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.     

基于紧支撑和正交非分离小波的图像去噪算法

提出了一种基于紧支撑、正交的非分离高维小波去噪方法.首先,根据非分离小波理论,构造了一个非分离、具有二阶消失矩的小波滤波器组,然后结合非分离小波变换与单小波去噪方法中的VisualShrink方法进行图像的去噪,并与多小波、单小波的去噪效果进行比较.实验结果表明,该方法不但峰值性噪比的增幅值要明显高于CDF53单小波方法、GHM多小波、D4单小波的HeurShrink方法,而且具有更好的视觉质量.     

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．     

盲源分离算法及其在空时编码系统中的应用研究

盲源分离又称为独立分量分析,其过程是指在发射源信号和传输信道参数均未知的前提下,仅仅依靠观测信号来恢复源信号的每个独立成分。本文分析了现有几种盲分离算法结构,进行了算法仿真比较。对空时编码系统中的盲分离算法的应用进行了设计和仿真。通过仿真分析可知,在空时编码系统中使用盲分离算法可以有效减少噪声影响,对系统的稳定性有很大的提升。     

小波消噪和盲源分离在转子故障信号分析中的应用方法

针对转子振动信号不可避免地受噪声污染问题,提出了一种基于小波消噪和盲源分离相结合的信号分析方法.该方法首先利用小波滤波器对测试信号进行消噪处理,再利用信号的二阶统计量(SOS)来分离盲源信号.仿真和实验结果表明, 相对于直接对测试信号进行盲源分离的方法,本方法可更有效地提取出转子振动的本质信号特征.     

基于小波变换和亮度矩的车牌图像分割算法

车辆牌照图像的分割是车牌识别的前提和基础，针对牌照与车身背景的分割问题，该文提出了基于小波变换和这度矩方法的车辆牌照阈值分割算法，首先，对车牌图像进行小波去噪，然后利用亮度矩对去噪后的车牌图像进行阈值分割，实验结果表明：此方法能够从含有较强噪声的车辆图像中获得车牌图像，且具有相对于图像的平移、尺度变化和旋转的低敏感性。     

一种基于ICA的盲源分离定点迭代算法

介绍了一种基于ICA的定点速代算法，并给出算法的模型、步骤和仿真结果。该算法以峰度作为独立性判决准则，在迭代过程中，使用定点算法，快速有效地分离出任意分布的非高斯独立源信号。实验表明，与传统的基于随机梯度的ICA算法相比，谊算法具有收敛速度快，无需动态参数的优点，是一种高效可靠的盲信号分离算法。     

一种基于小波变换的盲水印检测算法

提出一种在图像经小波变换后的小波系数上处理数字水印的方法，该水印的检测算法是用神经网络方法来实现，实验表明了水印具有较强的鲁棒性。     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

一种基于离散小波变换的盲水印算法

使用二值图像为水印，给出了一种检测时无需原始图像的盲水印算法。实验证明，该算法满足不可感知性，并对噪声、滤波等图像处理有一定的健壮性。     

基于核独立成分分析的盲多用户检测算法

针对部分多用户检测算法需要对信道参数进行估计的缺点，提出了一种基于核独立成分分析的盲多用户检测算法．该算法根据源信号的不同分布情况，在重建核希尔伯特空间内选取不同的非线性函数作为对比函数，将信号从低维空间映射到高维空间．在高维空间，接收端利用已知信息，将目标用户扩频码作为解混矩阵的初始值，利用自适应方法进行迭代，有效地解决了盲信号分离的无序性，实现了目标用户信号的提取．仿真实验表明，该算法的误码率性能在用户数量增大和远近效应严重的情况下都远优于基于匹配滤波器的单用户检测器，与传统独立成分分析方法相比更具灵活性和鲁棒性．     

基于独立分量分析的盲信号分离研究

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力的分析处理工具得到广泛的关注和研究。本文首先介绍了独立分量分析的基本概念和数据模型,然后对比较流行的各种独立分量分析算法进行了剖析和总结,最后对独立分量分析的应用和发展趋势作了展望。     

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.     

核独立分量分析在盲源信号分离中的应用研究

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核空间ICA的原理和基本算法,然后利用核独立分量分析算法和固定点快速分离算法分离了混合语音信号.试验结果表明:利用基于核独立分量分析的方法可以得到较为理想的分离效果.     

一种基于独立分量分析的变速跳频信号盲分离方法

针对当前跳频信号盲分离算法计算量大,精确度不高的问题,结合变速跳频信号采用不断加快的跳速和“跳速多变”的策略,提出了一种利用信源间的独立性解决变速跳频信号盲分离问题的方法。同时,采用负熵最大化寻优算法加快了传统独立分量分离算法运算速度。通过仿真实验与处理实际数据结果表明：与其他方法相比,该方法在不需要任何先验信息的条件下,可以在低信噪比的情况下较好地分离出各个变速跳频信号,同时能够精确恢复出变速跳频信号的跳频图案,在20 dB信噪比的情况下,分离后相似系数可以达到99%。该研究为变速跳频信号盲分离问题提供一个新的解决途径。     

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.     

自适应最优保存遗传算法在盲信号分离中的应用

独立分量分析方法(ICA)是信号处理的一种新技术。其基本目标是寻找线性变换矩阵，将观测的多维混合信号进行变换，变换后的输出信号各分量之间尽可能统计独立。将遗传算法与ICA相结合，提出基于GA的盲分离算法，并分析了它们的收敛性和稳态性能。其有效性为仿真结果所证实。     

盲源识别中偏态分量的分析方法

针对实际混合信号中许多分量具有偏态分布的特点，提出了一种用于该类混合信号的新的独立分量分析算法，该方法基于旋转原理，通过优化算法搜索最佳旋转角度，具有不需要循环迭代，计算量小的特点，通过盲源分离，由正弦与冲击信号混合的振动信号，证明该方法完全实用。同时，进行了实际混合声音信号的分离，并取得了好的效果。     

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ICA的盲信号分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)[1]为核心的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离。实验是有效的且鲁棒效果良好。