改进的高阶收敛FastICA算法

高阶收敛的FastICA具有形式简单、收敛速度快的特点,但其对初始值的选择比较敏感,若初始值选择不当很容易影响收敛的效果,甚至造成不收敛的结果.针对这一问题,采用最速下降法对三阶和五阶收敛的FastICA算法进行改进.首先,应用最速下降法求出初值,再用高阶收敛的FastICA算法求出最优解.语音信号的分离实验表明:改进后的算法对混合信号进行了较好的分离,并且有效地克服了初值敏感性的问题.     

引入松弛因子的高阶收敛FastICA算法

高阶收敛的FastICA算法对初始值的选择较为敏感,如果初始值选择不当不仅会影响算法的收敛效果,甚至可能导致不收敛的结果.针对这一问题,将松弛因子引入高阶收敛的牛顿迭代法中,通过适当的修正,获得了既能保证一定收敛速度,又能有效克服初值敏感性的改进三阶、五阶FastICA算法.仿真工具采用Matlab软件,应用3种算法对语音信号进行分离;结果表明,对比基本FastICA算法,改进后的算法有效地分离了混合信号,并且降低了算法对初始权值的依赖性.     

改进的独立分量分析算法

对独立分量分析算法的基本理论和FastICA算法进行了简要介绍.传统的FastICA算法只具有二阶的收敛速度,为了提高独立分量分析算法的收敛速度,减少迭代次数和运行时间,提出了一种改进的独立分量分析算法——五阶收敛的牛顿迭代法.对牛顿迭代算法加以修正,使改进的独立分量分析算法具有五阶的收敛速度.图像信号分离仿真实验表明,改进算法与传统的FastICA算法在分离效果相当的情况下,明显减少了传统的FastICA算法的迭代次数和运行时间,提高了收敛速度和运行效率.     

FastICA算法改进及仿真实验

由于收敛速度快,快速独立分量分析(FastICA)被普遍运用,但为克服FastICA对初始值的选择较敏感的缺点,提出了将具有五阶收敛速度的牛顿迭代法和带有阻尼因子的牛顿迭代法引到算法中,形成两种方法有机结合的改进算法,并将改进的算法应用到仿真实验中,从而提高算法的稳定性.     

基于复数FastICA算法的盲多用户检测

针对MIMO-OFDM系统,提出了一种基于复数FastICA的盲多用户检测算法.该算法首先利用复数FastICA算法的快速收敛特性来提高多用户的分离速度,同时利用信号的相关函数对复数FastICA算法引起的幅度不确定性和相位不确定性进行了修正,最后将所提出的改进算法与复数自然梯度学习算法(CNGLA)进行仿真比较.结果表明,相比于传统的自然梯度算法,所提算法不仅收敛速度较快,而且具有更低的误码率,另外随着接收天线的增多,信号的分离效果会更好.     

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.     

基于改进固定点ICA算法的图像盲分离

独立向量分析根据信源统计独立特性对观测信号进行分离运算,目前采用较多的是固定点独立分量分析(FastICA).考虑到图像信号分离中,图像信号复杂多样,信息量大的特点,采用改进固定点ICA算法对图像进行分离,克服了采用固定点ICA算法计算量大、收敛速度慢的缺点.文章采用随机提取的独立图像做实验,取得了稳定性较强的效果.     

基于FastICA的语音盲源分离方法

独立分量分析（ICA）在处理盲信号分离中被广泛使用,但其收敛速度较慢.为此文章重点介绍了一种更为有效的盲源分离方法——快速独立分量分析(FastICA).文章在介绍了FastICA的基本理论和方法之后,将其应用到语音分离中.在采集了三个实际的声音信号后,将三个原始信号进行混叠,在matlab仿真环境下用FastICA方法对混叠信号进行分离,将分离结果与原始信号波形进行比对,结果说明该算法具有良好的分离效果.     

用于信号盲提取的最大三阶相关峭度反卷积算法

传统的低阶自适应滤波器难以抑制或消除激光位移信号的高阶统计噪声,且在微位移测量条件下,基于最大熵或自然梯度的盲源分离方法的收敛速度和信噪比会急剧降低.为此,文中利用混合信号的峭度变化特性,提出了最大三阶相关峭度反卷积算法,设计了反卷积逆滤波器,分析了最大三阶相关峭度反卷积算法的收敛性和稳定条件,并构建了实验平台进行盲提取实验.结果表明,最大三阶相关峭度反卷积算法可有效地盲提取激光位移信号和多重反射信号,较FastICA算法具有更快的收敛速度和更高的信噪比.     

基于改进 FastICA 的冲击波工频干扰消除算法

在火炮冲击波信号测试领域中, 为解决陷波算法消除工频干扰损失有效信号成分的问题, 提出了一种改 进的 FastICA 算法消除工频干扰。 采用五阶收敛的牛顿迭代形式改进基于负熵的 FastICA 算法, 使其不仅具备 负熵算法的高精准度, 而且收敛速度快, 迭代次数少。 仿真结果表明, 该算法的相似系数和信噪比达到 0. 999 99和 45 dB, 较传统陷波算法的 0. 996 和 21 dB 有明显的优势。 相比于基于负熵的 FastICA 算法, 改进算 法与其精准度相同, 但迭代次数减少了 26. 7%; 与收敛速度较快的峭度算法相比, 改进算法迭代次数更少, 收 敛速度更快, 稳定性更高。 该算法具备精准度高、 收敛速度快和迭代次数少等优势, 因此适用于实时处理冲击 波的测试场合。     

虚拟通道扩展的引信欺骗干扰盲分离算法

为滤除引信接收信号中的欺骗干扰,研究了基于虚拟通道扩展的过渡干扰滤除FastICA(TJE-FastICA)和双系统FastICA(DS-FastICA)算法.算法利用不同周期接收信号特性以及信号非圆性来扩展单通道,并对传统FastICA进行噪声抑制改进,在此基础上提出了利用接收信号的循环相关输出幅值统计特性来剔除过渡干扰的TJE-FastICA算法,以及利用两个盲分离系统对分组信号同时分离的DS-FastICA算法.仿真结果表明,提出的算法明显优于正交投影算法和直接盲分离算法,DS-FastICA比TJE-FastICA具有2.5 dB的优势,且当信噪比R_SN>7.5 dB时,两算法分离的回波信号相似度均在80%以上,DS-FastICA的分离时间比TJE-FastICA算法快91%.      

基于盲源分离的一种快速独立分量分析算法

基于盲源分离理论提出了一种快速独立分量分析 (FastICA)算法 .该算法以负熵作为独立性判决准则 ,在迭代过程中引入遗忘因子 ,加快了算法的收敛速度 .仿真结果表明 ,该方法能快速、有效地分离混迭信号     

一种分离噪声盲源信号的FastICA改进算法

大功率机械所产生的非平稳噪声源,用FastICA算法可以有效地分离出噪声信号,但噪声源识别的准确性较低,为此提出了一种分离噪声源的FastICA改进算法。新方法将最大相似准则、优化算法和快速傅里叶变换相结合,对分离信号的不确定性进行了有效校正。经仿真实验验证,新方法能够完整地还原仿真波形信号,表明该改进算法确实可行且准确性较高。     

基于FastICA的低信噪比雷达信号分选算法

针对传统的基于参数的信号分选系统已无法适应当前复杂情况下的雷达信号分选问题,将基于独立分量分析(ICA)的盲源分离算法引入雷达信号分选算法.快速ICA(FastICA)算法结合了定点迭代和非高斯最大化算法,具有稳定性好、收敛速度快、计算量小等优点.但该算法对噪声非常敏感,无法在低信噪比情况下进行信号分选.针对这一缺点,引入同步累加平均降噪算法,并结合信号均衡、平滑处理进行改进,使得新算法在低信噪比情况下对雷达信号进行分选.仿真表明改进后的算法在低信噪比情况下具有良好的分选效果,并保留了原算法的优点.     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

fMRI信号盲分离的一种独立成分分析算法

建立了独立成分分析(independentcomponentanalysis,ICA)的一个优化模型,在此基础上,给出了一个新的梯度算法,称之为Orth-ExtBS算法.该算法结合了ExtBS算法和FastICA算法,兼顾两者的优点,形式简单,易于应用,能有效地盲分离具有超高斯和亚高斯分布源的混合信号,获得更准确的分离效果和较快的收敛速度.将新的算法与其他两个算法(FastICA和ExtBS)分别应用到大型fMRI数据中,通过比较发现,新算法在估计激活的时间动力学准确性上要优于其他两个算法.     

基于高阶统计量自适应滤波的毫秒脉冲星信号处理

基于高阶累积量的LMS自适应滤波算法 (CDEFWLMS),对毫秒脉冲星弱信号进行了分析和处理,得到了较清晰的脉冲轮廓,并与普通的LMS算法以及CDLMS算法的结果进行了比较研究.结果表明:高阶统计量自适应滤波算法可以有效的将脉冲星弱信号与噪声分离,相对于NLMS算法,该算法大大提高了信号品质,且具有收敛速度快、稳定性好的特点.     

基于皮尔逊系统的语音信号盲源分离

当利用传统自然梯度算法对所有语音信号都使用同一个激活函数进行分离时,对语音信号的盲源分离效果都不尽理想.针对这一问题,采用基于皮尔逊系统的分段激活函数对传统自然梯度算法进行改进.通过引入皮尔逊系统,将皮尔逊函数与传统激活函数相结合,再利用信号的矩估计方法,分段选择合适的激活函数代入分离矩阵,有效克服了传统语音分离算法的缺点和不足.仿真结果表明,在对实际的语音信号进行分离时,改进算法的性能明显优于传统自然梯度算法,并且在保持了良好收敛速度的同时大大减少了均方误差.     

基于信息论的盲源信号分离

 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,而基于信息论方法的分离技术是独立分量算法中最常用的分离算法.基于信息论算法中主流的FastICA算法和自然梯度优化算法,使用几组不同的信号进行分离,从理论分析和仿真结果表明了FastICA算法的优越性.     

基于自适应互信息极小化算法的混合语音信号分离

针对混合语音信号的盲分离问题,基于自适应的互信息极小化算法是一个非常良好的解决办法,本文深入研究了该算法,并且为了加快算法的收敛速度,对该算法进行了改进,文章最后给出的实验结果表明,改进后的算法在分离语音信号和收敛速度上,都是非常有效的.