ICA的共轭下降法

独立分量分析(ICA)作为有效的盲源分离技术(BSS)是信号处理领域的热点，本文在分析现有的ICA算法的基础上提出了以最小互信息为准则函数的ICA的共轭下降算法，并将该算法与传统的算法在计算效率和收敛性方面进行了比较，该算法的迭代次数由传统算法的约2000次减少至不超过300次．适当地选取对比函数可实现全局收敛，并简要分析了对比函数的选取准则．模拟实验证明该算法收敛速度快，而且对初始点不敏感，在健壮性方面具有较好的性能。     

独立分量分析原理及其应用

综述了独立分量分析(ICA）的基本原理及基于信息最大化原理的各种方法及其特性，介绍了HJ网络、基于信息最大化的Infomax法及其扩展算法、极大似然估计(MLE)法、负熵最大化法、基于高阶累量的ICA法和Dussage法，对各种方法性能做了比较，说明了ICA在生物医学信号处理中的应用，并对ICA的发展作了展望．     

基于独立分量分析的诱发电位信号提取方法

诱发电位(EP)信号在检测神经系统状态时有重要意义.但EP信号总是淹没在自发脑电波(EEG)信号中,因此,为利用EP信号诊断神经系统的损伤和病变,需要从二者的混合信号中提取出EP信号.独立分量分析(ICA)是一种新近发展起来的信号分离方法.本文把ICA方法应用于EP信号的提取,并与传统的滤波方法进行了比较.计算机模拟表明,采用ICA方法进行噪声分离的结果明显优于信号滤波方法.     

基于独立分量分析的诱发电位信号提取方法

诱发电位（EP）信号在检测神经系统状态时有重要意义，但EP信号总是没在自发脑电波（EEG）信号中，因此，为利用EP信号诊断神经系统的损伤和病变，需要从二的混合信号中提出EP信号。独立分量分析（ICA）是一种新近发展起来的信号分离方法。本反ICA方法应用于EP信号的提取，并与传统的滤波方法进行了比较。计算模拟表明，采用ICA方法进行噪声分离的结果明显优于信号滤波方法。     

独立分量分析在柴油机缸盖振动信号分离中的应用

采用独立分量分析的方法进行了柴油机缸盖振动信号分离的研究.建立了基于Fixed-pointICA算法的4135船用柴油机缸盖振动信号分析模型,分析了这些振动信号的性质.针对实际应用,对采集到的2路混合信号进行分离,得到了各独立分量的时域和频域分布.分离结果表明独立分量分析是一种行之有效的信号处理的新方法.     

独立分量分析原理及其应用

综述了独立分量分析(ICA)的基本原理及基于信息最大化原理的各种方法及其特性,介绍了HJ网络、基于信息最大化的Infomax法及其扩展算法、极大似然估计(MLE)法、负熵最大化法、基于高阶累量的ICA法和Bussage法,对各种方法性能做了比较,说明了ICA在生物医学信号处理中的应用,并对ICA的发展作了展望.     

基于重排S-method的多分量辐射源信号分析方法

为实现多分量辐射源信号的有效检测和识别,提出了基于重排S-method（RSM）的多分量辐射源信号分析方法．针对Wigner-Ville分布交叉项严重和计算复杂度高的问题,采用RSM分析密集、交叠的辐射源信号,给出了其算法的硬件实现和计算复杂度分析．该方法能处理线性和非线性调频信号,算法简单,易于实现．复杂体制多分量辐射源信号分析的实验结果表明,该方法能有效分析多分量辐射源信号,时频分辨率高,不受交叉项干扰,具有比Wigner-Ville分布和S-method更强的噪声抑制能力．     

基于SVD的柴油机振动信号盲分离预处理

在利用独立分量分析对缸盖振动信号进行盲分离时,原始采样信号不满足独立分量分析的基本假设,而且缸盖振动信号信噪比较低,影响分离的速度和精度.采用小波阈值降噪的方法进行了降噪处理,提高了信噪比.采用奇异值分解的方法估计了缸盖振动的独立源数,并对缸盖振动信号进行了白化处理,为独立分量分析的应用建立了基础.     

独立分量分析在含有多种噪声的图像去噪中的应用

提出一种基于负熵的分数低阶独立分量分析(ICA)算法,为使算法更好的适用于实际环境,结合当下较为新颖的Volterra滤波方法——VLMS算法,该算法对高斯噪声有良好的去除效果.仿真结果表明,算法对于含有两种噪声的混合图像具有良好的分离特性及实际意义.     

多分量LFM雷达辐射源信号的经验模式分解

基于改进的经验模式分解,提出了多分量LFM雷达辐射源信号的分析方法．该方法用RBF神经网络对端点延拓削弱边界效应,将自相关函数与相关系数结合估计分量的数量,通过模式分解滤波和平均滑动消除噪声影响,以提高算法的分解精度．理论分析和实验表明,在较宽的信噪比范围内,使用该方法能够正确提取各分量信号的瞬时频率和有效地估计多分量LFM辐射源信号的分量数量．