一种基于独立分量分析的模糊图像盲分离算法

合集下载

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。

基于小波变换的混合图像EASI盲分离算法

ＧＡＯＬｉ，ＺＨＡＮＧＴｉａｎｑｉ，ＺＨＯＵＳｈｅｎｇ，ＨＥＤａｎｎａ
（ＣｈｏｎｇｑｉｎｇＫｅｙ６ｏ删０，ｙｏｆＳｉｇｎｄａｎｄＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｄｎＴｅｌｅｃｏｍｍｕｎｉｃａｔｏｉｎｓ，Ｃｈｏｎｇｑｉｎｇ４０００６５，Ｃｈｉｎａ）【Ａｂｓｔｒａｃｔ】Ｕｓｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）ａｎｄｔｈｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ（ＷＴ），ａｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎＷＴｔｏｓｅｐｒａａｔｅ
ｃｏｒｄｉｎｇｔｏｈｅｔｓｅｐａｒａｔｉｏｎｍａｔｒｉｘｇｏｔａｂｏｖｅ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｌｇａｏｉｔｒｈｍｎｏｔｏｎｌｙｈａｓｈｉｇｈｓｅｐａｒａｔｉｏｎｐｒｅｃｉｓｉｏｎ，ｆａｓｔｓｅｐａｒａｔｉｏｎｓｐｅｅｄｎｄａｈｉｇｈｓｔｂｉａｌｉｔｙ．ｂｕｔｌｓａｏｃａｎａｃｈｉｅｖｅｇｏｏｄｓｅｐｒａａｔｉｏｎｅｆｅｃｔｅｖｅｎｕｎｄｅｒｍｏｒｅｍｉｘｅｄｉｍａｇｅｓ ’ｃａｓｅ．

基于快速曲波变换和独立分量分析的有噪图像盲分离算法

。
Ｔｈｉｌｔｏｅｕｌｈｗｈｔｈｓｍｅｈｄｈｓｍｏｅｅｆｃｉｅｐｒｏｍａｃｎｈｉｈｒｒｎｉｇｓｅｄｉｘｄｅｓｍｕａｉｎｒｓｔｓｏｔａｉｔｏａｒｆｅｔｖｅｆｒｎｅａｄｔｅｈｇｅｕｎｎｐｅｎｍｉｅｓｔ
２Ｉｓｉｅｏａｎ，ｒｈｓｅｎｐｌｔｃｎｃｎｖｒｉＸｉｌ７０７ｉａ．ｎｔｕｔｆＭｒｅＮｏｔｗｅｔｒｏｙｅｈｉａｕｉｅｓｔｔｉｌｙ ’ ｌ１０２Ｃｈｎ）ａ
，
ＡｂｔａｔＴｈｅｅａｅｔｉｉｌｉｌｍｅｔｔｏｓｆｒｃｒｅｅｒｎｆｒｔｅｆｒｔｉｉａｒｎｆｒａｉｎｉａｅｎｕｅｕ１ｓｒｃ：ｅＴｈｒｒｗｏｄｇｔｍｐｅｎａｉｎ：ｏｕｖｌｔｔａｓｏｍｈｓｇｔｌｔａｓｏｍｔｏｓｂｓｄｏｎｑａ１ａｉｄｙ
．
ｓａｅａｔＦｏｒｅｒｎｆｒｗｈｌｈｅｓｃｎｓｂｓｄｏｈａｐｎｆｓｅｉｌｅｅｔｄＦｕｉｒｓｍｐｅＴｈｐｃｄｆｓｕｉｒｔａｓｏｍｉｔｅｏｄｉａｅｎｔｅｗｒｐｉｇｏｐｃａｌｓｌｃｅｏｒｅａｅｙｌｓｅ
ＢＩＹａｇＸＩｎ，ＡＯｕＪｎ
（．ｐｒｎｆｅｔｃｌｎｉｅｒｇＸｉｉａｒｔｃｎｃｏｌｇ． ’ １０７Ｃｈｎ；１ＤｅａｔｔＥｌｃｒａｇｎｅｉ， ’１ｅｏｅｈｉａｃｌｅＸｉｎ７０７ｉａｍｅｏｉＥｎａｌｅａ

独立分量分析在高光谱图像舰船检测中的应用

维普资讯
第２卷第９５期
文章编号：０６—９４（０８００９０１０３８２０）９— １６— ２
计
算
机
仿
真
２８月０年９０
独立分量分析在高光谱图像舰船检测中的应用
寻丽娜，勇华方
（中国科学院安徽光学精密机械研究所遥感研究室，安徽合肥２０３）３０１摘要：根据海上舰船目标的特点，提出了一种基于独立分量分析的目标检测算法，应用于高光谱图像海上舰船检测。首先采
用基于峰度的快速独立分量分析方法（ａｌＡ对高光谱图像进行处理，ＦｓＣ）ｔ获得统计独立的独立分量影像，然后以偏度为特征
ＸＵＮ —ｎＬｉａ．ＦＡＮＧｎＹｏｇ—ｈａｕ
（ｅｔｅｓｇＬｂｒｔｙＡｈｉｎｔｕｅｏｐｉｎｉｅＭｅｈｎｃｆＡ，ｆｉｎｕ３０１ＣｉａＲｍｏＳｎｉａｏａｒ，ｎｕｓｔｔｆｔｓａｄＦｎｃａｉｓＳＨｅｈｉ０３，ｈｎ）ｅｎｏＩｉＯｃｏＣｅＡ２ＡＳＲＴ：ｅｅｔａｇｔｅｃｏｐｒａｈｂｓｄｏｄｐｎｅｔｏｏｅｔｎｌｓＩＡ）ｉｐｏｓｄａｄＢＴＡＣＡｓａｅｒｅｄｔｔｎａｐｏｃａｅｎｉｅｅｄｎｃｍｐｎｎａｙｉＣｌｆｔｅｉｎａｓ（ｓｒｐｅｎｏ
ｌａｉｇｓｅｔｍｅｒ（ＭＩ）ｓｏａ，ｅｍｔｏａｃａｅｆｉｃ．ｈｘｅｍｎｓｏｆｍｔｅｅａｉｇｃｒｔ０ＳｈｗｔｔｔｅｈｄｈｓｎｉｒｓｄｅｉｅｙＴｅｅｐｒｅｔｃｎｉｌｒｍｎｐｏｅｈｈａｎｅｆｃｎｉｒｈ－

盲源分离(ICA)

Infomax 法的判据：在给定合适的 gi(Yi)后，使输出 r = [r1，r2，…，
rM]的总熵量H(r)极大。
和互信息极小化准则等价
gi 可采用某些单调增长函数 (如: sigmoid 函数、tanh(• )等) ，只是信源的pdf 需要一律是超高斯型，或一律是亚高斯型。
三、分离算法
源信号的各分量具有单位方差。
三、分离算法
（一）目标函数采用基于独立性测度的分离准则。
非高斯最大化准则
互信息极小化准则
信息极大化极大似然准则
三、分离算法
（1）非高斯最大化准则根据大数定理，多个相互独立的随机变量之和趋向于高斯分布。因此，分离信号的非高斯性可以作为衡量是否成功分离的准则。常用的非高
为亚高斯分布。
三、分离算法
负熵：信息论中的“熵” 是随机变量的随机性越大，熵就越大，高斯变量是所有等方差的随机变量中熵最大的。负熵是任意随机变量与高斯随机变量之间的相对熵，定义如下：
J[p(y)]值越大表示它距离高斯分布越远，可用来作为非高斯性的度量。
三、分离算法
（2）互信息极小化准则（Minimization of Mutual Information, MMI）当 y中各分量统计独立时，互信息 I ( y ) =0，互信息定义如下：
基于负熵的，提取多个源信号的固定点算法步骤如下：
四、仿真结果
四、仿真结果
源信号只含一个随机噪声分离后得到的波形图
源信号含两个随机噪声分离后得到的波形图
在同一个ICA系统中，信号的非高斯性越强，分离出来的信号越接近源信号，分离效果越好；反之，分离效果越差。
次序不确定性
五、问题

光纤通信系统中的信道均衡技术研究

光纤通信系统中的信道均衡技术研究一、引言随着通信技术的发展，光纤通信系统已经成为现代通讯领域主流技术之一。

然而，由于光纤通信系统的传输距离比较远，会导致信号受到多径折射、色散等多种信道干扰，影响通信质量。

因此，信道均衡技术成为提高光纤通信系统性能和扩大传输距离的重要手段。

二、信道均衡技术原理在光纤通信系统中，信道均衡技术通过对接收信号进行加权和滤波，将受到干扰的信号进行调整，使其与原始信号相似，从而提高通信质量。

其基本原理是通过使得接收信号与期望信号之间的误差最小化，从而消除信道的影响。

光纤通信系统中，最常用的信道均衡技术是线性均衡技术和盲均衡技术。

三、线性均衡技术线性均衡技术是最常用的信道均衡技术之一，其基本原理是将接收信号进行加权和滤波，从而实现信道均衡。

其重点在于构造合适的等化器来抵消信道传输特性，以实现对信道的补偿和抵消。

在线性均衡技术中，最常用的是卷积均衡（FIR）和递归均衡（IIR）。

（一）卷积均衡技术卷积均衡技术是最常用的线性均衡技术之一。

其是通过对接收信号进行卷积，实现对信道影响的消除，从而实现信道均衡。

卷积均衡器由加法器和延迟器组成，其输出信号是一个针对信道衰减、相位、色散等因素进行加权和滤波的补偿系数序列。

（二）递归均衡技术递归均衡技术是线性均衡技术中的一种。

其使用反馈的方式，不断调整滤波器的系数，来逐渐优化接收信号的质量。

递归均衡器可以获得比卷积均衡器更好的均衡效果，但同时也更容易发生不稳定的情况。

四、盲均衡技术盲均衡技术没有直接利用信道特性，而是通过利用接收信号的统计特性，来获取原始信号的信息。

其利用了信噪比高的信号比信噪比低的信号更容易区分的原理，从而实现了信道均衡。

（一）盲均衡算法分类当前，主流的盲均衡算法主要包括统计盲均衡算法和自适应盲均衡算法。

统计盲均衡算法分类为基于独立分量分析（ICA）的盲均衡算法、基于最小二乘法（LS）的盲均衡算法、基于最大似然估计（MLE）的盲均衡算法等。

基于自适应学习率独立分量分析的图像盲分离

（ＳＲ）ｏｈｂａｎｄｉａｅ．ＰＮｆｔｅｏｔｉｍｇｓｅ
ＫｅｒｓＩｄｐｎｅｔＣｏｏｅｔＡｎｌｓｓｉｇｌｄｓｐｒｔｎ；ｄｐｅｒｉｇｒｔｙｗｏｄ：ｎｅｅｄｎｍｐｎｎａｙｉ；ｍａｅｂｉｅａａｉａａｔｌａｎｎａｅｎｏ
首先通过预处理假设独立分量ywx已经具有单位方差1实际上就是限定w1ica的基本原理就是利用中心极限定理通过最大化混合信号的非高斯性而对其独立分量进行分离负熵作为非高斯性判断的一个标准在定点ica中用来计算信号的非高斯性熵越小非高斯性越强
维普资讯
ＣｍｕｅｎｉｅｒｇａｄＡｐｉｔｎｏｐｔｒＥｇｎｅｉｎｐｌａｉｓ计算机工程与应用ｎｃｏ
ｐｎｅｔＣｏｏｅｔｅｄｎｍｐｎｎＡｎｌｓｈｓｈａｖｎａｅｏａｌｓｕｔｒｆｓｏｖｒｅｃ，ａｙｔｕｅｎＳｎ，ｕｔｒｑｅｔｈａｙｉａｔｅｄａｔｇｆｓｍｐｅｔｃｕｅ，ｔｎｅｇｎｅｅｓｏｓａｄＯｏｂｔｉｅｕｓｓｔｅｓｒａｃｄｔｉｄｐｎｅｔｆｅｃｏｈｒｉｏｏｓｙＩｆｃ，ｅｅｒｍａｙｅａｉｎｈｐｉｔｅｅｌｂｅｖｔｎａａｓｔ．ｏ，ｅｔｅｅａａｎｅｅｄｎｏａｈｔｅｒｒｕｌ．ｇｎａｔｔｒａｅｈｎｒｌｔｓｉｓｎｈｒａｏｓｒａｉｄｔｅｓＳｗｈｎｈｓｏｏｈｎｓａｐｎ，ａｉｏａＦｓｔｉｇｈｐｅｔｄｔｎｌａｔＣＡｏｖｒｅｃｓｅｙｌｗｌｅｅｆｉＷｅｏｖｔｅｒｂｅｂｐｐｓｄｎａａｔｅｅｒｉｇｒｉＩｃｎｅｇｎｅｖｒｓｏｙｖｎａｌｓｌｅｈｐｏｌｍｙｒｏｅａ．ｏｄｐｉｌａｎｎｖ

基于图像处理的盲卷积算法研究

基于图像处理的盲卷积算法研究从图像处理的角度来看，盲卷积是一项关键性的技术，它涉及到很多领域，比如数字图像处理、通信等领域。

事实上，盲卷积技术在很多场合下被广泛应用，以求得到更好的效果。

在这篇文章中，我们将探讨一下基于图像处理的盲卷积算法的研究。

一、什么是盲卷积算法盲卷积算法是一种无需知道卷积核的算法，该算法可以使用一些特定的技术对数据进行处理，从而找到未知的卷积核。

通俗来说，就是不知道盲人摸象，只能通过摸象的结果，推断出象的真实情况。

盲卷积算法对于某些需要在其他领域中进行模糊或平滑处理的问题也是非常有用的。

二、盲卷积算法的应用盲卷积算法在很多领域都有应用，比如数字图像处理和通信等领域。

1. 数字图像处理在数字图像处理领域中，盲卷积算法被广泛用于图像复原、图像去噪等方面。

图像复原就是对被破坏的图像进行恢复，通过盲卷积算法可以还原出图像在受损前的样子；图像去噪就是去掉图像中的噪声，提升图像的质量。

盲卷积算法可以通过鲁棒性的方法去除噪声，达到减少噪声对图像影响的目的。

2. 通信在通信领域中，盲卷积算法被用于盲均衡、自适应信道均衡和信号处理等方面。

当信道的冲击响应不知道时，可以通过盲卷积算法去寻找出信道冲击响应，对于提高通信质量起到了重要的作用。

三、盲卷积算法的研究盲卷积算法的研究可以分为两类，分别是基于频域的方法和基于时域的方法。

1. 基于频域的方法基于频域的盲卷积方法一般是基于各种频域变换技术——如傅里叶变换（FFT）、卡尔曼滤波器等地展开的，并且常常都是利用快速傅里叶变换（FFT）来计算，因此，这种方法的计算速度很快。

但是，由于傅里叶变换在时域分布不规则的信号中存在逊色的表现，并且存在随机噪声，所以这种方法的精度不够高。

2. 基于时域的方法基于时域的盲卷积算法是通过对卷积核的不同估计方法来实现的，比如迭代最小二乘法、梯度算法等。

相对于基于频域的方法，基于时域的盲卷积算法所涉及的运算更加复杂，但是它在处理非线性变换和存在多个卷积核的情况下，具有更高的准确性。

基于小波包-变分贝叶斯独立分量分析的源信号盲分离方法

ＶａｒｉａｔｉｏｎａｌＢａｙｅｓＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｍｅｎｔＡｎａｌｙｓｉｓ
ＬＩＺｈｉ —ｎｏｎｇＺＨＯＵｗｅｉＬＩＵＷｅｉ—ｂｉｎＨＥＫｕａｎｇ
ｒｅａｅｓｔｉｍａｔｅｄｂｙｔｈｅＶＢＩＣＡｍｅｔｈｏｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｖｅｒｙｅｆｅｃｔｉｖｅ．Ｅｖｅｎｕｎｄｅｒｎｏｉｓｙｍｉｘｔｕｒｅ
（１．ＮａｎｃｈａｎｇＨａｎｇｋｏｎｇＵｎｉｖｅ￣ｉ＠，Ｎａｎｃｈａｎｇ，ｌａｆｎｇｘｉ３６００６３，Ｃｈｉｎａ；２．Ｕｎｉｔ７１６９７ｏｆＰＬＡ，Ｈｕｉｘｉａｎ，Ｈｅｎａｎ４５３６００，Ｃｈｉａ）ｎ
基于小波包一变分贝叶斯独立分量分析的源信号盲分离方法
李志农周伟刘卫兵何况
（１．南昌航空大学，江西南昌３３００６３；中国７１６９７部队，河南辉县４５３６００）
［摘要］结合小波包分析和变分贝叶斯独立分量分析的各自优点，提出了一种基于小波包一变分贝叶斯独立分量分析的盲源分离方法，该方法利用小波包对观测信号进行分解，将得到的重构的小波包系数组成新的观测信号，再利用变分贝叶斯推论对源信号进行估计。仿真结果表明，该方法是有效的，即使在非常低的信噪比噪声混合下，也能得到非常满意的分离效果。［关键词］变分贝叶斯独立分量分析；小波包变换；盲源分离

独立分量分析在脑电信号混合噪声分离中的应用

独立分量分析在脑电信号混合噪声分离中的应用摘要：在脑电信号的采集和处理过程中，常常受到各种噪声伪迹的干扰。

本文将独立分量分析（Independent Component Analysis，ICA）技术应用在脑电信号的眼电噪声分离问题上。

本文分别使用四种常用的ICA算法：二阶盲识别(SOBI)、Hyvarinen不动点算法(FastICA)、Infomax和联合逼近特征矩阵对角化(JADE)用于脑电信号的眼电伪迹分离，并使用MATLAB作为实验平台，采用格茨数据集2a，针对四种算法的运行时间及分配内存进行了实验对比。

实验结果表明，SOBI算法的MATLAB实现表现了最好的综合性能。

相较其他三个ICA算法，SOBI 算法能够在分配内存较小的情况下快速准确地去除脑电信号中的噪声。

关键词：独立分量分析（ICA）；脑电信号（EEG）；盲源分离(BSS)；1.引言脑电信号（ElectroEncephaloGrapgy,EEG）是一类反映大脑活动的微弱生物电信号，其中包含了大量的生理和病理信息，在研究人脑功能、疾病预防及诊断等方面，EEG信号发挥了非常重要的作用。

但是在脑电信号的采集过程中，经常受到诸如眼电、肌电、心电等外界的干扰，使得采集到的脑电信号中包含了严重的噪声伪迹，影响了脑电信号的分析及分类识别。

因此，如何在确保不丢失脑电信号的前提下消除噪声伪迹，是脑电信号预处理阶段的一个首要研究内容。

盲源分离（Blind Sourse Separation，BSS）是盲信号处理领域中的一个主要研究方向，盲源分离算法能从观测到的混合信号中，提出未知的“源”信号。

多导联采集到的EEG信号是由多个脑电“源”信号经由头部的容积传导效应混合形成的，因此，利用盲源分离的脑电信号分析方法能够有效地基于头皮空间域进行脑电信号分析。

国内外学者提出了许多盲信源分离方法，其中基于统计独立性的独立分量分析（Independent Component Analysis，ICA）方法应用最为广泛。

盲源分离算法初步研究

盲源分离算法初步研究一、盲源分离基本问题1.概念BSS 信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。

典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。

其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。

根据不同的分类标准，信号盲分离问题可以分成以下几类：（1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。

单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。

多通道信号分离是M 个源信号混合后得到N 路混合信号（通常N ≥M ）。

从N 路混合信号中恢复出M 个源信号的问题即为多通道信号分离。

一般情况下，单通道信号分离的难度要超过多通道信号分离。

（2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。

在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。

但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。

（3）根据源信号的种类，也可将信号盲分离分为多类。

在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。

2.盲分离问题的描述BSS 是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，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。

所谓的“鸡尾酒会”问题就是一个典型的例子。

在某个场所，多个人正在高声交谈。

我们用多个麦克风来接受这些人说话的声音信号。

每个人说话的声音是源信号，麦克风阵列的输出是观测信号。

由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。

盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。

如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。

盲源分离综述_问题_原理和方法

中图分类号:T N97111 文献标志码:A 文章编号:C N51-1694(2008)02-0001-05收稿日期:2007-11-29;修回日期:2007-12-30作者简介:陈锡明(1970-),男,高级工程师,博士;黄硕翼(1983-),男,硕士研究生。

盲源分离综述———问题、原理和方法陈锡明,黄硕翼(信息综合控制国家重点实验室,成都610036)摘要:盲源分离,是从观测到的混合信号中恢复不可观测的源信号的问题。

作为阵列信号处理的一种新技术,近几年来受到广泛关注。

文章按源信号不同的混合方式,将盲源分离问题分为三种类型:线性瞬时混合、线性卷积混合和非线性混合,综述了它们各自分离的原理和方法,并结合国内外的研究现状,对未来的发展作出了展望。

关键词:盲源分离;独立分量分析B lind Source Separation :Problem ,Principle and MethodCHE N X i 2ming ,HUANG Shuo 2yi(National In formation C ontrol Lab oratory ,Chengdu 610036,China )Abstract :Blind source separation is to recover unobserved source signals from observed mixtures.As a new technology of array signal processing ,it has attracted wide attention.Blind source separation is classified into three types :linear instantaneous mixtures ,linear conv olutional mixtures ,and nonlinear mixtures ,as per different mixture methods.And a survey is presented on separation principles and methods of each type.The prospect of future development is given too.K ey w ords :blind source separation ;independent com ponent analysis (ICA )1　引言盲源分离(BSS )是信号处理领域的一个基本问题,是根据观测到的信号来分离或恢复出未知源信号的过程。

独立分量分析及其在图像处理中的应用现状

ＧＵＯＷｕ，ＺＨＡＮＧＰｅｎｇ，ＷＡＮＧＲｕｎ－ｓｈｅｎｇ．ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｓｉｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（２３）：１７２－１７７．
个分量服从高斯分布；（２）混合矩阵Ａ为可逆的或列满秩的（当
ｍ≠ｎ时）；（３）观测向量的维数不小于源信号的维数（ｍ≥ｎ）。
通常还假设源信号ｓ和观测信号ｘ是零均值的，当它们不是零
均值时，可以经过简单变换得到零均值数据。在有些实际应用中，
第二条假设并不满足，此时称为过完备（Ｏｖｅｒｃｏｍｐｌｅｔｅ）独立分量
１７２２００８，４４（２３）
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
◎图形、图像、模式识别◎
独立分量分析及其在图像处理中的应用现状
郭武，张鹏，王润生ＧＵＯＷｕ，ＺＨＡＮＧＰｅｎｇ，ＷＡＮＧＲｕｎ－ｓｈｅｎｇ
国防科技大学ＡＴＲ实验室，长沙４１００７３ＡＴＲＬａｂ，ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ４１００７３，ＣｈｉｎａＥ－ｍａｉｌ：ｇｕｏｕｗｕ２０００＠ｙａｈｏｏ．ｃｏｍ．ｃｎ
得到的独立分量是按非高斯性降序排列的。比较于投影寻踪方
法，这相当于先得到了最感兴趣独立分量。在输入数据维数很
高的情况下，该方法也可以降低计算复杂度；（３）由于独立分量

改进的FastICA算法在图像盲分离中的应用

ｌｆｏｗｏｆＦａｓｔｌＣＡａｌｇｏｒｉｔｈｍ．Ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｉｓａｐｌｌｉｅｄｔｏｂｌｉｎｄｉｍａｇｅｓｅｐａｒａｔｉｏｎ，Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｅｎｈａｎｃｅｔｈｅｅｆｆｅｃｔｏｆｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔｓｅｐａｒａｔｉｏｎ．
（１．ＮａｎｊｉｎｇＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００４６，Ｃｈｉｎａ；
２．ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｚｈｏｕ２１３０２２，Ｃｈｉｎａ）
ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ）分解出的分量只是相互正交，具有明
达到最优。该算法具有很多神经算法的优点如：并行的、分布的、计算简单、要求内存小。近年来刈’ ＩＣＡ的研究在
和通道先验知识甚少的情况下，仅由观察信号推断信源和通道特性，从线性混合的观测信号中分离出独立的信号源。传统的盲源分离往往关注于信号的一阶统计量，

图像处理中不适定问题

图像处理中不适定问题作者：肖亮博士发布时间：09-10-25 阅读：600所属分类：默认栏目图像处理中不适定问题（ill posed problem）或称为反问题（inverse Problem）的研究从20世纪末成为国际上的热点问题，成为现代数学家、计算机视觉和图像处理学者广为关注的研究领域。

数学和物理上的反问题的研究由来已久，法国数学家阿达马早在19世纪就提出了不适定问题的概念:称一个数学物理定解问题的解存在、唯一并且稳定的则称该问题是适定的（Well Posed）.如果不满足适定性概念中的上述判据中的一条或几条，称该问题是不适定的。

典型的图像处理不适定问题包括：图像去噪（Image De-nosing），图像恢复（Image Restorsion），图像放大（Image Zooming），图像修补（Image Inpainting），图像去马赛克（image Demosaicing），图像超分辨(Image super-resolution )等。

迄今为止，人们已经提出许多方法来解决图像处理中的不适定性。

但是如何进一步刻画图像的边缘、纹理和角形等图像中重要视觉几何结构，提高该类方法在噪声抑制基础上有效保持结构和纹理能力是有待深入研究的问题。

1 不适定图像处理问题的国内外研究现状评述由于图像处理中的反问题往往是不适定的。

解决不适定性的有效途径是在图像处理中引入关于图像的先验信息。

因此图像的先验模型对于图像反问题和其它计算机视觉还是图像处理问题至关重要。

对于图像的先验模型的研究，研究者们从多个角度进行研究，其代表主要有“统计方法”和“正则化几何建模方法”，“稀疏表示方法”三种主流方法，而最近兴起的图像形态分量分析（MCA）方法吸引了大批国内外研究者的广泛关注。

1.1 正则化几何模型日新月异关于自然图像建模的“正则化几何方法”是最近几年热点讨论的主题。

其中一类方法是利用偏微分方程理论建立图像处理模型，目前的发展趋势是从有选择性非线性扩散的角度设计各类低阶、高阶或者低阶与高阶综合的偏微分方程, 或者从实扩散向复扩散推广, 从空域向空频域相结合以及不同奇异性结构的综合处理[1]。

基于独立分量分析(ICA)的通信信号盲侦察技术

ＦＵｅｈｎＹＡＮＧａ－ｉ一ＬＩＮａａ，ＥＷｉｏｇ，－Ｘｉｏｎｕ．，ＵｉｎＺＮＧｎ－ｎＸｉｇｗｅ
（．ｔｔＫｙＬｂｏｎｅｒｔｅｖｃｅｗｒｓＸｄｎｕｉｒｔ， ’ｉ７０７，ｈｎ；１Ｓａｅｅａ．ｆｔｇａｅＳｚｉＮｔｏｋ，ｉａｎｖｓｙＸｉ１１０１ＣｉａＩｄｅｉｅｉａ

的ＩＡ算法（ＡＩＣＥＳ算法）对分离效果进行了仿真．仿真结果表明，采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式）可以很好地分离出原始发射信号，，为后续信号处理（如分析识别、解调等）奠定了基础．关键词：立分量分析；独通信对抗；察；侦盲信号处理
ＡｂｔａｔＤｕｏｔｅｃｍｐｅｉｙｏｈｌｃｒｍａｎｔｍｉｃｍｓａｃｄｔｅｕｔｌｉｆｈｉｎｌｄ — ｓｒｃ：ｅｔｈｏｌｘｔｆｔｅｅｅｔｏｇｅｉｃｒｕｔｎｅａｈｌｐｉｔｏｅｓｇａｓｎｍｉｃｙｔｍｏｕ
ｌｔｎｍｏｅｉｏａｉｄｎｃｍｍｕｉｔｎｃｕｔｒａｕｅｏｎｃｉｏｎｅｍｅｓｒ，ｗｅｃｏｎｗｒｒａｙｉｆｒｔｎｏｈｒｇｎｌｉｎｌａｏａｎｔｋｏｐｉｎｏｍａｉｆｔｅｏｉｉａｇａ，ｎｏｎｏｓｗｈｃｒｎｒａｉｉｕｔｏｏｉｈｂｉｇｇｅｔｆｃｌｆｒｍｍｕｉｔｎｃｕｔｒｅｓｒ．Ｉｒｅｏｓｌｅｔｅｄｆｉｕｔｒｂｅｆｃｍ— ｄｆｙｃｎｃｉｏｎｅａｏｍａｕｅｎｏｄｒｏｖｈｉｃｌｐｏｌｏｏｔｆｍｍｕｉａｉｎｃｕｔｒｅｓｒｎｃｒｕｔｎｅｏｍｐｅｕｔｐｅｓｇａｓｎｃｔｏｎｅａｕｅｉｉｍａｃｆｃｏｍｃｓｏｌｘｍｌｌｉｎｌ，ｗｅｐｏｏｅａｎｗｌｄｒｃｎａｓｉｒｐｓｅｂｉｅｏｎｉ— ｎ

改进的自然梯度盲源分离算法在非平稳环境中的应用

改进的自然梯度盲源分离算法在非平稳环境中的应用刘婷;张锦;李灯熬【摘要】Traditional natural gradient algorithm may lead to unstable variations for separating matrix during the processing of non-stationary signals,which may greatly affect separation. To solve thisproblem,combined with the idea of variable step,we propose a natural gradient algorithm for blind source separation based on orthogonalcon⁃straints,it constrains the strength of the recovery signals in order to ensure the stability of the separation process un⁃der non-stationary environment;in addition,we employ the instantaneous error to control variable step purposefully, for this reason,the convergence speed increases and the separation accuracy is improved. The results showed that blind source separation algorithm by using orthogonal constraints can efficiently separate the source signals even in non-stationary environments.%对于传统的自然梯度算法，在处理非平稳信号时，在步长更新迭代过程中，非平稳信号变化幅度过快而导致分离矩阵幅度变化的不稳定，从而影响分离效果。