基于噪声独立分量分析的多用户检测

针对独立分量分析算法忽略噪声这一缺点,引入基于噪声模型的噪声独立分量分析,得到基于噪声独立分量分析的多用户检测方法.并与基于无噪模型的算法进行仿真比较,结果表明本文引入的方法性能更优,稳健性更好,对实际信道的适应性更强.     

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。     

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.     

基于独立成分分析和小波变换处理两相流信号

为克服噪声信号给速度测量带来的影响,提供了一种基于独立成分分析(ICA)和小波变换处理两相流信号的方法。首先介绍独立成分分析(ICA)的基本原理及其实现方法,并利用此方法对两相流信号进行处理;根据傅立叶变换确定信号的频谱;然后介绍小波变换和空间滤波的基本原理,并利用小波变换确定信号的带宽;并根据带宽求出固体速度。最后给出仿真实验结果。结果表明:这种方法可以满足固体速度测量的需要。     

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.     

基于相空间重构和独立分量分析的超声信号噪声消除

提出了一种新的基于相空间重构和独立分量分析的超声信号去噪方法.应用该方法处理了实际的试块超声检测信号,并与小波去噪的效果进行了比较.实验结果表明,该去噪方法的效果与小波去噪方法接近,其特色是通过超声信号和噪声信号的盲源分离实现噪声消除.该去噪方法与小波去噪方法相比具有使用简单容易、去噪效果好和自适应强等优点.     

基于独立分量分析与二值掩膜的语音分离

针对欠定混合语音信号模型,提出一种基于独立分量分析和二值掩膜相结合的语音分离新算法.首先,由并列放置的两个全指向性麦克风采集混合声音信号,通过一阶差分麦克风阵列技术使得两路混合信号满足瞬时混合模型;然后,应用两输入两输出独立分量分析方法对两路信号进行分离并估计分离信号的二值掩膜,循环迭代进而提取目标语音信号;最后,合并同源语音信号,增强各独立声源.仿真结果表明:该方法不仅适用于瞬时混合模型,对卷积混合模型同样有效;在瞬时混合条件下信噪比增益平均达到12.41dB,在卷积混合条件下信噪比增益平均为5.28dB.试验结果表明:算法在半消音室环境下能准确分离来自不同方位的三个声源,提取的目标语音都具有较高的清晰度与可懂性.