双声道心音信号的欠定盲分离方法的研究

基于两路人体心声信号的专用检测平台,提出了一种针对双声道心音信号的欠定盲分离方法。首先对数据点进行频域聚类计算,利用观测信号中稀疏信号所表现出的特征对源信号个数进行分析,以实现对混叠矩阵的估计;然后根据观测信号的散列图分离出其中一路或多路源信号,从而使观测信号变为适定或者超定;最后用现有的适定或者超定盲分离方法分离剩余源信号。分别对一组人工混合信号和实际检测的双声道心声信号进行欠定盲分离实验,验证了本方法的有效性和可行性。     

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.     

基于ICA-R的复值信号抽取方法

参考独立分量分析( independent component analysis with reference, ICA-R )通过引入参考信号而实现期望实值源信号的抽取,具有消除传统ICA输出顺序不确定性和显著降低运算量等优点.为此将ICA-R的优势拓展到期望复值源信号抽取.首先,将N维复值ICA问题转化为由其实部和虚部组成的2N维实值ICA问题;然后,利用期望源信号的实部参考信号或虚部参考信号进行ICA-R;最后,根据转换混合矩阵的结构特点,消除ICA-R抽取信号实部与虚部间的幅值不确定性,进而得到无附加相移的期望复值信号.计算机仿真和性能分析结果表明了所提方法的有效性.     

未知信源个数的自适应盲信号分离算法

结合基于贝叶斯信息准则的模型选择理论和独立分量分析技术对信源数未知时超定盲分离模型的源信号数量进行概率估计。给出了信源数量的统计分布,在此基础上实现了未知源个数的ICA分解。根据输出分量间的冗余分量进行有效数据提取,大大简化了算法的计算量和复杂度。仿真结果验证了该算法的收敛稳定性与分离的有效性。     

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.     

一种具有自动聚类检测功能的欠定型盲信号混叠矩阵估计算法

针对源信号个数未知情况下的欠定稀疏分量分析模型,提出一种具有自动聚类检测功能的混叠矩阵估计算法。提出实现源信号个数的判定的观测信号自动检测聚类方法,同时利用主成分分析对超直线进行估计,从而实现混叠矩阵的精确估计。仿真实验结果表明,该算法适用范围广,是一种快速精确且稳健的混叠矩阵估计算法。     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

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.     

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．     

独立分量分析及其在ERP提取中的应用

利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,针对脑电信号及其事件相关电位(ERP)的特点,提出一种基于ICA的ERP快速提取算法,并应用于仿真数据分离和实际脑电信号ERP提取.实验结果表明,该算法具有较强的稳健性和实用性.     

基于独立分量分析的缺陷信号除噪

独立分量分析ICA是一项新兴的阵列信号处理方法,在简要介绍ICA概念和定点算法的基础上,将ICA的定点算法应用到缺陷信号除噪中。仿真试验结果表明,ICA的定点算法除噪效果优于传统的数字滤波器,它在缺陷信号除噪中具有较大的应用潜能。     

一种基于ICA方法的网格化无线电监测方案

为了解决网格化无线电监测的布局和信号处理问题, 提出一种基于独立成分分析(ICA)方法的监测方案, 利用ICA方法对监测信号进行处理, 达到源信号分离及异常信号源检测的目的。搭建仿真平台对该方案的可行性和有效性进行仿真验证, 并对影响监测效果的因素进行分析, 结果表明, 该方案对源信号分离和异常信号源的检测具有较好的效果。     

胸阻抗信号中的呼吸波的去除

胸阻抗 (TEB)的测量无论是对心血管功能的研究还是对临床诊断都有很重要的意义。然而 TEB信号总是被淹没在很强的呼吸干扰信号中。传统的信号处理方法 ,如数字滤波器 ,信号平均 ,自适应处理等对去除呼吸成分都有一定的局限。对于单通道测量系统 ,论文使用了小波去噪的方法。对于多通道系统 ,使用了独立分量分析的方法 ,分析的结果显示 ,对于单通道系统 ,基于离散小波变换的方法是一种快速的、有效的、容易实现的方法。对于多通道系统 ,基于独立分量分析的方法可以不失真地将阻抗波提取出来。基于独立分量分析的方法基本上解决了去除 TEB中的呼吸干扰的问题。     

级联双稳随机共振降噪下的有噪ICA研究

研究了强噪声混合条件下的独立分量分析（ICA）问题．提出了一种将级联双稳随机共振（SR）用于有噪ICA盲源分离的方法．该方法利用级联双稳SR对时域波形降噪的优良特性，先对有噪ICA信号进行SR输出，再进行ICA盲源分离．实验结果表明，利用上述方法可以有效提高有噪ICA的分离效果．     

新的ICA算法实现成组fMRI信号盲分离

独立成分分析(ICA)方法已被成功地用于处理功能磁共振成像(fMRI)信号,但主要是用于处理单个被试的fMRI信号,对于多个被试的情况却很少考虑.为此利用一种扩展的ICA方法--Group ICA来处理多个被试的fMRI信号,结果表明这种方法在保证结果准确性的前提下,可以大大减少计算量,快速获得统计结果.计算中应用的是NewFP算法,统计结果表明这种算法在估计激活的时间动力学准确性上优于FastICA算法.     

一种新的盲声源信号分离方法及其应用

从盲声源信号的独立性出发,提出了一种新的盲声源混合信号分离方法.该方法基于信号联合概率的分布统计,利用信号联合概率的方向导数熵最小获得最佳的旋转角度,最终实现盲信号分离.与快速独立分量分析方法及神经网络方法相比,该方法不需要迭代计算.采用新的盲声源信号分离方法对轴承试验台的混合声音信号进行识别,将电机和滚动轴承的声音分离出来,进而可以准确识别机械的故障.     

基于独立成分分析的超低频电磁探测信号滤波

将独立成分分析方法引入到超低频电磁探测曲线的滤波中。首先运用模拟数据来探讨运用独立成分分析方法进行滤波的可行性,然后运用实际的观测数据对基于独立成分分析的滤波方法进行了评价和比较。结果表明,运用独立成分分析方法进行探测曲线的噪声滤除是可行的,而且该方法可有效地滤除噪声、突出曲线的特征,有利于曲线的地质解译。同时,对相关问题进行了讨论。     

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.