基于独立分量分析的过程监控方法研究
基于独立分量分析的管道异常振动事件定位方法
基于独立分量分析的管道异常振动事件定位方法张景川;曾周末;曹庆松;封皓;靳世久【摘要】针对传统互相关时延估计法定位管道故障点的局限性,提出了基于独立分量分析(ICA)的互相关时延估计方法用于管道异常振动事件定位.利用ICA滤波后的管道沿线振动信号进行互相关运算,抑制了相关高斯噪声引起的时延估计误差,为管道安全监测系统提供了一种新的高精度时延估计方法.仿真结果和现场实验数据表明,该方法可以快速精确地定位管道周围异常事件的发生位置,改善了相关运算的时延估计性能,相对于传统互相关时延估计法,可进一步降低时延估计的平均误差和均方差,具有更高的定位精度和定位一致性.%Aiming at the limitation of conventional cross-correlation algorithms for time-delay estimation, a cross-correlation algorithm for time-delay estimation based on independent component analysis (ICA) for locating petroleum pipeline abnormal vibration events was proposed, it was used in the distributed optical fiber petroleum pipeline safety detection system for the safety of pipeline. During the pipeline detection, the environment was very complicated, the correlated Gaussian noises impacted the accuracy of time-delay estimation. ICA had good effect on removing the Gaussian interference and could protect available signals effectively. Using the de-noised signals with ICA, the cross-correlation analysis for time-delay estimation was conducted with the proposed method, the correlated Ganssian noises were suppressed effectively. Finally, compared with the results of the conventional cross-correlation algorithms, the simulation results and the signals obtained from tests proved that the proposedmethod can decrease the average error and mean square deviation of the time-delay estimation and improve locating accuracy and consistency.【期刊名称】《振动与冲击》【年(卷),期】2011(030)004【总页数】5页(P81-85)【关键词】油气管道;分布式光纤传感器;独立分量分析;互相关;时延估计【作者】张景川;曾周末;曹庆松;封皓;靳世久【作者单位】天津大学,精密测试技术与仪器国家重点实验室,天津,300072;天津大学,精密测试技术与仪器国家重点实验室,天津,300072;天津大学,精密测试技术与仪器国家重点实验室,天津,300072;天津大学,精密测试技术与仪器国家重点实验室,天津,300072;天津大学,精密测试技术与仪器国家重点实验室,天津,300072【正文语种】中文【中图分类】TN247;TN911.6随着油气资源的开发以及能源需求的激增，管道运输作为一种安全、经济的运输方式在世界各地得到广泛应用。
基于小波变换的独立分量分析及其在图像分离中的应用
基于小波变换的独立分量分析及其在图像分离中的应用陈艳;何英;朱小会【摘要】提出了一种新的基于小波变换的独立分量分析方法,对混合图像进行分离.研究表明,当各个源信号的概率密度分布相同时,自然梯度算法的稳态误差与源信号峭度成反比.因此,对峭度更大的小波域高频子图像进行独立分量分析可以获得更高的分离精度.同时混合图像在小波变换的过程中,可以利用小波阈值对混合图像进行去噪,提高图像的信噪比.最后通过实验证明该方法是有效的.【期刊名称】《现代电子技术》【年(卷),期】2007(030)024【总页数】4页(P131-134)【关键词】独立分量分析;小波变换;峭度;自然梯度算法【作者】陈艳;何英;朱小会【作者单位】四川理工学院,四川,自贡,643000;桂林电子科技大学,广西,桂林,541004;四川理工学院,四川,自贡,643000【正文语种】中文【中图分类】TP3911 引言独立分量分析(Independent Component Analysis,ICA)是信号处理领域在20世纪90年代后期发展起来的一项全新的信号处理和数据分析方法。
自Comon[1]提出ICA的理论框架以来，已有多种算法用于解决各类实际问题。
Bell等人在1995年提出了基于信息极大传输原理的独立分量提取算法----最大熵(Infomax)算法[2]，此后Lee等人提出了扩展的Infomax算法[3]，Hyvarinen等人提出了采用批处理的固定点快速分离算法FastICA[4]，其中FastICA使得盲源信号分离技术实用化。
其实ICA基本含义是将多道观测信号根据统计独立原则通过优化算法分解为若干独立成分，从而实现信号的增强和分解，在语音识别、通讯、图像处理、医学信号处理等领域尤其受到关注[5]。
在实际应用中，由于测量信号往往是由若干独立源信号的线性叠加，并且常含有观测噪声。
因此，将现有的ICA算法直接用于含有噪声观测信号，往往无法获得理想的分离结果。
MIMO多模光纤通信中基于ICA的信号分离技术研究_3独立分量分析
3 独立分量分析3.1 独立分量分析的概念3.1.1 问题的提出独立分量分析（ICA ），又叫做独立成份分析，它是解决盲源信号分离 (Blind Signal Separation, BSS)问题时逐渐发展起来的，BSS 是指仅从观测到的混合信号（通常是多个传感器的输出）中恢复出独立的源信号，这里的“盲”是指：源信号，混合系统均未知。
在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。
例如三个人同时在会议室里发言，会议室里同时摆放三个录音机对这三个人进行录音。
这里用1s ()t ，2()s t ，3()s t ，表示三个说话者的语音信号，用1()x t ，2()x t ，3()x t 表示三台录音机所记录的信号，其中t 是时间变量。
容易理解每个录音机所记录的信号()i x t ，(i=1,2,3)是三个语音信号在不同权值下的混合。
不考虑各路语音信号到各录音机的时间延迟，对上述问题可表示如下：1111122133()s ()()()x t a t a s t a s t =++2211222233()s ()()()x t a t a s t a s t =++ 公式（3-1） 3311322333()s ()()()x t a t a s t a s t =++其中ij a 是和环境有关的未知常量参数。
我们的目的就是在仅仅知道1()x t ，2()x t ，3()x t 的条件下来估计出源语音信号1s ()t ，2()s t ，3()s t 。
即：1111122133s ()()()()t w x t w x t w x t =++2211222233s ()()()()t w x t w x t w x t =++ 公式（3-2） 3311322333s ()()()()t w x t w x t w x t =++把公式（3-1）和（3-2）表示成矩阵形式，分别有：X=AS 公式（3-3）S=WX 公式（3-4） 如何设法得到矩阵W ，从而能够从所观测到的混合信号X 中估计出源信号S ，这就是所谓的盲源分离问题（BSS ），其模型框图见图1-2。
独立分量分析技术在设备故障诊断中的应用
独立分量分析技术在设备故障诊断中的应用张会兴(中石化东北油气分公司,吉林长春 130062) 摘 要:针对设备振动信号复杂难以分离的特点,提出采用独立分量分析技术对多源振动混合信号进行分离降噪和特征提取。
实验结果表明,利用该方法可有效对多源信号进行分离降噪,提取特征信号,从而达到提高故障诊断准确率的目的。
关键词:动设备;独立分量分析;分离降噪;故障诊断 中图分类号:T E509 文献标识码:A 文章编号:1006—7981(2012)16—0107—02 利用振动信号对设备进行故障诊断是目前较常用的方法之一[1],然而,由于设备结构复杂,激励源众多,或者因工作环境恶劣等因素致使背景噪声较强,大多情况下采集的振动信号一般是多源振动的混合信号,或者信号中还往往混有大量的噪声信号,如不对原始混合信号进行有效的预处理,势必影响诊断的准确性和精确性。
因此,诊断前必须对直接采集的振动信号进行降噪和特征提取等预处理工作,以提高故障诊断信息的质量,为后续准确诊断提供有力保障。
本文探讨了独立分量分析(Independent Component Analysis ,ICA )降噪方法在石化动设备振动信号预处理中的应用,通过ICA 方法对强背景噪声下振动信号进行分离降噪处理,提取故障特征信号,以提高诊断的准确性。
1 独立分量分析原理与算法1.1 ICA 基本原理独立分量分析理论和方法是20世纪80年代由Jutten 等人[2]提出,自该方法问世以来,已经在生物医学信号处理、混合语音信号分离、盲源分离等方面得到了较好应用。
由于其在盲源分离方面表现出来的优势,近年来它的应用领域逐步扩大。
ICA 处理的对象是一组相互独立统计的信源经线性组合而产生的混合信号,最终从混合信号中提取出各独立的信号分量[3]。
独立分量分析是一种较新的统计信号处理方法,ICA 处理的基本目标是要找到一个线性变换,使变换后的各信号之间尽可能统计独立。
基于NSCT的独立分量分析方法
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：Ｉ ＣＡ；ＮＳ Ｃ Ｔ；Ｆ ａ ｓ ｔ Ｉ ＣＡ；ｋ ｕ ｒ ｔ ｏ ｓ ｉ ｓ ；ｐ ｅ ｆ ｒ ｏ ｒ ｍａ ｎ ｃ ｅ ｉ ｎ ｄ ｅ ｘ
（ Ｆ ａ ｃ ｕ ｌ ｔ ｙ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ，Ｇ ｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ０ ０ ６ ，Ｃ ｈ ｉ ｎ ａ ）
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｓ ｅ ｐ ａ ｒ ａ ｔ ｉ ｏ ｎ ｐ ｅ ｆ ｒ ｏ ｒ ｍａ ｎ ｃ ｅ ｏ ｆ ｔ ｈ ｅ ｉ ｎ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｃ ｏ ｍ ｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ（ Ｉ Ｃ Ａ）ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ，ａ ｎ ｅ ｗ
ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｎ ｏ ｎ ｓ ｕ ｂ ｓ ａ ｍ ｐ ｌ ｅ ｄ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ （ Ｎ Ｓ Ｃ Ｔ ）ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ，ｔ ｈ ｅ ｍ ｉ ｘ ｅ ｄ ｉ ｍ ａ ｇ ｅ ｓ ａ ｒ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｅ ｄ
它 是 从 多 维 统 计 数 据 中 找 出 隐 含 因 子 或 分 量 的 方 法 。目 前 Ｉ Ｃ Ａ 算 法 的 研 究 可 分 为 基 于 信 息 论 准 则 的 迭 代 估 计
基于独立分量分析的多普勒胎心音瞬时心率的检测方法
基于独立分量分析的多普勒胎心音瞬时心率的检测方法李亚宁;蔡坤【摘要】目的:提出一种基于独立分量分析的多普勒胎心音瞬时心率的检测方法.方法:首先对由超声多普勒胎心仪采集到的心音信号进行预处理,再对预处理后信号进行时频分析,然后将胎心音信号的时频谱进行实数化处理和对数化处理,接着将对数化以后的胎心音信号时频谱以不同的频率分量进行独立分量分析分离出独立分量,最后选取与原信号相关性最强的一个独立分量并对该独立分量进行峰值检测计算出胎儿瞬时心率.结果:该方法不仅能识别胎心音信号的幅值信息,同时能识别其频域信息,多次实验表明,该算法准确率高达95％以上.结论:该方法能够在强噪声背景下快速地分离出理想胎心音信号的包络信号并计算胎儿瞬时心率,对围产阶段胎心监护具有较为重要的意义.【期刊名称】《医疗卫生装备》【年(卷),期】2016(037)007【总页数】5页(P1-5)【关键词】胎儿心音信号;瞬时心率;独立分量分析【作者】李亚宁;蔡坤【作者单位】510006广州,广东工业大学自动化学院;510006广州,华南农业大学电子工程学院【正文语种】中文【中图分类】R318;TH772胎心率是指胎儿心脏每分钟的跳动次数，它是围产阶段检查胎儿是否健康的重要指标。
临床表明，正常胎心率范围为120～160次/min，超出该范围即可诊断胎儿心率异常，存在胎儿窘迫现象[1-2]。
目前，最常用的胎心率检测方法是超声多普勒测量法。
但是，从超声多普勒胎心仪上检测到的超声多普勒声音混杂，有幅度大、分布广的非平稳噪声，信噪比较低，在时域和频域上，这些干扰信号混叠在一起对胎儿心音信号瞬时心率的计算造成很大的影响。
因此，快速准确地检测和分析胎心率具有较大的难度，这也成为近年的研究方向。
目前，对于超声多普勒胎儿心率检测的算法主要有：传统自相关法、短时平均幅度差法和改进的自相关法[3]。
传统自相关法[4]存在倍频、半频、漏检问题。
短时平均幅度差法[5]是传统自相关算法的一种近似，将传统自相关中的乘法计算转换成了差值计算，减少了传统自相关的计算量，但是没有解决传统自相关算法存在的倍频、半频、漏检[6]等问题。
独立分量分析（ICA）简单认识
独立分量分析（ICA）简单认识ICA (Independent Components Analysis)，即独立分量分析。
它是传统的盲源分离方法，旨在恢复独立成分观测的混合物。
FastICA 是一个典型的独立分量分析(ICA)方法。
它是信号盲处理的基础，对信号独立分量分析的检测是信号盲处理的起点。
现有的信号盲处理的算法，大都是基于独立分量分析的，通过对独立分量分析的研究就可以把这些算法统一起来。
一、信号分类：1.无噪声时：假设混叠系统由m个传感器和n个源信号组成，并且源信号与观测信号遵从如下所示的混叠模型：x(t)=As(t)，其中，x(t)=[x1(t),x2(t),...,x m(t)]T表示m维观测信号矢量；A为m*n维混叠权系数为未知的混叠矩阵；n个源信号的组合为：s(t)=[s1(t),s2(t),...,sn(t)]T2.有噪声时：若考虑噪声的影响，则有：x(t)=As(t)+n(t)，其中，从m个传感器采集来的噪声集合为：n(t)=[n1(t),n2(t),...,n m(t)]T针对式子：x(t)=As(t)+n(t)独立分量分析(ICA)就是要求解分离矩阵W，使得通过它可以从观测信号x(t)中恢复出未知的源信号s(t)，分离系统输出可通过下式表示：y(t)=Wx(t)其中，y(t)=[y1(t),y2(t),…,y n(t)]T为源信号的估计矢量，即：y(t)=S(t)二、用ICA方法的信号分析——基于小波变换和ICA的分离方案（分离步骤）首先介绍下语音分离的大体思路。
先采用小波变换对各个带噪混叠语音进行预消噪处理，然后进行预处理，最后用ICA的方法对消噪后的混叠语音进行分离；最后根据分离信号的特点进一步提出对其进行矢量归一和再消噪处理，最终得到各个语音源信号的估计。
1.预消噪处理——小波变换这里采用的是小波阈值法去噪，它类似于图像的阈值分割。
（阈值就是临界值或叫判断设定的最小值）设带噪语音信号为: f(t)=As(t)+n(t)，式中: s(t)是纯语音信号, n(t)为噪声。
人脸识别技术设计研究(毕业设计论文)
3.人脸有易变化的附加物，例如改变发型，蓄留胡须或者佩戴帽子和眼镜等饰物；
4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别；
5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能会造成图像的灰度畸变、角度旋转等，降低了图像质量，增大了识别难度。
3.入口控制。需要入口控制的范围很广，它可以是重要人物居住的住所、保存重要信息的单位，只要人类觉得安全性比较重要的地点都可以进行入口控制，比较常用的检查手段是核查证件。人员出入频繁时，保安人员再三检查证件是很麻烦的，而且证件安全性也不高。在一些保密要求非常严格的部门，除了证件外，已经使用了生物特征识别手段，如指纹识别、掌纹识别、虹膜识别和语音识别等。人脸识别与这些技术相比，具有直接、方便和友好的特点。当前计算机系统的安全管理也备受重视，通常使用由字符和数字组成的口令(Password)进行使用者的身份验证，但口令可能被遗忘，或被破解，如果将人脸作为口令，则既方便又安全。
摘 要
人脸识别是一个具有很高理论和应用价值的研究课题。人脸是人类视觉中最为普遍的模式，它所反映的视觉信息在人与人的交流和交往中有着及其重要的作用意义。人脸的特殊性，使得人脸识别技术成为最具潜力的身份识别方式。人脸识别技术应用广泛，并且日益受到人们的广泛关注并成为模式识别领域研究的热点。同时人脸识别又是一个复杂和困难的课题，其原因有:人脸是由复杂的三维曲面构成的可变形体，难以用数学描述；所有的人脸结构高度相似，而人脸图像又易受年龄和成像条件的影响。人脸识别涉及的技术很多，其中关键的是特征提取和分类方法，本文就以此为重点进行了相关研究。
所以很难从有限张人脸图像中提取出反映人脸内在的、本质的特征。另外人脸识别还涉及模式识别、图像处理、计算机视觉、生理学和心理学等学科领域。这诸多因素使得人脸识别至今仍是一个有待深入研究，极富挑战性的课题。同时一个成功的、具有商用价值的快速的人脸识别系统将会给社会带来极大的影响。
独立分量分析的基本问题与研究进展
!/ !*$" !*$
!,% ’! !/, ""% $’
*’& , %
+,& 线性加权得到的 &
"-# ’() 假设条件
式 !& $ 是 一 种 统 计 ’ 隐 藏 变 量 (!./0120 3/45/6.17 $ 模 型 *8+" 即
当 /, %2"& !2 为常数 $ 时 "!,& ’& ! 允许盲源分离结果 在 幅 度 上 存在差异 $) 当 /, 与 "& 相互独立时 !,& ’D & 即若由相似系数为元素 构成的相似系数矩阵每行每列都有且仅有一 个 元 素 接 近 于 & " 其它元素都接近于 D" 则可认为该算法分离效果较为理想 & !, $ 性能指数 !E14>;4F/2@1 ’2=1G"E’ $
文章编号 %""!&’((%& &!""P #!I&22DQK2P
文献标识码 )
!"#$%$"#$"& ’()%("$"& *"+,-./.’01(2,$). +"# 01(31$..$.
4+"3 5/ 6/7 5/,("3 ’8$" 9+/-+"3
!J-%C’8)#0C "#S)8*,’0)# 3)--%L%"R)8’TU%/’%8# >)-.’%CT#0C V#0W%8/0’."X0Y,# I:22I?%
独立分量分析
ICA 技术提取图像纹理特征摘要独立分量分析(I n d e p e n d e n t C o m p o n e n t A n a l y s i s，简称I C A)是近二十年来逐渐发展起来的一种盲信号分离方法。
它是一种统计方法，其目的是从由传感器收集到的混合信号中分离出相互独立的源信号，使得这些分离出来的源信号之间尽可能独立。
它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用。
针对纹理图像分类问题，本文提出了一种应用I C A滤波器技术提取图像纹理特征的方法。
该方法首先从训练图像集中随机抽取图像块作为观测信号，应用I C A技术，提取滤波器组。
然后根据训练样本图像对滤波器组的响应值来评估和选择滤波器组，达到降维的目的。
最后利用滤波器组对测试图像进行滤波，得到该图像的滤波响应结果，从该响应结果中得到最大响应滤波器编号，提取其直方图作为图像的全局特征和局部特征。
简要的阐述了I C A的发展、应用和现状，详细地论述了I C A的原理及实现过程，系统地介绍了目前几种主要I C A算法以及它们之间的内在联系。
关键词：独立分量分析(ICA);ICA滤波器;纹理特征一原理概述：独立分量分析是信号处理领域中发展的一种新处理方法，它的含义是把信号分成若干个相互独立的成分。
从原理上说，只靠单一的通道观察是不可能做出这样的分解的，必须借助于一组把这些信源按不同混合比例组合起来的多通道同步观察。
独立分量分析较主分量分析（PCA）优越，PCA分解出的分量只能保证分解出来的各分量不相关，却不能保证这些分量独立（除非高斯型）。
因此这样的分解就缺少了实际的意义，因为降低了所提取的特征的典型性，PCA 提取的分量有可能是有关相互独立分量的线性组合。
使用统计上的“隐变量”模型给出ICA 的定义。
假设观察变量(1,2,,)T x x x xn =⋅⋅⋅⋅⋅⋅⋅ 可有N 个独立的变量y1,y2……yn 线性组合得到:1122i i i im m x a y a y a y =++⋅⋅⋅⋅⋅⋅ (i=1,2⋅⋅⋅⋅⋅,n) （1）式中，ij a (i,j=1,2⋅⋅⋅⋅⋅n) 是实系数。