独立成分分析改进算法与仿真研究

独立成分分析(ICA)是一种新兴的数据处理与分析方法,可以把它看作是主成分分析(PCA)的一种扩展,是信号处理领域的一个研究热点。它在先验知识极少的情况下,以非高斯源信号为研究对象,仅从源信号的混合信号中恢复或提取出既统计独立又具有非高斯性的源信号,即能够较好的分离出隐藏在混合信号中的独立的源信号。正是由于其良好的分离性能,所以在语音信号,数据挖掘,金融数据分析,图像处理,远程通信等方面都有着非常重要的应用,其理论和算法也逐渐受到国际信号处理界的广泛关注。近年来独立成分分析得到了长足的发展,但是还有许多问题需要进一步的完善,其中包括如何提高算法的性能,更好的应用到实际中。本文着重介绍了目前比较流行的两种独立成分分析算法：快速独立成分分析算法(FastICA)和自然梯度法,并对这两种方法进行改进,提出了两种新的独立成分分析算法,并利用仿真的实验结果进一步验证了改进算法的有效性。本文的主要工作如下： 1.详细介绍了基于负熵的快速独立成分分析算法(FastICA),给出了一种五阶收敛的牛顿迭代法,并在此基础上给出了一种独立成分分析的改进算法,最后利用图像分离和信号分离两组仿真实验把该算法与FastICA进行比较,验证改进算法的有效性。 2.阐述了独立成分分析的自然梯度算法,引入了对称与非对称的广‘义高斯模型,并利用这两种模型来改进评分函数,得到了改进的自然梯度法。利用信号分离的仿真实验把该算法与独立成分分析的自然梯度法进行比较,来验证改进算法的有效性。