基于遗传算法的盲源分离算法

针对现有盲源分离算法的性能依赖于对比函数选择的现象,提出了一种基于遗传算法的盲源分离算法,该算法直接从信号的样本序列中估计出信号的概率分布,解决了信号间互信息的求解问题.通过遗传算法最小化信号的互信息,实现了对线性混叠信号的分离.对模拟信号的分离结果表明,该算法可以成功地分离混叠信号,同时与快速独立分量分析算法相比,该算法的性能对源信号的概率密度性质没有依赖,因而对亚高斯和超高斯信号的混合信号表现出更加优异的分离能力.     

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.     

基于蚁群算法和互信息进行非线性盲源信号分离

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,而求解其全局最优解非常困难的问题,这里提出一种基于蚁群算法进行非线性盲源信号分离的方法.该方法用高阶奇数多项式拟合非线性混合函数,以分离信号的互信息作为代价函数.并对非线性混合信号进行了仿真研究.由此方法得到的分离信号和源信号的相似系数都在98%以上,仿真实验结果表明该方法能够对非线性盲源信号进行很好地分离.     

基于可行性规则的混合粒子群的盲源分离

针对基于典型相关分析CCA(Canonical correlation analysis)的盲源分离问题,并且该盲源分离的过程是通过对信号的逐一抽取来完成的。为避免在盲抽取的搜索过程中产生大量的重复运算,将通过构造一个迭代算法来实现典型相关分析CCA的盲源分离。本文采用的迭代算法是基于可行性规则的混合粒子群HPSO(hybrid particle swarm optimization)算法;约束处理是基于可行性规则的约束处理技术,原理简单,处理方便,无需增加额外的参数。通过仿真实验结果表明,该算法能有效的实现典型相关分析CCA的盲源分离。同时,迭代算法相对简单,提高了典型相关分析CCA盲源分离的收敛速度。     

基于粒子群算法的盲源信号分离

当源信号个数大于2,联合对角化（JADE）算法在盲源信号分离时效果不理想.提出了一种基于粒子群算法（PSO）的盲源信号分离（BSS）算法.该算法利用PSO算法代替JADE算法中的联合对角化操作,以混合信号的峭度为目标函数,采用独立分量分析的方法,对瞬时混合的信号进行了盲分离,理论分析和仿真结果表明了该算法的可行性和有效性.     

超高斯和亚高斯混合信号的盲分离算法研究

基于超高斯与亚高斯混合信号模型,提出一种新的信号即时混合盲分离算法,改进了Bell信息传输最大化盲分离准则,选择了两个固定的非线性函数近似超高斯与亚高斯信号的概率密度函数。实验表明,与参数方法比较,减少了复杂性和计算量,可以有效对各种源信号的线性即时混合进行分离。     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

一种含噪混合信号的盲分离方法

基于信息极大化和自然梯度原理,提出了一种超高斯与亚高斯混合信号的盲分离方法。该方法联合利用高斯函数与双曲正割函数平方的乘积和两个高斯函数的组合对源信号概率密度函数进行估计,放宽了约束条件,并采用峰度信息作为参数来选择概率密度模型及相应的非线性函数,对超高斯和亚高斯混合信号有较好的分离效果。并且,用小波变换与此方法相结合对含有加性噪声的混合信号进行分离。实验仿真证明了算法的有效性。     

比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.     

基于负熵最大化的卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号盲识别的问题,提出一种基于负熵最大化的测控信号副载波识别算法.首先介绍了独立分量分析的基本理论,根据独立分量分析求解问题的思路,由互信息准则得出能够表征输出信号之间独立性的目标函数即负熵.由于源信号是盲信号,源信号的概率密度未知,采用负熵的近似表达式来计算,最大化负熵代表着输出信号之间互相独立,即实现了信号的分离.在深入分析基于负熵最大化的快速独立分量分析算法的基础上,将其用于卫星测控信号的盲识别上.MATLAB仿真结果表明,该识别算法可以较好地分离卫星测控信号,具有良好的稳定性,收敛速度较快.     

基于条件互信息下聚类的朴素贝叶斯分类算法

 采用条件互信息来度量任意2个条件属性之间的关联程度,采用互信息度量各条件属性与类属性间的关联程度,以此作为将各条件属性进行聚类的准则,提出一种新的将条件属性进行聚类的分组技术.同时,结合朴素贝叶斯分类算法,构造了改进的朴素贝叶斯分类模型.通过仿真实验表明该文提出的算法具有较好的分类性能.     

广义系统最优与自校正信息融合滤波器

对带多个传感器广义离散随机线性系统,利用典范型分解,基于线性最小方差各分量按标量加权融合算法,给出了多传感器分布式最优分量融合降阶滤波器,它要求并行计算一系列标量权重。推得了任两个传感器子系统之间的滤波误差互协方差阵的计算公式。同时当系统含有未知噪声统计信息时,基于相关函数又给出了分布式自校正分量融合降阶滤波器。与各局部估计以及状态向量按标量加权融合估计相比,分量融合滤波具有更高的精度。仿真研究验证了其有效性。     

非线性与线性典型相关分析的对比实验

线性典型相关分析揭示了两组变量间潜在的线性关系,但实际应用中,变量之间往往还潜在着非线性关系。主要研究非线性典型相关分析算法,揭示变量间潜在的非线性关系,并通过非线性与线性典型相关分析对比实验,验证其优良性能。     

一种利用互信息加权的最小二乘法丰度反演算法

提出了基于互信息加权的最小二乘算法丰度反演,选择互信息矩阵作为加权矩阵,从熵的角度反映了不同波段问的相关性．同时,在丰度反演过程中应用波段选择技术,降低了数据处理的复杂度．分析实验仿真结果,与传统的最小二乘算法和已有的加权最小二乘丰度反演算法相比,获得了更精确的丰度信息,反演效果得到提升,验证了该算法的可行性．     

基于互信息的辅助变量筛选及在火电厂NOx软测量模型中的应用

辅助变量的选取是软测量建模中重要的一步;但由于待选变量数目多、与主导变量非线性相关、信息冗余大等因素导致辅助变量的选择不够合理。在信息熵和互信息理论基础上,改进IBF和MIFS变量筛选算法,综合考虑了辅助变量和主导变量之间的最大相关性,以及辅助变量之间的最小冗余性。作为算例使用改进后的算法,筛选了某燃煤机组运行历史数据,建立了省煤器出口NOx浓度的GA-BP软测量模型。实验证明这种基于互信息的变量筛选方法可以有效提高模型的输出精度和泛化能力。     

基于多模态的贝叶斯网络疼痛识别方法

有效的疼痛管理对病人的治疗和护理至关重要,针对传统的单模态疼痛识别准确度低的问题,提出了一种基于多模态的贝叶斯网络（MMBN）疼痛识别方法。首先利用互信息对多模态特征进行相关性判断,剔除冗余的特征向量,使得模型简洁;其次将多模态特征与贝叶斯网络结构的可扩展性相结合设计了一种基于多模态的BN结构,并建立疼痛识别模型;最后利用BN概率推理算法完成疼痛识别,并在UNBC-McMaster数据库上进行验证。实验结果表明,与传统基于单模态的疼痛识别方法相比较,MMBN方法利用多模态之间的信息互补性能够有效地提高疼痛识别准确度,为目前的疼痛识别与研究提供了一种新手段。     

有样本缺失的稀疏交叉视图的多重集典型相关分析

从融合多组特征的角度出发,以多重集典型相关分析算法(MCCA)为研究基础,通过稀疏保持自适应选择样本局部信息,然后通过在同类样本之间计算权重矩阵,将样本类别信息嵌入到算法中,再利用多种视图之间的交叉相关项,克服不同视图样本必须成对出现的局限,提出一种有样本缺失的稀疏交叉视图的多重集典型相关分析算法(multiset canonical sparse cross-view correlation analysis with missing samples,CSMCCAM)。在手写体数据集和CENPARMI数据库上验证本文的算法,得到CSMCCAM算法分类精确度优于LPMCCAM等典型相关分析算法,并且对缺失样本数目不敏感。     

基于CCA的图像特征匹配算法

基于典型相关分析的思想,提出一种可以解决具有相同数目特征点的图像特征匹配算法.算法利用典型相关分析将提取的2幅图像的特征点投影到新的特征空间上,将获得的投影向量作为匹配特征构造匹配矩阵,最后根据匹配矩阵元素的大小判断特征点的匹配关系.仿真实验结果验证了该算法的有效性和稳健性.     

基于自适应邻域互信息与谱聚类的特征选择

借鉴邻域粗糙集处理连续型数据的优势,为解决传统谱聚类算法需要人工选取参数的问题,提出基于自适应邻域互信息与谱聚类的特征选择算法。首先,定义各对象在属性下的标准差集合与自适应邻域集,给出自适应邻域熵、平均邻域熵、联合熵、邻域条件熵、邻域互信息等不确定性度量,利用自适应邻域互信息对特征与标签的相关性进行排序。然后,结合共享近邻自适应谱聚类算法,将相关性强的特征聚到同一特征簇内,使不同特征簇内的特征强相异。最后,使用最小冗余最大相关技术设计特征选择算法。在10个数据集上选择特征个数与分类精度的实验结果,验证了所提算法的有效性。     

基于多特征I-Vector的说话人识别算法

针对单一声学特征无法精准高效地辨识说话人身份的问题,提出了一种基于多特征I-Vector的说话人识别算法.该算法首先采集不同的声学特征并将其构成一个高维特征向量,然后通过主成分分析法有效地剔除高维特征向量的关联,确保各种特征之间正交化,最后采用概率线性判别分析进行建模和打分,并在一定程度上降低空间维度.在TIMIT语料库上利用Kaldi进行实验,算法运行结果表明,该算法较当前流行的基于I-Vector的单一梅尔频率倒谱系数和感知线性预测系数的特征系统在等错误率上分别提高了8.18%和1.71%,在模型训练时间上分别减少了60.4%和47.5%,具有更好的识别效果和效率.