基于独立分量分析的自适应在线算法
第２７卷第１１期 ２０１０牟１１月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖ０ｌ｜２７ Ｎｏ．１１ Ｎｏｖ．２０１０
基于独立分量分析的自适应在线算法
吕淑平，方兴杰
（哈尔滨工程大学自动化学院，哈尔滨１５０００１）
摘要：独立分量分析（ＩＣＡ）是近几年兴起的一种高效的信号处理方法，学习步长的优化问题是自适应ＩＣＡ重
要的一方面，基于变步长思想，定义了一种描述信号分离状态的相似性测度，来衡量输出分量之间的相似性程
度，并由此提出一种改进的自适应在线算法。根据相似性程度所反映的信号分离状态自适应调节步长，并建立
学习步长和相似性测度变化量的非线性关系，克服了传统算法在信道矩阵变化时对步长自适应调整的不足。性
能指标分析和仿真实验证明了算法的收敛性和稳态性能。
关键词：独立分量分析；相似性测度；学习步长；性能指标
中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１０）ｌ１—４１４０．０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１０．１１．０３７
Ａｄａｐｔｉｖｅ ｏｎ—ｌｉｎｅ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ
ＬＶ Ｓｈｕ—ｐｉｎｇ，ＦＡＮＧ Ｘｉｎｇ—ｊｉｅ （Ｃｏｌｌｅｇｅ ｏｆＡｕｔｏｍａｔｉｏｎ，Ｈａｒｂｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ １５０００１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＩＣＡ ｉｓ ａｎ ｅｆｆｉｃｉｅｎｔ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄ ｗｈｉｃｈ ａｒｏｓｅ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ，ａｎ ｉｍｐｏｒｔａｎｔ ｐｒｏｂｌｅｍ ｌｅａｒｎｉｎｇ ｉｎ ａｄａｐｔｉｖｅ ＩＣＡ ｉｓ ｏｐｔｉｎｇ ｌｅａｒｎｉｎｇ ｓｔｅｐ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｖａｒｉａｂｌｅ ｓｔｅｐ ｔｈｉｎｋｉｎｇ，ｔｈｉｓ ｐａｐｅｒ ｄｅｆｉｎｅｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ ｗｈｉｃｈ ｄｅｓｃｒｉｂｅｄ ｔｈｅ ｓｔａｔｅ ｏｆ ｓｉｇｎａｌ ｓｅｐａｒａｔｉｏｎ，ｔｏ ｍｅａｓｕｒｅ ｔｈｅ ｌｅｖｅｌ ｏｆ ｓｉｍｉｌａｒｉｔｙ ｂｅｔｗｅｅｎ ｏｕｔｐｕｔ ｃｏｍｐｏｎｅｎｔｓ，ａｎｄ ｔｈｕｓ ｄｅｖｅｌｏｐｅｄ ａｎ ｉｍｐｒｏｖｅｄ ａｄａｐ— ｔｉｖｅ ｌｉｎｅ ａｌｇｏｒｉｔｈｍ．Ａｄｊｕｓｔｉｎｇ ｔｈｅ ｌｅａｒｎｉｎｇ ｓｔｅｐ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｒａｄｉｔｉｏｎｓ ｏｆ ｄｅｇｒｅｅ ｏｆ ｓｉｇｎａｌ ｓｅｐａｒａｔｉｏｎ ｗｈｉｃｈ ｗａｓ ｒｅｆｌｅｃｔｅｄ ｂｙ ｄｅｐｅｎｄｅｎｔ ｍｅａｓｕｒｅ，ａｎｄ ｅｓｔａｂｌｉｓｈｅｄ ｔｈｅ ｎｏｎｌｉｎｅａｒ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｌｅａｒｎｉｎｇ ｓｔｅｐ ａｎｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ ｖａｒｉａｔｉｏｎ，ａｎｄ ｏｖｅｒ－ ｃａｍｅ ｔｈｅ ｄｉｓａｄｖａｎｔａｇｅｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｔｈｅ ｃｈａｎｎｅｌ ｖａｒｉａｔｉｏｎ ｃｉｒｃｕｍｓｔａｎｃｅｓ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ａｄａｐｔｉｖｅ ｓｔｅｐ．Ｐｅｒ－ ｆｏｒｍａｎｃｅ ａｎａｌｙｓｉｓ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｓｅｐａｒａｔｉｖｅ ｓｉｇｎａｌ ｈａｓ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｓｔｅａｄｙ． Ｋｅｙ ｗｏｒｄｓ：ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＩＣＡ）；ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ（ＳＭ）；ｌｅａｒｎｉｎｇ ｓｔｅｐ；ｐｅｒｆｏｒｍａｎｃｅ ｉｎｄｅｘ（ＰＩ）
０ 引言
独立分量分析（ＩＣＡ）是指在未知源信号和传递通道路径 的情况下，根据输入源信号的统计独立性，仅由混合后的观测
信号检测并分离出源信号中各个独立的成分。ＩＣＡ在线算法
主要有基于信息论分析的自然梯度算法和能够实时处理的Ｈ— Ｊ…算法，本文主要研究自然梯度算法。２００５年Ｙｕａｎ＿２ 提出
梯度变步长的自然梯度算法，很好地解决了步长随梯度变化的
问题，并且具有较好的跟踪信号能力。张贤达等人ｌ４ 提出一
种步长学习规则与信号分离状态有关的分阶段学习算法，文献
中根据信号的分离状态分阶段地自适应调整步长。
本文提出一种改进的自适应步长的自然梯度算法。定义
一种相似性测度（ＳＭ）来衡量输出信号分量之间的相似性程 度，相似性程度变化量反映信号的分离程度，并根据其变化量 调整步长调节因子，进而使步长自适应地变化。同时防止步长
过大或过小，设置上下限，使信号尽快收敛到平衡点。本文针
对信道矩阵恒定和变化情况下进行模拟实验，证明该算法的稳
定性能和收敛性。
１独立分量分析的问题
假定ｘ为ｍ维零均值观测信号，由ｎ个未知的零均值独 立源信号ｓ线性混合的。在噪声存在的情况，将其本身看成一
个独立源，与其他真正的源信号进行盲分离。盲源分离的模型
如图１所示。线性混合模型表示为
ｎ ｘ＝Ａｓ＝∑ａｉｓｊ ＝１，２，…，ｎ （１） Ｊ＝１ 其中：Ａ＝［ａ 一，ａ ］为ｍ×ｎ阶满秩任意的混合信号，独立分
量ｓ 和混合矩阵 都是未知的。为使ＩＣＡ问题有唯一解，工
程上需要一些假设条件，具体见参考文献［１］。
ｎ（力ｌ 巫 Ｉ调整 匝萄
图１盲信号分离原理图
１．１ ＩＣＡ存在两类不确定性
ＩＣＡ问题存在以下两类不确定性： ａ）分离信号排列顺序。ｘ＝Ａｓ＝Ａｐ～ｐｓ，Ａｐ 看成一个
混合矩阵，ｐｓ看成新的独立源信号，同样得到观测向量ｘ，对恢
复出的信号是ｓ还是ｐＳ无法确定，即信号的幅值不确定，工程
上大多考虑信号的波形信息，因此对实际意义影响不大。
ｂ）幅值不确定。分离信号Ｙ＝ｐｓ，Ｐ是移位矩阵，即存在
排列顺序的不确定。 在混合矩阵和源信号均未知情况下，为尽可能地分离出源
收稿日期：２０１０．０４—３０；修回日期：２０１０—０６—１８ 作者简介：吕淑平（１９６３一），女，教授，博导，主要研究方向为模式识别理论及应用、信号处理；Ａ－￣，Ａ（１９８５．），男，硕士研究生，主要研究方向为 信号处理．
第１１期 方兴杰，等：基于独立分量分析的自适应在线算法 ・４１４１・
信号，构建一个分离矩阵 ，这样ＩＣＡ问题的求解可表示为
Ｙ＝Ｗｘ＝ＷＡｓ＝Ｇｓ ｒ２１
其中：Ｇ为广义交换矩阵（每行和每列只有一个非零元素），通
过学习能使Ｇ＝ＰＡ，Ｐ为置换矩阵，Ａ为对角阵，从而能达到
分离源信号的目的。
１．２性能指标
为验证算法的分离精度，定义性能指标（ＰＩ）为
孙 ． Ｉｇ．ｋ ｌ－１）＋（ ＿１））（３）
其中：ｇ 是矩阵Ｇ＝ Ａ的第ｉ行和第 列元素；ｍａｘ，Ｊ ｌ表
示第 列所有元素绝对值的最大值；Ｐ，越小表示解混效果越
好，分离效果越好。每一次的在线算法求出相应的 值，可以
直观地看出信号的稳态误差和收敛情况。
２独立分量分析的自然梯度算法
ＩＣＡ算法可描述为：ＩＣＡ算法＝目标函数＋优化算法，这
两方面构成ＩＣＡ的核心。目标函数体现算法的统计性质；优
化算法决定算法的收敛速度和稳态误差。
２．１ 目标函数
基于信息论分析的ＩＣＡ算法主要有互信息最小化判据
（ｍｉｎｉｍｕｍ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ，ＭＭＩ）、信息极大化判据（ｉｎｆｏｒ—
ｍａｘ）、极大似然判据（ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｅｓｔｉｍａｔｉｏｎ）。这三种
目标函数是等价的，详见文献［３］。本文主要采用ＭＭＩ判据，
定义如下：
，（ ）＝＾＝Ｌ［ｐ（ｙ）， ｐ（ｙ ）］＝∑． （Ｙ ）一 （ ） （４）
其中：ＫＬ代表散度。由ＫＬ知识可知，（ ）≥０，当且仅当 中
各分量独立时，（Ｙ）＝０。ＭＭＩ算法简述如下：
Ｙ＝Ｗｘ Ｈ（ ）＝一Ｅ［１ｏｇｐ（ｙ）］
ｐ（ ）＝ｐ（ｘ）／ｄｅｔ（ （５） 得到日（Ｙ）：一Ｅ［１ｏｇ Ｐ（ｘ）］＋Ｅ［１ｏｇ ｄｅｔ（ ，）］，即
日（ ）＝ （ｘ）＋ｌｏｇ ｄｅｔ（∽ （６）
其中：Ｈ（・）表示微分熵， ［・］表示均值，Ｈ（ｘ）：一ｆ：：Ｐ
（ｘ）ｌｏｇＰ （ｘ）ｄｘ。 综合式（４）和（６），得到目标函数如下：
’，（ｖｔ，３＝一日（ｘ）一ｌｏｇｌ ｄｅｔ（ ｌ—Ｅ｛ （ ））｝ （７）
其中：日（）与解混矩阵Ｗ无关，可舍弃，
。Ｅ ｌｏｇ（ｐ Ｙ
Ｘ
２．２ ＩＣＡ的自然梯度算法
ＩＣＡ的目标使式（７）最小化，用随机梯度搜索寻优的思想，
得到随机梯度的实时学习算法：
ＡＷ（ｋ）＝一 （ ）Ｖ Ｊ（ｙ（ ）， ＝一 （ ） （８）
（ ）为学习步长，具体推导见参考文献［２］，得到推导式如下：
ａＷ（ｋ）＝一 （ ）鱼 ＝ （ ）（ｗ—Ｔ一 （ ）） ）（９）
其中 Ｙ（ｋ））为非线性激活函数。可知Ｗ。。。是 的转置逆
矩阵。由于计算量大，而且容易出现病态，影响收敛速度，为此
引入一可逆矩阵Ｇ 作用于随机梯度，即
ＡＷ（ｋ）＝ 邮 （１ｏ） 文献［４］矩阵Ｇ的自然选择为
Ｇ－Ｉ ： ＷｒＷ： Ｉ－ｆ（Ｙ）Ｙ ］Ｗ（１１） ｏＷ ｏＷ
其分离矩阵迭代式为
△ｗ（ ）＝弘（ ）［ｉ一＿厂（ｙ（ ））ｙ（＆） ］Ｗ（ ） （１２）
得出最后的自然梯度算法的在线迭代式：
ｋ＋１）＝ ） （ ）［Ｉ一，（ （ ））ｙ（ ） ］ ） （１３）
２．３ ＹＵＡＮ ＬＸ算法
ＹＵＡＮ ＬＸ提出的变步长梯度算法：
（ ）＝ （ 一１）一ｐ （１４）
－ｔｒａｃ ，
由式（１３）可知
＝ ，一 卅） （…］ｗ（ ） ）（１６）
由 ，（ ）＝Ｗ（ｋ一１）＋／ｚ（ 一１）［，一ｌ厂（Ｙ（ 一１）） （ 一
１）］ 一１）得到：
ｋ－１ …
ｋ一１）＝ 一１） （１７）
这样得到学习步长的迭代式：
（ ）＝ （ 一１） ｐｔｒａｃｅ（丁 （ ）丁（ 一１）） （１８） 仿真实验证明该算法在初始步长较小时，分离出的信号稳
态误差小，但收敛慢；当初始步长较大时，收敛速度快，但稳态
误差变大。因而不能同时兼顾收敛速度和稳态误差。
３本文算法
３．１ 自适应步长思想
盲分离算法的最终目的使得△ ０，保证分离矩阵
收敛到最优状态，即满足：
，Ｗ（ｋ＋１）＝ Ｗ（ ）＝Ｗｏｐｔ （１９）
重写自然梯度算法的在线迭代式（１３）：
ｋ＋１）＝ ） （ ）［／－ｆ（ （ ）） （ ） ］ ｋ） （２０） 可知在步长 （ｋ）和Ｗ（ｋ）不为零条件下，当［，一 （Ｙ（ ））
Ｙ（ ） ］ 时，式（１９）成立，此时输出 分量之间相互独立，分 离矩阵最优。由此定义一种相似性测度（ＳＭ），来衡量输出
分量之间的相似性程度。 ＳＭ＝ｌｌ Ｉ—ｌ厂（ ） ；＝ｔｒａｃｅ（Ｂ Ｂ） （２１）
其中：ｌｌ・ 是矩阵的Ｆｒｏｂｅｎｉｕｓ范数，日＝ｆ－ｆ（Ｙ）ｙ 。在分
离初始阶段，输出 分量之间的相似性程度大，分离效果不好，
即ＳＭ值越大，随着迭代次数增加ＳＭ值越来越小，分离程度越 好，直到ＳＭ为零。可以看出ＳＭ值变化定性反映输出信号
分量之间的相似性程度，实际工程采用平滑的Ｅ（ＳＭ）代替
基于独立分量分析的均匀圆阵DOA估计算法(自动化学报)
基于独立分量分析的均匀圆阵DOA估计算法
陈晋央① 吴瑛② 杨吉祥①
①（总参工程兵科研三所 洛阳 471023）
②（解放军信息工程大学信息工程学院 郑州 450001）
摘要 在深入研究均匀圆阵阵列流型性质的基础上，结合独立分量分析方法能够稳健完成信号分离的优点，提出了一种基于独立分量分析的均匀圆阵波达方向估计算法。首先使用复数域ICA算法估计出阵列流型，然后对估计的阵列流型进行周期修正，最后利用圆阵阵列流型的相位关系完成二维DOA估计。该算法不需要谱峰搜索，并且能够完成来向相近信号的DOA估计。仿真实验验证了本文算法的有效性，本文算法与MUSIC算法性能相近但是运算量大幅降低。
关键词 DOA估计；独立分量分析；均匀圆阵；周期修正；来向相近信号
中图分类号 TN911.7 文献标志码 A
DOA Estimation Algorithm for Uniform Circular Array Based on
Independent Component Analysis
CHEN Jin-yang① WU Ying② Yang Ji-xiang①
①(The Third Engineer Scientific Research Institute of the Headquarters of the General Staff,
Luoyang 471023,China)
②(Institute of Information Engineering, PLA Information Engineering University, Zhengzhou
450001,China)
Abstract Based on the deep research on array manifold of uniform circular array, combined with
基于独立分量分析的PCMA信号盲分离算法
基于独立分量分析的PCMA信号盲分离算法
PCMA信号是一种数字脉冲编码调制信号，它通过对模拟信号进行采样和量化，再使用脉冲编码的方式进行传输。在传输过程中，PCMA信号可能会受到噪声和其他干扰的影响，导致信号的失真。因此，需要使用信号盲分离算法对混合信号进行处理，以提取出原始信号的信息。
1.数据预处理：首先对混合信号进行预处理，包括对信号进行去噪、滤波和归一化处理。这一步骤旨在将混合信号的统计特性变得符合ICA的假设。
2.ICA模型建立：建立ICA模型，将混合信号表示为独立成分的线性组合。假设混合信号的模型为X=AS，其中X是混合信号矩阵，A是混合矩阵，S是独立成分矩阵。利用ICA的统计特性，目标是通过矩阵A的估计，还原出独立成分S。
3.目标函数优化：通过优化目标函数，得到矩阵A的估计值。常用的目标函数是最大化非高斯性，即最大化独立成分的非高斯性，使得独立成分在统计上更加独立。常用的优化方法包括最大似然估计和信息论准则。
4.盲分离：根据得到的矩阵A的估计值，对混合信号进行分离处理，提取出独立成分。可以通过矩阵运算将混合信号转换为独立成分信号。
5.信号重构：对分离得到的独立成分进行重构，得到原始信号的近似估计。可以使用逆变换将独立成分信号转换为原始信号的形式。
基于独立分量分析的PCMA信号盲分离算法在提取混合信号中独立成分方面具有一定的优势。它不需要先验知识，可以自动地从混合信号中提取出独立成分，适用于复杂的信号分析和处理任务。然而，该方法也存在一些限制，如对混合信号的独立性假设较强，对信号噪声敏感等。 综上所述，基于独立分量分析的PCMA信号盲分离算法能够有效地提取混合信号中的独立成分，对信号分离和降噪具有一定的应用价值。在实际中，可以根据具体的应用场景选择适合的优化方法和参数设置，以提高信号分离的精度和可靠性。
一种基于独立分量分析的模糊图像盲分离算法
第２６卷第ｌ０期
２００６年ｌ０月 计算机应用
Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ Ｖｏ１．２６ Ｎｏ．１０
Ｏｃｔ．２ｏｏ６
文章编号：１００１—９０８１（２００６）１０—２３６６—０３
一种基于独立分量分析的模糊图像盲分离算法
王毅，齐华，郝重阳
（西北工业大学电子信息学院，陕西西安７ｌ００７２）
（ｗａｎｇｙｉ７９＠ｎｗｐｕ．ｅｄｕ．ｃａ）
摘要：利用独立分量分析（ＩＣＡ）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像
进行盲分离，并针对算法中的非线性函数与源信号概率分布密切相关，而源信号的分布却是未知的先
验信息的问题，利用算法输出信号的峰度对非线性激活函数进行自适应选择，提出了一种改进的自适
应不完整自然梯度算法，并将其应用于模糊图像的盲分离，分析了不同混合矩阵对本文算法恢复原始
灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的ＦａｓｔＩＣＡ算法相比，计算耗时更少、
性能指标明显优越。
关键词：独立分量分析；盲图像分离；不完整自然梯度；激活函数；混合矩阵
中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ
Ｂｌｉｎｄ ｓｅｐａｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｂｌｕｒｒｅｄ ｉｍａｇｅ ｂａｓｅｄ ｏｎ
ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ
ＷＡＮＧ Ｙｉ，ＱＩ Ｈｕａ，ＨＡＯ Ｃｈｏｎｇ—ｙａｎｇ
（Ｓｃｈｏｏｌ ｏｆＥｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ，Ｎｏｎｈｗｅｓｗｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ Ｓｈａａｎｘｉ ７１００７２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅｓ ｗｅｒｅ ｒｅｓｔｏｒｅｄ ｆｒｏｍ ｔｈｅ ｂｌｕｒｒｅｄ ｇＴａｙｓｃａｌｅ ｉｍａｇｅｓ ｂｙ ｕｓｉｎｇ ｔｈｅ ｎｏｎｈｏｌｏｎｏｍｉｅ ｎａｔｕｒａｌ ｇｒａｄｉｅｎｔ
（ＮＮＧ）ａｌｇｏｒｉｔｈｍ ｏｆ ｔｈｅ Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ（ＩＣＡ）ｍｅｔｈｏｄｓ，ａｎｄ ｔｈｅ ｐｒｉｎｃｉｐｌｅ ｏｆ ｎａｔｕｒａｌ ｇｒａｄｉｅｎｔ ａｌｇｏｒｉｔｈｍ ｕｎｄｅｒ ｎｏｎｈｏｌｏｎｏｍｉｅ ｃｏｎｓｔｒａｉｎ ｗａｓ ａｎａｌｙｚｅｄ．Ｈｏｗｅｖｅｒ，ｔｈｅ ｎｏｎｌｉｎｅａｒ ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ ｏｆ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｉｓ ｃｌｏｓｅｌｙ ｒｅｌａｔｅｄ ｔＯ ｔｈｅ
基于粒子群算法优化的独立分量分析算法
基于粒子群算法优化的独立分量分析算法
李良敏;任景岩
【期刊名称】《振动与冲击》
【年(卷),期】2015(000)008
【摘 要】通过两组模拟信号对三种主流独立分量分析算法—JADE、FastICA、扩展Infomax算法的性能进行了对比分析，结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号，FastICA算法对能量强弱差别大的混合信号失效。基于这一现象，提出了一种新的独立分量分析算法，以粒子群算法为优化工具，以分离矩阵为优化变量，最小化分离信号联合概率与边缘概率乘积的差值，并给出了具体的计算流程。仿真实验结果表明，该算法的性能显著优于上述三种独立分量分析算法。同时，新提出算法实施过程中不需要任何先验知识，相比其他三种ICA算法，更适合解决工程实际问题。最后，将该算法应用于对滚动轴承实验台实测信号的处理，通过对分离信号的分析实现了对滚动轴承故障类型的准确识别，进一步证明了算法的有效性。
【总页数】6页(P7-11,25)
【作 者】李良敏;任景岩
【作者单位】长安大学 汽车学院 汽车运输安全保障技术交通行业重点实验室，西安 710064;西安格蒂电力有限公司，西安 710075
【正文语种】中 文
【中图分类】TN911.7 【相关文献】
1.基于遗传算法优化独立分量分析 [J], 欧阳柏平
2.基于粒子群算法的遗传算法优化研究 [J], 李雅琼;
3.基于粒子群算法的遗传算法优化研究 [J], 李雅琼
4.基于遗传-狮群算法优化的独立分量分析算法 [J], 张晓通;韩跃平;杨洋
5.基于模拟退火算法改进粒子群算法优化数学函数 [J], 朱焕雄
因版权原因，仅展示原文概要，查看原文内容请购买
基于遗传算法优化独立分量分析
２０１０年第７期 ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮ ｏ科教前沿。 科技信息
基于遗传算法优化独立分量分析
欧阳柏平 （广东商学院华商学院会计系 广东广州 ５１ １３００）
【摘要】本文主要结合遗传算法全局收敛的特点优化独立分量分析，通过实验表明该算法有良好的算法性能和分离效果． 【关键词】独立分量分析（ＩＣＡ）；遗传算法（ＧＡ）． ＧＡ Ｂａｓｅｄ ｔｏ Ｏｐｔｉｍｉｚａｔｅ ＩＣＡ ＯＵＹＡＮＧ ｎａｉ－ｐｉｎｇ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＡｃｃｏｕｎｔｉｎｇ，Ｈｕａｓｈａｎｇ Ｃｏｌｌｅｇｅ Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＢｕｓｉｎｅｓｓ Ｓｔｕｄｉｅｓ，Ｇｕａｎｇｚｈｏｕ Ｇｕａｎｇｄｏｎｇ，５１１３０Ｏ） 【Ａｂｓｔｒａｃｔ］Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｕｓｉｎｇ ｇｌｏｂａｌ ｃｏｎｖｅｒｇｅｎｃｅ ｏｆ ＧＡ ｔｏ ｏｐｔｉｍｉｚａｔｅ ＩＣＡ ｉｓ ｓｔｕｄｉｅｄ．Ｓｉｍｕｌａｔｉｏｎｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｈａｓ ｇｏｏｄ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｓｅｐａｒａｔｉｏｎ． 【Ｋｅｙ ｗｏｒｄｓ］Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ（ＩＣＡ）；Ｇｅｎｅｔｉｅ Ａｌｇｏｒｉｔｈｍ（ＧＡ）
０引言 独立分量￣（ＩＣＡ）ｃ Ｉ是盲信号分离研究领域中的一个具有创造 性的思路。是２０世纪９Ｏ年代发展起来的一种新的信号处理方法。其 根据高阶统计知识及信息理论，以隐含变量问相互独立为准则，进行 独立分量的提取．挖掘数据中隐含的信息。 遗传算法（ＧＡ）ｍ是基于对自然界中生物的遗传和进化机理进行模 拟得出的一种智能算法。其算法核心是模仿生物进化过程中的选择、 交叉、变异操作，有效地利用历史信息自适应寻优。这样一代一代不断 进化，最后收敛到一个最适应环境的个体上，从而求得问题的全局最 优解。遗传算法包括五个方面：编码、初始群体设定、适应度函数选取、 遗传算子和控制参数设定。 １ 基于遗传算法优化独立分量分析 独立分量分析要求寻找全局最优解，但已有的很多１ＣＡ算法多少 会陷入局部极小，因此这在一定程度上约束了ＩＣＡ的实际应用。为了 避免在学习过程中出现大量局部极小问题，利用遗传算法的优点，本 文通过结合遗传算法与独立分量分析进行分量提取。本算法的基本思 路是对ＩＣＡ的分离矩阵 通过遗传算法优化得到最优解 ，这样便 由Ｙ＝ＩＶＸ得到分离变量，再由性能指标评价函数衡量分离变量的独 立性。其算法核心是适应度函数的选取，初始群体的编码和遗传算子 的选择．以下逐一分析。 １．１适应度函数的选择 由ｌ，（ｔ）＝ （ｆ）这里假设Ｘ（ｔ）已经白化了，设ｙ的概率密度为 （ｙ），Ｙ的各个分量的概率密度函数为Ｂ（ ），且设 （，，）＝１ｌＢ（ ），于 是我们可用 （ｙ）与Ｂ（ｙ）之间的ＫＬ散度作为目标函数对Ｙ（ｔ）各个 分量之间统计独立性的度量。由文献【３］，目标函数￡（ ）为： ｆ（ ）＝一１ｎ ＪｄｅｔＷ Ｊ— ｉ ∑∑１ （ （ ）） ｊ＝ （ｎ＋ｃ （１一１） 其中Ｃ为常数。使得Ｌ（ ）达到极小值的ｗ便是ＩＣＡ的解。 于是求ＩＣＡ的解ｗ就变成了求解以下带约束的非线性规划问题： ｍａｘ＿厂（ｗ）＝一 （ ） ｓ．ｔ． （Ｗ）＝Ｏ （１－２） 其中，Ｌ（ ）如式（１—１）所示，＾（ ）＝ｌｌ ｌＩ一１。 求解以上带等式约束的优化问题我们利用文献 ］提出的办法。 适应度函数 ）由下式给出： ｆ（ｗ，＝ ，， ｓ， 其中Ｑ＝｛ ∈ＲＩｈ（Ｗ）＝Ｏ｝，ｅ１、ｅ２是正实数，使得 Ｊ ０，ｅａｌｖ（Ｗ）ｐ￣ 下式给出：
基于独立分量分析的地震资料去噪技术
基于独立分量分析的地震资料去噪技术
王春田;魏巍;刘彦辉
【期刊名称】《计算机仿真》
【年(卷),期】2010(027)007
【摘 要】在地震勘探资料处理中,针对消除多次波干扰问题,为消除多次波,需要将含多次波地震数据与预测多次波进行自适应相减,自适应相减技术大多基于输出信号(有效信号)能量最小准则,在有效信号与多次波存在交叉或重叠时应用效果较差.针对上述问题,重点研究独立分量分析技术,通过估计多次波与有效信号的混合矩阵来实现二者的分离,达到消除多次波的目的.仿真试验结果表明,独立分量分析方法有效避免了常规技术的不足,在有效信号与多次波发生交叉或重叠时,依然能够有效消除多次波,同时较好保护有效信号,为地震勘测提供了令人满意的结果.
【总页数】5页(P253-257)
【作 者】王春田;魏巍;刘彦辉
【作者单位】中国地质大学(北京)地球物理与信息技术学院,北京,100083;胜利油田物探公司,山东,东营,257086;胜利油田物探研究院,山东,东营,257022;胜利油田井下作业公司,山东,东营,257000
【正文语种】中 文
【中图分类】TE319
【相关文献】 1.地震资料去噪技术中的专利技术综述 [J], 丁虎;赵景焕;李保安;孙珍珠
2.基于盲源分离的地震资料去噪技术 [J], 魏巍
3.基于Seislet域分数阶阈值去噪算法的地震资料去噪 [J], 张入化; 黄建平; 国运东;
雍鹏; 刘定进
4.SVD地震波场分离与去噪技术在鄂尔多斯盆地地震资料处理中的应用 [J], 沈鸿雁
5.用基于平滑技术的时频分析方法对地震资料去噪的研究 [J], 王亚军;杨圣;戴旭初;李辉
因版权原因，仅展示原文概要，查看原文内容请购买
一种改进的基于多用户检测的独立分量分析算法
一种改进的基于多用户检测的独立分量分析算法
穆昌;姚俊良
【摘 要】为了降低FastICA算法的计算复杂度，提出了一种基于多用户检测串行干扰抵消的新型独立分量分析算法MUD_FastICA。该算法结合了盲信号分离和多用户检测串行干扰抵消两种信号处理技术，利用减法和低维特征值分解来保证每次分离出不同独立分量和达到降低算法复杂度的目的。通过分析和仿真可以看出，所提算法在不影响分离性能的前提下，显著降低了算法的迭代次数和每次迭代的计算复杂度。在信噪比0 dB和4个源信号混合情况下，分离第二个信号的迭代次数和所需计算单元分别下降了14%和37%，分离第三个信号的迭代次数和所需计算单元分别下降了22%和58%，因此更加适合对实时性要求高的通信系统。%A new
independent component analysis ( ICA) method named MUD_FastICA is
proposed to re-duce the computation complexity of FastICA algorithm. In
the proposed method, multiuser detection (MUD) successive interference
cancellation(MUD-SIC) is combined with one-unit FastICA to separate
different independent components and reduce computation complexity.
Analysis and simulation results show that, the MUD_FastICA can reduce the
number of iteration and computation complexity obviously. Mean-while,the separation performance is approximately the same with that of
基于扩展Infomax 独立分量分析算法的脑电信号消噪
基于扩展Infomax 独立分量分析算法的脑电信号消噪
黄艳;黄华
【摘 要】背景：脑电信号能够反映大脑不同的生理病理状态，但在采集和分析处理过程中极易受到各种噪声的干扰，如眼球运动、眨眼、心电、肌电等，这些噪声的存在严重影响了脑电信号的分析和处理。目的：介绍了一种基于扩展 Infomax
的独立分量分析方法，并用于脑电信号消噪。方法：通过扩展 Infomax 算法的迭代求得分离矩阵，采用去除噪声分量后的独立成分重构需要记录的脑电信号，观察
Matlab 仿真得到的去噪后的脑电信号，同时比较去噪前后各导联脑电信号与眼电信号的相关性。结果与结论：使用扩展 Infomax 独立分量分析算法能够成功地去除多导脑电信号中的眼电干扰。再比较去噪前后各导联脑电信号的功率谱，可以发现使用扩展 Infomax 独立分量分析算法同时也能够成功地去除多导脑电信号中的工频干扰，且对脑电信号中的其他有用信号几乎没有破坏。%BACKGROUND:
The electroencephalogram signal can reflect the different physiological
and pathological activity of brain, many noises are interfused into
electroencephalogram signals during the col ecting and analyzing process,
such as eye movements, eye blinks, heart beats and muscle activities,
which affects people’s right to analysis and process the
electroencephalogram signal. OBJECTIVE: To introduce an independent
复值快速独立分量分析算法研究
- 1 - 复值快速独立分量分析算法研究
今日，我们的社会正处于大数据的浪潮中，对于实现人工智能的发展提出了更高的要求，因此对于大数据的分析和处理备受关注，自然而然的独立分量分析算法成为研究者们继续探索和开发的重要研究领域，本文将介绍一种新型的独立分量分析算法复值快速独立分量分析算法，以便研究者们更好地理解此算法，并研究更多的可借鉴之处，为开发高效的独立分量分析算法提供借鉴及参考。
首先，本文介绍复值快速独立分量分析算法结构，该算法是一种基于概率模型的独立分量分析方法，以把复杂的数据集分解成几个独立的分量，以便更好地处理其它数据集。复值快速独立分量分析算法的工作流程主要分为以下几个步骤：（1）输入数据集，将数据集进行标准化处理；（2）计算数据集的协方差矩阵；（3）计算数据集的特征值和特征向量；（4）通过特征值和特征向量计算独立分量；（5）根据特征值大小重新排序独立分量（6）输出复值快速独立分量结果。
其次，本文介绍复值快速独立分量分析算法的优势，由于复值快速独立分量分析算法具有多方面的优势，使其在研究领域中大受欢迎，其优势主要有：（1）算法简单易行，具有较高的时间效率和精度；（2）算法可以分解高维数据结构，更容易解决复杂问题；（3）算法可以将复杂的数据集分解成几个独立的分量，以便更好地处理其它数据集。
此外，本文还讨论了复值快速独立分量分析算法的应用，从而可以更好地理解复值快速独立分量分析算法的价值。复值快速独立分量分析算法不仅可用于处理和分析大规模数据集，还可以更好地处理生 - 2 - 物特征数据、图像处理数据和混合信号处理数据，为数据分析提供有效的手段。
最后，复值快速独立分量分析算法是一种新的独立分量分析方法，其结构简单、时间效率高，利用其优势，可以处理大规模数据集、生物特征数据、图像处理数据和混合信号处理数据，从而满足大数据的高效分析和处理的要求。因此，复值快速独立分量分析算法非常适合于高效率的大数据分析和处理，可以成为研究者们未来研究发展的重要研究方向。
基于独立分量分析的缺陷信号除噪
第３Ｏ卷第１Ｏ期 ２００７年１Ｏ月 合肥工业大学学报（自然科学版） ＪＯＵＲＮＡＬ ０Ｆ ＨＥＦＥＩ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＴＥＣＨＮＯＬＯＧＹ Ｖｏｌ＿３Ｏ Ｎｏ．１０ Ｏｃｔ．２００７
基于独立分量分析的缺陷信号除噪
查君君， 何辅云， 胡浪涛 （合肥工业大学计算机与信息学院，安徽合肥２３０００９） 摘要：独立分量分析ＩＣＡ是一项新兴的阵列信号处理方法，在简要介绍ＩＣＡ概念和定点算法的基础上，将 ＩＣＡ的定点算法应用到缺陷信号除噪中。仿真试验结果表明，ＩＣＡ的定点算法除噪效果优于传统的数字滤波 器，它在缺陷信号除噪中具有较大的应用潜能。 关键词：独立分量分析；定点算法；漏磁检测；缺陷信号；数字滤波器 中图分类号：ＴＮ９１１．７２ 文献标识码：Ａ 文章编号：１００３—５０６０（２００７）１０—１２５０—０３ Ｒｅｄｕｃｔｉｏｎ ｏｆ ｎｏｉｓｅ ｉｎ ｆｌａｗ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ
ＺＨＡ Ｊｕｎ—ｊｕｎ，ＨＥ Ｆｕ—ｙｕｎ。 ＨＵ Ｌａｎｇ—ｔａｏ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，Ｈｅｆｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ ２３０００９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｂａｓｉｃ ｔｈｅｏｒｙ ｏｆ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＩＣＡ），ｗｈｉｃｈ ｉｓ ａ ｎｅｗ ｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄ ｏｆ ａｒｒａｙ ｓｉｇｎａｌｓ，ａｎｄ ｔｈｅ ｆｉｘｅｄ－ｐｏｉｎｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ＩＣＡ ａｒｅ ｂｒｉｅｆｌｙ ｉｎｔｒｏｄｕｃｅｄ．Ａ ｆｉｘｅｄ－ｐｏｉｎｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ＩＣＡ ｉｓ ｕｓｅｄ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｎｏｉｓｅ ｉｎ ｆｌａｗ ｓｉｇｎａｌｓ．Ｄｅｎｏｉｓｉｎｇ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ，ａｎｄ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｍｅｔｈｏｄ ｉｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ａ ｔｒａｄｉｔｉｏｎａｌ ｄｉｇｉｔａｌ ｆｉｌｔｅｒ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｉｎ ｔｈｅ ｄｅｎｏｉｓ— ｉｎｇ ａｐｐｌｉｃａｔｉｏｎ ｔｈｅ ＩＣＡ ａｌｇｏｒｉｔｈｍ ｉｓ ｓｕｐｅｒｉｏｒ ｔｏ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｄｉｇｉｔａｌ ｆｉｌｔｅｒ．Ｔｈｕｓ ｔｈｅ ｆｉｘｅｄ－ｐｏｉｎｔ ａｌｇｏ— ｒｉｔｈｍ ｆｏｒ ＩＣＡ ｈａｓ ｌａｒｇｅ ｐｏｔｅｎｔｉａｌ ｉｎ ｄｅｎｏｉｓｉｎｇ ｏｆ ｆｌａｗ ｓｉｇｎａｌｓ． Ｋｅｙ ｗｏｒｄｓ：ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＩＣＡ）；ｆｉｘｅｄ—ｐｏｉｎｔ ａｌｇｏｒｉｔｈｍ；ｍａｇｎｅｔｉｃ ｆｌｕｘ ｌｅａｋａｇｅ ｔｅｓ— ｔｉｎｇ；ｆｌａｗ ｓｉｇｎａｌ；ｄｉｇｉｔａｌ ｆｉｌｔｅｒ 在对大直径超长钢管的漏磁检测中，多通道 传感器阵列随探头高速旋转采集缺陷信号。由于 缺陷信号非常微弱，极易引入噪声干扰。如电动 机的电磁干扰、工频干扰等。因此，噪声的滤除直 接关系到检测设备的可靠性。 ＩＣＡ的发展是和盲信源分离紧密联系的， ＩＣＡ是盲分离算法的一大类＿ｌ卫］。正是由于信号 盲分离问题对源信号及混合通道未知，仅从混合 观测信号出发，对其施加一系列变换后能恢复出 源信号，这些使得盲信号分离在无线通信、图像处 理、地震、声纳、语言和生物医学等领域具有广泛 的应用前景。 本文利用ＩＣＡ的快速定点算法滤除传感器 阵列的噪声，克服了传统数字滤波器因噪声与缺 陷信号的频谱往往交迭而导致的滤波效果不理 想；同时也克服消除自适应干扰的困难需要噪声 参考信号作为它的输入 ，并且使用时还有一段 收敛过程。 １ ＩＣＡ的基本概念和定点算法 １．１ ＩＣＡ的基本概念 ＩＣＡ的框图说明如图１所示。多导观测信号 ｘ（ｘ一［ｚｌ，ｚ ，…，ｚＭ］ ）是多个信源ｃ（ｃ一［ｃｌ， Ｃ ，…，ＣＮ］Ｔ）经混合矩阵Ａ Ｎ组合而成（ｘ— ＡＣ）。ＩＣＡ的任务就是在Ａ与ｃ均未知的情况 下，解得一个解混阵曰 Ｍ，使得ｘ通过它解混后 收稿日期：２００６—１０—１６；修改日期：２００６—１１—０９ 基金项目：国家科技部科研院社会公益研究资金资助项目（ＺＯｏ—Ｇ０３） 作者简介：查君君（１９８ｌ一），男，安徽芜湖人，合肥工业大学硕士生； 何辅云（１９４９一），男，安徽巢湖人，合肥工业大学教授，硕士生导师．