导读:本文包含了噪声独立成分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:非局部均值,盲源分离,噪声预测,降噪分析
噪声独立成分分析论文文献综述
孙京阳,喻春雨,董仕佳[1]（2018）在《非局部均值噪声预测的独立成分分析降噪研究》一文中研究指出为解决采用独立成分分析算法进行图像降噪需要多个观测信号的问题,提出一种对单张图像冗余信息进行稀疏以生成多个观测信号的方法。该方法首先采用字典压缩算法对原噪声图像稀疏;再采用非局部均值算法对压缩图像的冗余信息进行处理,将处理后的冗余信息生成初次降噪图像;将初次降噪图像和原噪声图像共同作为独立成分分析的多个观测信号。结合非局部均值算法可以避免仅使用字典压缩算法造成的过量稀疏,研究表明当高斯白噪声标准差σ在20~45范围时,本文提出的方法比字典稀疏压缩算法和非局部均值算法降噪效果更好,图像降噪后的峰值信噪比是降噪前的1.4倍。本文提出的方法在高斯白噪声标准差σ在20~45范围时,具有很好的降噪效果。(本文来源于《光学精密工程》期刊2018年02期）
田宝凤,周媛媛,王悦,李振宇,易晓峰[2]（2015）在《基于独立成分分析的全波核磁共振信号噪声滤除方法研究》一文中研究指出核磁共振测深(MRS)探水仪探测到的纳伏级微弱信号极易受到各种环境噪声的干扰,严重影响信号特征参数的准确提取,导致后续反演解释错误率增高.针对这一难题,提出了基于独立成分分析的快速固定点算法进行信噪分离.首先分析了该算法用于全波MRS信号消噪的适用性;其次,采用数字正交法解决欠定盲源分离问题,提出了频谱校正法实现分离信号幅值的有效恢复.仿真结果表明,该算法能够有效地实现全波MRS信号的信噪分离,且数据拟合后初始振幅和弛豫时间的相对误差小于±5.00%;通过与其他经典算法的对比分析,进一步证明了该算法消噪性能的优越性.将该算法应用到野外实测信号处理,结果证明其能有效滤除环境噪声.(本文来源于《物理学报》期刊2015年22期）
张志强,吴坚,曾志新,韦静思,高文志[3]（2016）在《基于独立成分分析与声阵列技术的汽油机噪声源识别》一文中研究指出采用基于声信号的内燃机测试分析技术对汽油机的噪声源识别展开研究,以某车用汽油机为研究对象,采用独立成分分析的方法对九点噪声信号进行盲源分离,分析各独立成分的幅值和频率随时间的变化特性,并结合汽油机的结构和噪声辐射机理,分析各独立成分的产生原因,以此来识别噪声源。同时,利用声阵列法在特定频率下对汽油机进行可视化声源定位测试。研究结果表明:利用独立成分分析的方法,可以识别汽油机的燃烧噪声、空压机驱动轮的机械啮合噪声及发电机的电磁噪声。并利用声阵列测试技术验证了盲源分离结果的可靠性。(本文来源于《内燃机工程》期刊2016年05期）
杨臻明,岳继光,王晓保,萧蕴诗[4]（2013）在《基于独立成分分析的含噪声时间序列预测》一文中研究指出提出一种基于独立成分分析(ICA)的最小二乘支持向量机(LS-SVM),用于时间序列的多步超前独立预测.用ICA估计预测变量中的独立成分(IC),用不含噪声的IC重新构建时间序列.利用-最近邻法(-NN)减小训练集的规模,提出一种新的距离函数以降低LS-SVM训练过程的计算复杂度,并用约束条件对预测值进行后处理.使用基于ICA的LS-SVM、普通LS-SVM与反向传播神经网络(BP-ANN),对多个时间序列进行对比预测实验.实验结果表明,基于ICA的LS-SVM的预测性能优于普通LS-SVM和BP-ANN.(本文来源于《控制与决策》期刊2013年04期）
张俊红,李林洁,刘海,王健,王凯楠[5]（2012）在《基于经验模态分解和独立成分分析的柴油机噪声源识别技术》一文中研究指出为有效地控制整机噪声能量和提高整机噪声品质,采用经验模态分解(EMD)和独立成分分析(ICA)技术,通过将EMD分解后的本征模函数作为ICA方法中的多个虚拟通道,解决了对单一采样信号进行盲源识别的欠定问题.将该思路应用于柴油机辐射噪声的主要噪声声源的识别研究,同时利用相干分析与时频分析技术实现柴油机噪声声源的准确识别.结果表明,EMD-ICA联合的噪声声源分离识别技术,可用来识别柴油机燃烧噪声、机械噪声声源,有效地克服了EMD技术在噪声声源识别中的模态混迭问题,降低了ICA技术对单一采样信号进行准确识别的难度.(本文来源于《内燃机学报》期刊2012年06期）
刘晓芝,杨建国,李蓓智,吕志军,马胤琛[6]（2011）在《基于独立成分分析算法的纺纱锭子噪声测试》一文中研究指出纺纱锭子性能的优劣对生产效率和纱线质量具有决定性的影响。以纺纱锭子运转中的噪声信号和驱动电动机单独运转的噪声信号为考察对象,对纺纱锭子运转过程进行分析。利用频谱分析和快速独立成分分析(FastICA)算法将纺纱锭子运转噪声信号的分离信号与驱动电动机单独运转的噪声信号主频率进行对比,38.88%分离主频率与驱动电机单独运转的噪声主频率一致,44.44%分离主频率与驱动电动机单独运转的噪声主频率相近,最小误差为0.05%。实验与分析结果表明,FastICA算法用于噪声源信号主频率分离的有效性和正确性。(本文来源于《纺织学报》期刊2011年09期）
刘芳宇,李昱彤,杨杰[7]（2008）在《基于独立成分分析的强噪声海域SAR图点目标提取方法》一文中研究指出将分形理论和独立成分分析(ICA,Independent Component Analysis)相结合,用于强噪声海域合成孔径雷达(SAR,Synthetic Aperture Radar)图像的点目标提取.首先依据分形理论,计算点态H lder指数,再对指数图进行二值模糊处理,接着将此图参与ICA计算,然后使用泛化可调算子收缩并优化其独立成分,实现强噪声的有效抑制,进而提取点目标.实验结果表明,H-ICA与基于ICA降噪的传统算法相比,能够有效地降低海域强噪声,并成功实现点目标提取.(本文来源于《昆明理工大学学报(理工版)》期刊2008年01期）
李昱彤[8]（2008）在《基于多尺度分析和独立成分分析的合成孔径雷达图像噪声消除算法研究》一文中研究指出合成孔径雷达(SAR)是一种工作在微波波段的相干成像雷达,它在军用和民用方面已得到广泛应用,具有分辨率高,全天候工作,有效识别伪装和穿透掩盖物的优势。然而,其缺点在于雷达接收的散射信号相干性迭加,使成像以后的SAR图存在严重的散斑噪声,极大的影响了图像理解和后续应用。一直以来,成为国内外学者研究的热点。传统方法或采取空域滤波,或基于某特定准则去构造线性滤波器。与之不同,本文着眼于SAR图像多分辨率和信息量大的特点,采用多尺度分析和独立成分分析理论对SAR图像散斑消除进行研究。本文主要研究工作有:绪论部分介绍SAR的研究历史与发展情况,SAR图散斑噪声消除的研究现状,并引出研究内容。第二章系统讲述散斑噪声模型,经典消噪算法,消噪性能评价指标。第叁章讲述基于多尺度分析的SAR图降噪算法。主要分为多重分形和小波分析两个部分。包括分形理论基础,点态H?lder指数求取,多重分形谱求取,噪声消除;小波阈值收缩思想,阈值确定,阈值函数设计。第四章讲述基于独立成分分析的SAR图散斑消除算法。包括算法概述,求解模型,经典的稀疏编码阈值收缩算法。第五章讲述基于多尺度分析与独立成分分析相结合的SAR图散斑消除算法。最后一章给出全文总结以及研究展望。全文创新之处在于:第一、从实验学角度,提出使用二值形态学和均值滤波作为辅助技术对实验结果进行优化。第二、提出了基于独立成分分析的自适应空间分离算法。采用信号分离思想,通过阈值分离技术将原图像分为噪声和非噪声两个空间。保留非噪声空间达到去噪目的。采用加权信息熵作为桥梁去拟合“阈值――加权信息熵函数”,从而使阈值得以自动确定。第叁、从实验角度,提出基于分形与小波的多尺度内部结合的算法(WF);第四、结合频域处理技术和高阶统计量信息,提出基于小波与独立成分分析结合的算法(WCA);第五、挖掘基图像的信息,提出基于分形H?lder指数的ICA基图像增强分离算法(FCA);第六、结合分形H?lder指数图的良好表征特性,提出基于分形H?lder指数图的编码收缩算法(H-ICA)。(本文来源于《上海交通大学》期刊2008-01-01）
徐红梅,郝志勇,郭磊,景国玺[9]（2007）在《基于独立成分小波分析的内燃机噪声源识别》一文中研究指出对独立成分分析的基本原理和数学模型进行了简要叙述,以某六缸柴油机为研究对象,对其不同工况下的噪声信号进行了统计独立性和高斯性分析,噪声信号基本满足独立成分分析的前提条件。采用基于峭度的梯度算法对噪声信号进行了盲分离,得到一序列独立分量。为进一步识别各独立分量,采用傅立叶和连续复小波变换对其进行时频分析,并结合一些内燃机先验知识分析发现,这些独立分量基本上对应着内燃机的燃烧噪声、正时齿轮噪声、活塞敲击噪声等噪声源,因此,采用独立成分小波分析技术对内燃机噪声信号进行盲分离以识别其主要噪声源是可行的。(本文来源于《内燃机工程》期刊2007年06期）
孔薇,杨杰,周越[10]（2004）在《基于独立成分分析的强背景噪声去噪方法》一文中研究指出由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效,提出应用独立成分分析(ICA)方法对声音信号进行特征提取,并证明了这种ICA变换能增强语音和音乐信号的超高斯性.在此基础上,应用ICA基函数作为滤波器,通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验.结果表明,本方法明显优于传统的均值滤波和小波去噪方法,为强背景噪声下弱信号的检测提供了新的途径.(本文来源于《上海交通大学学报》期刊2004年12期）
噪声独立成分分析论文开题报告
（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：
核磁共振测深(MRS)探水仪探测到的纳伏级微弱信号极易受到各种环境噪声的干扰,严重影响信号特征参数的准确提取,导致后续反演解释错误率增高.针对这一难题,提出了基于独立成分分析的快速固定点算法进行信噪分离.首先分析了该算法用于全波MRS信号消噪的适用性;其次,采用数字正交法解决欠定盲源分离问题,提出了频谱校正法实现分离信号幅值的有效恢复.仿真结果表明,该算法能够有效地实现全波MRS信号的信噪分离,且数据拟合后初始振幅和弛豫时间的相对误差小于±5.00%;通过与其他经典算法的对比分析,进一步证明了该算法消噪性能的优越性.将该算法应用到野外实测信号处理,结果证明其能有效滤除环境噪声.
（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。
噪声独立成分分析论文参考文献
[1].孙京阳,喻春雨,董仕佳.非局部均值噪声预测的独立成分分析降噪研究[J].光学精密工程.2018
[2].田宝凤,周媛媛,王悦,李振宇,易晓峰.基于独立成分分析的全波核磁共振信号噪声滤除方法研究[J].物理学报.2015
[3].张志强,吴坚,曾志新,韦静思,高文志.基于独立成分分析与声阵列技术的汽油机噪声源识别[J].内燃机工程.2016
[4].杨臻明,岳继光,王晓保,萧蕴诗.基于独立成分分析的含噪声时间序列预测[J].控制与决策.2013
[5].张俊红,李林洁,刘海,王健,王凯楠.基于经验模态分解和独立成分分析的柴油机噪声源识别技术[J].内燃机学报.2012
[6].刘晓芝,杨建国,李蓓智,吕志军,马胤琛.基于独立成分分析算法的纺纱锭子噪声测试[J].纺织学报.2011
[7].刘芳宇,李昱彤,杨杰.基于独立成分分析的强噪声海域SAR图点目标提取方法[J].昆明理工大学学报(理工版).2008
[8].李昱彤.基于多尺度分析和独立成分分析的合成孔径雷达图像噪声消除算法研究[D].上海交通大学.2008
[9].徐红梅,郝志勇,郭磊,景国玺.基于独立成分小波分析的内燃机噪声源识别[J].内燃机工程.2007
[10].孔薇,杨杰,周越.基于独立成分分析的强背景噪声去噪方法[J].上海交通大学学报.2004