明和实现算法.该方法充分利用稀疏源信号的线性混合信号沿混合矩阵列向量方向线性聚类的特性进行盲源分离.实验结果表明,在独立成分分析失效的情况下(源信号相关或高斯分布)仍然能够有效地分离出潜在的稀疏源.对分离出的信号及源信号进行相关系数分析,分离出的信号与源信号完全线性相关.基于线性聚类的稀疏成分分析法能准确地重构稀疏源信号.     

基于高阶谱的信号盲分离

讨论了宽带盲辨识与信号盲分离问题，证明了一个基于四阶谱的判据并发展了相应的算法，模拟实验证实了判据的正确性和算法的有效性。     

过程信号的盲分离

添加采集通道,应用文中提出的基于盲分离原理的简约ＨＪ神经网络（ＲＨＪＮＮ）,可有效地去除混杂在过程信号中噪声,是控制工程中一种新型的去噪手段。对多类控制系统与不同信号的组合仿真表明,该方法是有效的,网络性能是稳定的。     

多值图象分层为二值图象的压缩编码方法

本文提出并实现了一种新的多灰度图象压缩编码方法。该方法将多灰度图象按位分层为二值图象,进行游程长度编码。各码码长相等(均为8bit);码字覆盖的最大游程长度为1024。由于按照字节存取,编码解码很方便;遇到干扰可恢复图象,比Huffman编码有很强的抗干扰性能。提出的直接图象码解决了游程长度较短的低位分层图象的压缩问题。对于序列活动图象,帧内、帧间编码能同时进行,实现容易。该压缩编码方法无失真,也可应用于文本二值图象的编码压缩。     

基于频域盲解卷的的齿轮箱信号盲分离

将频域盲解卷算法应用于齿轮箱信号的盲分离,利用相邻信号的相关性解决次序不确定性问题.利用非高斯极大化解决幅值不确定性问题.仿真及试验结果表明,该方法可以有效对信号进行分离,具有广阔的应用前景.     

基于稀疏特性的欠定盲信号分离算法

在源信号在非充分稀疏条件下,提出了一种改进的两步法欠定盲源分离算法.与现有的大多数稀疏分量分析算法法都是假设源信号是充分稀疏不同,该算法放宽了源信号的稀疏性.与此同时,该算法能够估计出聚类空间的个数,能够克服源信号个数未知的情况.模糊划分矩阵的应用更加有利于源信号的分离.仿真结果表明了该算法的有效性.     

显著边缘直接引导的动态模糊图像盲复原方法

针对主动视觉中运动载体和云台抖动导致图像模糊的问题,提出一种显著边缘直接引导的动态模糊图像盲复原方法。为了克服经典 Canny 算子只能对边缘进行标注的缺陷,设计了图像边缘搜索-增强算法,并基于此提出了仅依据图像中显著边缘邻域完成点扩散函数优化估计的方法;为解决传统残差图像方法不能适应预测图像错位的问题,提出图像解模糊的递归残差修正算法来抑制复原图像波动;设计了图像复原的分层迭代处理流程,保证模糊图像复原的可靠性和精度。理想光照条件下的仿真表明,算法能准确恢复模糊图像的边缘,同时抑制复原图像中的波动。非理想光照条件下的仿真也验证了算法对环境有良好的适应性,具有较高的实际应用价值。     

基于小波概率密度函数估计的盲信号分离算法

利用概率密度函数的非线性小波估计方法,对混合信号的概率密度函数及其导数进行估计,由此估计信号的评价函数,从而给出了一种盲信号分离算法.该方法简单,可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.计算机仿真结果表明了算法的有效性.     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

卷积盲信号分离的非线性PCA方法

为解决卷积混合盲信号分离时域方法收敛速度慢的问题,提出了卷积情况下的非线性主分量分析(PCA)准则,并分析其与高阶统计量准则之间的等价关系,推导了一种解决卷积盲信号分离问题的非线性PCA方法。作为一种递推最小二乘(RLS)类型的算法,所提方法与现有的自然梯度算法和高阶统计量算法相比具有收敛速度快、跟踪性能好的优点,计算机仿真实验验证了算法的有效性。     

Multistage decomposition algorithm for blind source separation

A new algorithm for blind source separation is proposed, which only extracts the single independent component at each stage. The single independent component is acquired by an iterative algorithm for searching for the optimal solution of the defined cost function. Moreover, all the independent components are obtained by systematic multistage decomposition and multistage reconstruction. When there is spatially colored noise, the performance of this algorithm is advantageous over jointly approximated diagonalization of eigen-matrices (JADE). Simulated results show that if the number of source signals is more than 25, its computational complexity is lower than that of JADE.     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

基于W-H变换的盲分离算法

为提高时频分析技术在机械故障诊断中的实用性,研究W-H变换特点,提出基于W-H变换的盲分离算法.将混合信号进行W-H变换,在W-H平面分布中选择信息特征的峰值,求出不同通道信号的对应峰值比得到近似混合矩阵,通过近似混合矩阵的逆可将源信号分离出来.仿真信号结果表明,本文方法是有效的,为故障信号的分析与诊断提供了新方法.     

基于概率密度估计盲分离的通信信号盲侦察技术

为解决复杂多信号环境下的通信侦察难题,提出一种新的盲侦察技术,采用基于密度估计的盲分离算法（DEBSS）分离出原始信号,然后对分离的各个信号进行后续信号处理．DEBSS算法采用核函数估计法估计出信号的概率密度函数及其导数,以此确定信号的评价函数,然后采用自然梯度迭代算法进行迭代．仿真结果表明,采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式）,可以很好地分离出原始的发射信号,为后续信号处理（如分析识别、解调等）奠定基础．该算法可以对任意源信号进行分离,而不管它是超高斯还是亚高斯信号．     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。