信號(hào)分離是信號(hào)處理中的一個(gè)基本問(wèn)題。在已知源信號(hào)和傳輸通道的先驗(yàn)知識(shí)時(shí),各種時(shí)域?yàn)V波器、頻域?yàn)V波器等能從混合信號(hào)中分離出我們感興趣的信號(hào)。獨(dú)立分量分析是由盲信號(hào)分離技術(shù)發(fā)展出來(lái)的一種多維信號(hào)處理方法,能在不知道源信號(hào)及信號(hào)混合參數(shù)的情況下,僅根據(jù)觀測(cè)到的混合信號(hào)就能估計(jì)源信號(hào)。獨(dú)立分量分析的理論已經(jīng)成為當(dāng)前火熱的人工智能、機(jī)器學(xué)習(xí)、智能控制等應(yīng)用學(xué)科發(fā)展的重要基石之一。
《獨(dú)立分量分析及應(yīng)用研究》在介紹了獨(dú)立分量分析基本理論和算法的基礎(chǔ)上,重點(diǎn)在Weizmann Face Data上利用FastlCA算法在Matlab環(huán)境中開展了人臉圖象分類和識(shí)別試驗(yàn),在Python環(huán)境中對(duì)駕駛艙混合信號(hào)開展盲分離試驗(yàn),并給出相關(guān)程序。
《獨(dú)立分量分析及應(yīng)用研究》可作為電子信息類專業(yè)大學(xué)教材,還可作為對(duì)獨(dú)立分量分析及其應(yīng)用感興趣的科技工作者的參考用書。
信號(hào)分離是信號(hào)處理中的一個(gè)基本問(wèn)題。各種時(shí)域?yàn)V波器、頻域?yàn)V波器、空域?yàn)V波器或碼域?yàn)V波器都可以看作是一種信號(hào)分離器,能完成信號(hào)分離任務(wù),或者說(shuō)從混合信號(hào)中提取我們感興趣的信號(hào)。在已知源信號(hào)和傳輸通道的先驗(yàn)知識(shí)時(shí),混合信號(hào)通過(guò)濾波的處理能在一定程度上很好地完成信號(hào)分離的任務(wù)。然而,在沒(méi)有源信號(hào)和傳輸通道的先驗(yàn)信息時(shí),通過(guò)濾波的方法根本就無(wú)法完成信號(hào)分離的任務(wù),必須通過(guò)盲信號(hào)分離技術(shù)來(lái)解決。獨(dú)立分量分析(Independent Component Analysis,ICA)是20世紀(jì)90年代以來(lái)由盲信號(hào)分離技術(shù),或稱為盲源分離(Blind Signal/Source Separation,BSS)發(fā)展出來(lái)的一種多維信號(hào)處理方法,能在不知道源信號(hào)及信號(hào)混合參數(shù)的情況下,僅根據(jù)觀測(cè)到的混合信號(hào)就能估計(jì)源信號(hào)。
獨(dú)立分量分析的理論研究已經(jīng)成為當(dāng)前非;馃岬娜斯ぶ悄、機(jī)器學(xué)習(xí)、智能控制等應(yīng)用學(xué)科發(fā)展的重要基石,是這些研究領(lǐng)域的一個(gè)基礎(chǔ)性的研究方向,其應(yīng)用領(lǐng)域與應(yīng)用前景都是非常廣闊的。目前獨(dú)立分量分析的理論主要應(yīng)用于盲源分離、圖像處理、語(yǔ)言識(shí)別、通信、生物醫(yī)學(xué)信號(hào)處理、腦功能成像研究、故障診斷、特征提取、金融時(shí)間序列分析和數(shù)據(jù)挖掘等。
獨(dú)立分量分析的基本思路是將多維觀察信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則建立目標(biāo)函數(shù),通過(guò)優(yōu)化算法將觀測(cè)信號(hào)分解為若干獨(dú)立成分,從而輔助實(shí)現(xiàn)信號(hào)的分離或增強(qiáng)。圍繞獨(dú)立分量分析問(wèn)題的解決雖然出現(xiàn)了很多算法,但大多是圍繞信源的獨(dú)立性提出的各種獨(dú)立性及非高斯性度量準(zhǔn)則,具體往往結(jié)合信息論、神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)各種算法。根據(jù)所提出的目標(biāo)函數(shù)不同,獨(dú)立分量分析技術(shù)研究總的來(lái)說(shuō)可分為基于信息論準(zhǔn)則的迭代估計(jì)方法和基于統(tǒng)計(jì)學(xué)的代數(shù)方法兩大類,從原理上來(lái)說(shuō),它們都是利用了源信號(hào)的獨(dú)立性或非高斯性。
前言
縮略語(yǔ)
第1章 緒論
1.1 盲信號(hào)分離問(wèn)題
1.2 獨(dú)立分量分析的問(wèn)題描述及分析思路
1.3 ICA的發(fā)展及研究現(xiàn)狀
1.4 本書主要研究工作及章節(jié)安排
第2章 ICA應(yīng)用涉及的相關(guān)理論
2.1 引言
2.2 統(tǒng)計(jì)基本理論
2.3 信息論的基本知識(shí)
2.4 獨(dú)立性度量準(zhǔn)則
2.5 人工智能的相關(guān)基礎(chǔ)理論
2.6 本章小結(jié)
第3章 ICA的算法原理
3.1 引言
3.2 主分量分析及ICA預(yù)處理
3.3 Infomax算法原理
3.4 FastICA算法原理
3.5 基于ICA算法的混合信號(hào)分離試驗(yàn)
3.6 本章小結(jié)
第4章 ICA在人臉識(shí)別中的應(yīng)用
4.1 人臉識(shí)別概述
4.2 基于PCA的人臉圖像特征提取
4.3 基于ICA的人臉圖像特征提取
4.4 人臉圖像的識(shí)別試驗(yàn)
4.5 本章小結(jié)
第5章 ICA在駕駛艙混合信號(hào)分離中的應(yīng)用
5.1 引言
5.2 基于Python的仿真試驗(yàn)與性能分析
5.3 駕駛艙混合信號(hào)盲分離試驗(yàn)
5.4 本章小結(jié)
附錄1 FastICA參考Matlab程序
附錄2 FastICA參考Python程序
參考文獻(xiàn)