导读:本文包含了复数独立分量分析论文开题报告文献综述及选题提纲参考文献，主要关键词:独立分量分析,自适应信号处理,强不相关变换,非圆信号
复数独立分量分析论文文献综述
赵立权,杨莘元,张朝柱,贾雁飞[1]（2009）在《自适应复数信号独立分量分析算法》一文中研究指出针对强不相关变化算法不适用于谱系数相同的非圆信号的问题,提出了一种自适应复数独立分量分析算法.利用非圆信号的二阶统计量都不为零的特点构造代价函数,在复数域中直接优化代价函数,推导出一种针对非圆信号的自适应算法.该算法不仅对谱系数相同的非圆信号有效,而且适用于任意包含有非圆信号的统计独立的信源信号,不需要计算特征向量和奇异向量,算法的结构简单.实验仿真结果验证了算法的有效性.(本文来源于《哈尔滨工程大学学报》期刊2009年05期）
陈君瑜[2]（2008）在《复数参考独立分量分析算法及其fMRI应用研究》一文中研究指出独立分量分析(independent component analysis,ICA)是二十世纪九十年代兴起的一种高效信号处理方法。它在不知道源信号和混合矩阵的情况下,仅利用混合信号就能实现源信号分离,因此在通信和生物医学信号处理等领域得到了广泛应用。尤其是近年来引入源信号先验信息的半盲ICA研究,将分离性能又提高了一个台阶。然而,目前对ICA和半盲ICA算法的研究大都局限于实数域,无法满足实际复数信号的分离问题。例如,功能磁共振成像(functional magnetic resonance imaging,fMRI)信号就是典型的复数混合信号,其幅值和相位均含有独立的信息。但鉴于实数ICA的成熟性和简单性,多数人仅对fMRI信号的幅值数据进行了分析,造成了一定的性能损失。为此,本文研究了复数ICA算法以及复数源信号先验信息的引入方式,在约束优化框架下开展了复数域半盲算法——参考独立分量分析(ICA with reference,ICA-R)研究。本文主要工作如下:(1)对复数Infomax、JADE、Cfastica、KM和SUT等算法进行了深入研究和编程实现。(2)基于约束优化理论探索了向全盲算法中嵌入先验信息的方法,研究了fMRI数据特点、先验信息类型及其利用方法。(3)根据对不同复数算法的理论研究结果,采用复数KM算法的复变量峭度作为代价函数,将复数信号的幅度信息以不等式约束形式引入,推导了基于峭度最大化的复数ICA-R梯度算法。计算机仿真和性能分析结果表明,该算法性能明显优于全盲复数ICA算法。(4)针对梯度算法对步长敏感的问题,推导了基于峭度最大化的复数ICA-R定点算法。该算法能达到像实数FastICA算法一样的立方收敛速度,同时不需考虑峭度正负和步长调节。(5)利用fMRI的幅度信息构建了参考信号,应用本文算法从视觉/运动刺激下全脑复数fMRI数据中有效抽取了与任务相关的左右脑信号及DM(default mode)信号。实验结果验证了本文算法的有效性。(本文来源于《大连理工大学》期刊2008-12-01）
李镜[3]（2007）在《复数参考独立分量分析算法与应用研究》一文中研究指出独立分量分析(independent component analysis，ICA)是近年来数字信号处理领域的一个活跃分支。它能在不知道源信号的分布类型和混合参数的情况下，仅利用源信号的混合信号去恢复源信号的各个独立成分，因此又被称作盲源分离(blind source separation，BSS)。因其对先验知识要求低的突出优点，独立分量分析已广泛应用在无线通信、生物医学、语音分离和图像消噪等许多领域。传统ICA方法通常存在输出不确定、估计效率低等缺陷，并且人们对源信号及其混合情况并非一无所知。为此，一些学者直接将这些先验知识引入盲源分离，得到了性能改善的结果，这便是半盲ICA(又称半盲分离)。鉴于先验信息及其利用方式的多样性，半盲算法种类较多。其中，参考独立分量分析(ICA with Reference，ICA-R)是一种应用源信号波形信息的典型半盲算法，具有输出顺序确定、估计效率高等优点。目前，ICA-R已被有效用于期望实值源信号的抽取。然而，许多ICA应用领域要求直接或间接地分离复值信号，如通信信号和语音的频域变换信号等。但目前尚无文献报道复数域半盲方法研究。本文针对复数域ICA-R主要做了以下叁方面工作：(1)详细分析了复数ICA数学模型的特点，将复数ICA转化为实数ICA，并采用复数源信号的实部或虚部先验信息构造了参考信号，提出了基于实数ICA-R的复数半盲算法，计算机仿真结果表明了算法的有效性。(2)在约束ICA框架下，采用全盲复数fastICA算法的差异函数和关于复数信号幅值信息的不等式约束，建立了复数ICA-R的约束优化模型，并分别推导了定点和牛顿两种复数ICA-R算法。(3)提出了一种从含噪语音信号中获得有效先验信息的方法——带通滤波法，在此基础上将实数和复数两种ICA-R算法应用于语音增强，给出了时域和频域两种语音增强方法。计算机仿真实验结果表明，两种语音增强算法均可得到令人满意的效果。和时域算法相比，频域算法具有更好的恢复效果。这表明了复数ICA-R算法在语音增强中的优势。(本文来源于《大连理工大学》期刊2007-12-08）
复数独立分量分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
独立分量分析(independent component analysis,ICA)是二十世纪九十年代兴起的一种高效信号处理方法。它在不知道源信号和混合矩阵的情况下,仅利用混合信号就能实现源信号分离,因此在通信和生物医学信号处理等领域得到了广泛应用。尤其是近年来引入源信号先验信息的半盲ICA研究,将分离性能又提高了一个台阶。然而,目前对ICA和半盲ICA算法的研究大都局限于实数域,无法满足实际复数信号的分离问题。例如,功能磁共振成像(functional magnetic resonance imaging,fMRI)信号就是典型的复数混合信号,其幅值和相位均含有独立的信息。但鉴于实数ICA的成熟性和简单性,多数人仅对fMRI信号的幅值数据进行了分析,造成了一定的性能损失。为此,本文研究了复数ICA算法以及复数源信号先验信息的引入方式,在约束优化框架下开展了复数域半盲算法——参考独立分量分析(ICA with reference,ICA-R)研究。本文主要工作如下:(1)对复数Infomax、JADE、Cfastica、KM和SUT等算法进行了深入研究和编程实现。(2)基于约束优化理论探索了向全盲算法中嵌入先验信息的方法,研究了fMRI数据特点、先验信息类型及其利用方法。(3)根据对不同复数算法的理论研究结果,采用复数KM算法的复变量峭度作为代价函数,将复数信号的幅度信息以不等式约束形式引入,推导了基于峭度最大化的复数ICA-R梯度算法。计算机仿真和性能分析结果表明,该算法性能明显优于全盲复数ICA算法。(4)针对梯度算法对步长敏感的问题,推导了基于峭度最大化的复数ICA-R定点算法。该算法能达到像实数FastICA算法一样的立方收敛速度,同时不需考虑峭度正负和步长调节。(5)利用fMRI的幅度信息构建了参考信号,应用本文算法从视觉/运动刺激下全脑复数fMRI数据中有效抽取了与任务相关的左右脑信号及DM(default mode)信号。实验结果验证了本文算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
复数独立分量分析论文参考文献
[1].赵立权,杨莘元,张朝柱,贾雁飞.自适应复数信号独立分量分析算法[J].哈尔滨工程大学学报.2009
[2].陈君瑜.复数参考独立分量分析算法及其fMRI应用研究[D].大连理工大学.2008
[3].李镜.复数参考独立分量分析算法与应用研究[D].大连理工大学.2007