基于独立分量分析的电网谐波检测研究

为了能够提高电网的安全可靠性,避免电压波形的畸变,将独立分量分析技术应用于电网的谐波检测中.首先,讨论了谐波对电网的危害;然后,研究了独立分量分析的基本理论;其次,设计了基于独立分量分析的谐波检测算法;然后,提出了基于独立分量分析的电网谐波检测步骤;最后,进行了基于独立分量分析的电网谐波检测仿真分析,仿真结果表明独立分量分析技术能够准确地获得电网中谐波的幅值和频率,能够提高电网谐波的治理水平.     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

挖掘机用柴油机噪声源的识别

为了有效降低某型液压挖掘机的辐射噪声,对某挖掘机用柴油机的噪声源进行了识别研究。采用声学照相机对挖掘机噪声信号进行了测试,找到最大噪声源区域并记录噪声信号。根据测试环境受到回声与背景噪声干扰的特点,建立了基于快速固定点独立分量分析频域复数算法的噪声分离模型,通过独立分量分析得到了40个独立分量及其主频。为了确定这些主频对应的零部件,对柴油机表面主要零部件进行了模态分析。将在测试噪声方向上振型模态的共振频率与独立分量分析得出的各分量的主频相比较,找到了机体、气门室盖、气缸盖等主要表面噪声源。研究结果表明:运用独立分量分析和模态分析相结合的方法,可以准确识别挖掘机用柴油机表面噪声辐射源。这种方法可以广泛应用于复杂机器噪声源识别以及故障诊断等领域。     

独立分量与因子旋转关系分析

解析独立分量分析和因子分析的基本原理,指出独立分量分析的本质是因子旋转,从理论上证实了Varimax和Onhomax等因子旋转与基于峭度的独立分量估计目标函数条件等价。考虑多种类型源信号的情况,提出了基于Varimax的独立分量估计方法。实验表明,在混合矩阵满足稀疏条件下该方法简单有效。     

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.     

基于独立分量相异性分析的动态过程监控研究

针对动态独立分量分析(dynamic independent component analysis, DICA)在过程中捕获的独立分量存在自相关性和故障漏报的问题，提出基于独立分量相异性分析(DICA dissimilarity analysis, DICA-DISSIM)的动态过程监控方法。首先，利用DICA从原始数据中捕获独立分量；其次，在独立分量子空间中引入滑动窗口并进行相异性分析得到一个新的统计指标来监控过程的当前状态；最后，利用变量贡献图方法分析过程异常原因。与传统的DICA相比，所提方法能够有效地降低DICA捕获的独立分量的自相关性，降低了过程动态特征对故障检测的影响，最后解决了DICA统计量中存在的故障漏报问题。通过对动态数值例子和田纳西-伊斯曼过程进行仿真，仿真结果表明，与独立分量分析(independent component analysis, ICA)、DICA和动态主成分分析(dynamic principal component analysis, DPCA)相比，该方法有效地提高了动态过程监控性能。     

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.     

基于粒子群优化的独立分量分析算法研究

在分析独立分量分析算法的基础上,给出了一种基于粒子群优化的独立分量分析算法。该算法以互信息量最小化为目标函数,通过对粒子群位置矢量和速度矢量更新的改进,得到全局最优值,从而得到分离矩阵。仿真实验表明,基于粒子群优化的独立分量分析算法是一种非常有效的盲源分离算法。     

基于独立分量谱相关方法的重力固体潮信号潮汐谐波分析

为了提取重力固体潮信号各谐波分量间能量差异较大的谐波分量,该文在利用独立分量分析实现重力固体潮信号的加性分解,再利用谱相关分析独立分量间的谱相关特性进行分析,揭示了各谐波间的调制关系.同时,通过对独立分量间的自相关谱和互相关谱的分析,论证了在自相关谱中,能量大的谐波分量被凸显,能量小的谐波分量被抑制,而在互相关谱中,能量较小的谐波分量能更好地凸显出来.结果表明,互相关谱更能够揭示重力固体潮信号中弱的潮汐谐波分量及其调制关系.     

独立分量分析研究

概述独立分量分析的基本理论,总结三个等价目标函数:非高斯最大化、互信息最小、极大似然估计,总结三类常用优化方法:自适应法、固定点迭代法、Jacobi法。介绍含噪独立分量分析、欠定独立分量分析、核独立分量分析等新近的方法,简述独立分量分析的一些应用。     

基于L1范数重建的稳健独立成分分析

独立成分分析（independent component analysis,ICA）是一种混合信号处理与分离方法,能够从多维混合观测数据中分离出各个独立成分。目前,ICA已成功应用于特征提取、信号处理、模式识别等诸多领域。然而,由于实际问题的复杂性,可观测到的混合观测中往往含有噪声、异常点与缺失点,而标准ICA算法对这类数据往往不能有效处理。针对该问题,提出了一种基于L,范数重建的新思路。基本思路是将传统ICA模型中加入L1范数项重新建模,利用L,范数误差对噪声与缺失点的本质稳健性,提高模型应用普适性;进一步设计了针对该模型的有效求解算法。在混合人工信号分离、混合图像分离以及混合音频信号分离的实验证明中,所提算法能够显著提升瑚．有ICA方法对干会噪声、异常点与融央占耕棍的计篮稳健性.     

Nonlinear Statistical Process Monitoring and Fault Detection Using Kernel ICA

A novel nonlinear process monitoring and fault detection method based on kernel independent component analysis (ICA) is proposed. The kernel ICA method is a two-phase algorithm: whitened kernel principal component (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The application to the fluid catalytic cracking unit (FCCU) simulated process indicates that the proposed process monitoring method based on kernel ICA can effectively capture the nonlinear relationship in process variables. Its performance significantly outperforms monitoring method based on ICA or KPCA.     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在通信对抗中,由于电磁环境的复杂度及信号调制方式的多样性,使得很难得到原始信号的先验信息,这给通信对抗带来极大的困难。为了解决在通信对抗中的这个难题,我们提出了一种新的盲识别技术。该技术使用独立信号分析（ICA）去盲分离原始的信号,而且随后对每个得到的信号进行分别处理。文中首先介绍了ICA的基本原理。使用差分最大负平均信息量的方法,一个为ICA的目标函数和一个快速ICA算法在文中被提出。在深入分析此快速算法的基础上,本文阐述了一种新的算法并将其应用在卫星TT&C信号的识别中。仿真结果表明：该方法可以不需要原始信号的先验信息的情况下正确的识别出原信号（例如,载波频率,信号带宽和调制方式等）,这为后续的信号分析奠定了基础,比如信号的分析和识别,解调及证明其良好的收敛性和鲁棒性等等。     

基于ICA算法的卫星TT&C信号的一种新的盲识别算法

在现代通信对抗中,由于电磁环境特别复杂及信号调制方式的多样性,要知道所发射信号的先验知识几乎不可能,这给通信对抗带来极大的困难.为了解决在复杂多信号情况下的这个难题,提出了一种新的盲识别技术,该技术使用独立分量分析(ICA)算法来盲识别原始信号且对所得的结果进行下一步的分别处理.首先介绍了ICA的基本原理:它使用差分负平均信息量的最大化逼近.基于此,ICA的一个目标函数和一种快速的ICA算法在本文中被提出.在深入分析该快速ICA算法的基础上,将其应用于卫星TT&C信号的盲识别上.仿真结果表明:在没有任何先验知识(例如:载波频率,信号带宽和调制方式)的情况下,原始的信号可以被很好地分离出来.这为下面步骤的信号处理建立了一定的基础,比如信号分析和识别,解调信号及证明其收敛和鲁棒性等.     

欠通道混叠语音盲分离算法

以超完备基的独立分量分析(Overcomplete ICA)为信道模型,采用自然梯度和最短路径的算法和提出的基于小波变换的Overcomplete ICA算法进行欠通道混叠语音盲分离,两者进行了比较.结果表明,该算法能够成功地分离混叠语音数据.     

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.     

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。     

基于ICA的步进频率探地雷达目标信息提取研究

基于独立成分分析较强的信号分析能力,提出了一种针对步进频率探地雷达的独立成分分析与中值滤波处理相结合的目标信息提取方法,从进频率探地雷达回波信号中提取出目标信息.通过对实测数据的处理,结果表明该方法取得了较好的效果.     

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.     

基于消噪-分离-消噪策略的有噪混合图像盲分离方法

独立分量分析虽能有效地对无噪信号实现分离,但是直接应用于有噪信号时效果较差。针对这个问题,给出了一个消噪-分离-消噪策略,并将之用于有噪混合图像盲分离且给出了具体的分离方案。首先利用小波变换对有噪图像进行消噪,然后再使用独立分量分析对消噪后的图像进行分离,接着再一次利用小波变换对分离后的图像再次消噪,从而获得较为清晰的图像。仿真实验表明,该方法能有效提高有噪混合图像分离结果的峰值信噪比和相关系数,效果良好。