基于独立成分分析技术的语音除噪系统

提出了一种基于独立成分分析技术的语音除噪方法.语音信号与其所夹杂的噪声之间,通常都是相互独立的,采集的观测信号是语音信号与噪声之间的混合信号,通过分析混合语音信号特征,建立了基于独立成分分析技术的语音信号模型.以最大化信号独立性特征为依据,分离语音信号与噪声信号.最后利用多选一信号选择器,实现去噪后语音信号的提取,从而...     

线性混迭信号中独立源的盲提取

基于源信号统计独立的假设,提出一种基于四阶累积量的分离判据,由此得出一种可以顺序逐个盲提取独立源信号的ICA算法,算法中利用去冗余技术剔除先前已经提取的信号.计算机仿真结果表明算法的性能良好.     

利用MLT和SRS的混合图像融合与去噪算法

针对图像融合中的去噪声问题,提出一种基于多尺度变换(MLT)和信号稀疏表示(SRS)的混合图像融合与去噪算法,构建混合模型进行剪切变换,阈值化处理MLT分解后的各个系数值,运用滑动窗口技术和平移不变性形成稀疏表示进行图像融合,运用SRS算法去除源图像中的噪声.实验结果表明该算法减少了融合图像的对比度和光谱信息失真情况,显示出高质量的视觉融合效果,在不同噪声水平下能保持较高的PSNR值.     

动态分段的飞机舱音记录器混合信号在线盲分离性能分析

针对飞机驾驶舱话音记录器(CVR)中存在轻微时变特性和信号有大量近零值的情况,提出一种基于信号样本动态分段的在线盲分离算法.应用独立分量分析的在线算法对CVR混合信号进行动态分段处理,再通过快速的FastICA算法进行精确化求解.为了使估计器获得最佳性能,适当调整分离矩阵各行权值.仿真结果表明,该算法可有效地将CVR混合信号中独立的声音信号分离出来,分离效果优良.     

改进粒子群算法在水下盲语音分离中的应用研究

针对粒子群优化(particle swarm optimization,PSO)算法收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进PSO算法优化的独立分量分析(independent component analysis,ICA)算法,用于水下语音和噪声混叠信号的盲分离.采用规范四阶累积量的绝对值作为ICA中的目标函数,通过改变惯性因子ω和压缩因子k来增强粒子的自适应寻优能力.对比实验结果表明,该算法在收敛速度、算法稳定性和分离效果方面的性能更优.     

基于Matlab的数字图像典型去噪算法

针对数字图像处理中的典型去噪算法,利用Matlab进行分析处理,并从主观和客观2个角度对数字图像的去噪效果进行分析.在分析过程中可以看出,针对不同类型的噪声需要相应的滤波去噪算法才能取得较好的效果.     

独立分量分析在高光谱遥感图像处理中的应用综述

独立分量分析是二十世纪九十年代兴起的一种高效信号处理方法.它在不知道源信号和混合矩阵的情况下,仅利用混合信号就能实现源信号分离,因此在信号处理等领域得到了广泛应用.阐述了独立分量分析理论在高光谱遥感图像中的应用,对研究中现存的难点问题进行了探讨,并对其研究前景进行了展望.     

星载雷达弱目标小波去噪方法研究

针对星载雷达弱目标检测能力的不足,提出运用小波分解阈值处理的去噪方法改善检测前信噪比.结合频率步进信号高分辨成像的特点,设计了时域去噪和距离域去噪两种方法.仿真结果表明,两种方法均能有效地抑制噪声,提高检测前信噪比.通过分析比较,距离域去噪方法更为有效.     

基于FastICA的电流传感器相位差测量方法

电流传感器的相位差易受环境的影响,为提高电力绝缘在线监测系统的可靠性和准确度,文中提出了一种在线监测电流传感器相位差的测量方法. 该方法引入独立分量分析（independent component analysis,ICA）对电流传感器的输出信号进行分离. 给出一种补偿观测信号与源分量数目的方法,建立ICA 的数学模型. 针对FastICA 算法每次分离结果误差不同的局限性,用一个关于混合矩阵的评价函数选取多次分离结果中相位测量误差较小的结果. 实验结果显示：对于信噪比为10.9 dB 的信号,评价函数能使相位测量误差小于0.06± 的样本接受率从51.4% 提高到81%.     

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet 域各向异性扩散和稀疏表示的图像去噪方法. 首先对含噪图像进行非下采样shearlet 变换(nonsubsampled shearlet transform, NSST),将图像分解为低频分量和多个高频分量. 低频分量中包含图像信号的主要能量以及少量的噪
声,而高频分量中含有大部分噪声和图像边缘信息. 然后,利用K-奇异值分解(K-singular value decomposition,K-SVD) 算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD) 算法进行去噪. 最后,对处理过的低频分量和高频分量进行非下采样shearlet 反变换(inverse nonsubsampled shearlet transform, INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节. 实验结果表明,与小波扩散去噪法、shearlet 硬阈值去噪法、K-SVD 稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.