导读:本文包含了变分贝叶斯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:AR模型,独立分量分析,变分贝叶斯,盲源分离
变分贝叶斯独立分量分析论文文献综述
徐岩,王雷[1](2019)在《基于AR模型的变分贝叶斯独立分量分析算法研究》一文中研究指出近年来,盲源分离算法由于其良好的去噪效果在信号处理领域得到了广泛应用,但传统独立分量分析方法存在着未考虑噪声干扰及未充分利用已知信息等弊端。提出基于GAR模型的变分贝叶斯独立分量分析算法,将源信号的时间结构与系统噪声进行融合研究,基于GAR模型近似建模语音信号的时间结构特征,应用变分贝叶斯学习方法分离带噪声的语音信号。通过与标准变分贝叶斯独立分量分析算法的仿真对比,证明改进后的算法有较好地实际分离效果,有效解决了ICA算法无法在噪声环境下直接进行盲源分离问题。算法可用于减轻铁路列车司机通信时的听觉疲劳。(本文来源于《铁道学报》期刊2019年09期)
刘杰,李志农,范涛,杨诚[2](2018)在《变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究》一文中研究指出传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。(本文来源于《南昌航空大学学报(自然科学版)》期刊2018年01期)
韩斐,杨洪耕,王佳兴,王泽[3](2016)在《变分贝叶斯独立分量分析在谐波状态估计中的应用》一文中研究指出针对实际电网中谐波阻抗难以准确获取,且量测噪声不可避免的问题,提出利用变分贝叶斯独立分量分析VBICA(variational Bayesian independent component analysis)进行配网谐波状态估计。该方法将谐波阻抗和量测噪声作为未知参数,利用变分贝叶斯理论计算独立分量分析模型中未知参数和潜在谐波电流的后验概率分布,通过迭代学习提取不受噪声干扰的谐波电流最优值。再结合负荷等效导纳远小于系统等效导纳的特点,推导出幅值比例系数,计算谐波电流幅值。利用IEEE 33节点配网系统对该方法进行验证,并将该方法与传统独立分量分析法进行对比,结果表明该方法具有更高的估计精度和更强的抗干扰能力。(本文来源于《电力系统及其自动化学报》期刊2016年04期)
李志农,何况,张芬[4](2014)在《基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法》一文中研究指出针对传统基于随机初始化的变分贝叶斯独立分量分析(VBICA)方法的不足,即随机初始化导致经过不同的学习得到的分离结果存在差异性,提出了一种基于主分量分析(PCA)的变分贝叶斯独立分量分析的盲源分离方法,在提出的方法中,利用PCA来初始化模型参数。并与传统的变分贝叶斯独立分量分析方法进行对比。仿真结果验证了该方法的有效性,提出的方法不仅比传统的VBICA方法取得了更好的分离性能,并且保持分离结果的稳定性,克服了传统的VBICA方法的不足。(本文来源于《南昌大学学报(理科版)》期刊2014年02期)
何况[5](2013)在《基于小波包—变分贝叶斯独立分量分析的机械故障诊断方法研究》一文中研究指出本论文在国家自然科学基金(51075372,50775208),江西省教育厅科技计划项目(No. GJJ12405)和湖南省机械设备健康维护重点实验室开放基金(201204)资助下,针对变分贝叶斯独立分量分析理论(Variational Bayesian IndependentComponentAnalysis,简称VBICA)所存在的不足,即VBICA的随机初始化算法的分离结果不能保持一致性;机械故障源高度相关时分离效果很差以及传统的VBICA方法不能有效地处理机械故障源的欠定盲分离,将小波包变换与变分贝叶斯独立分量分析有效结合起来,提出了基于小波包变换-VBICA机械故障源的盲分离方法,并对提出的方法展开了深入研究,仿真和实验结果验证了提出的方法的有效性。本文的主要内容包括以下几个方面:第一章,综述了变分贝叶斯独立分量分析算法以及独立分量分析算法(Independent Component Analysis,简称ICA)研究与应用现状。介绍了VBICA算法优势与不足。针对VBICA算法存在的不足之处,论述了本课题提出的的研究意义,给出了本文的主要内容及创新点。第二章,论述了独立分量分析、贝叶斯建模、变分近似算法和变分贝叶斯独立分量分析理论,指出了传统ICA方法存在的不足和VBICA方法的优势,并通过仿真研究,对比分析了传统ICA算法和VBICA方法在噪声混合下的盲分离能力,仿真结果验证了VBICA算法在噪声混合下的分离效果明显优于ICA方法。本章的内容是整篇论文的理论基础。第叁章,在VBICA方法中,模型参数的初始化选择非常重要,直接决定了模型的最终学习结果。VBICA初始化方法主要采用随机初始化算法。该算法由于初始化是随机的,这样,经过不同的学习可能得到的结果有差异,不能保证结果的一致性。针对此不足,本论文提出了一种基于用主分量分析(Principal ComponentAnalysis,简称PCA)的随机初始化方法,将提出的方法和传统VBICA算法进行对比分析,仿真研究表明,提出的方法优于传统的VBICA方法,并且通过分离性能指标得到了反映,而且提出的方法克服了基于随机初始化的VBICA方法的分离结果不稳定的问题。最后,将提出的方法成功应用到直升机传动系统中的中减速器故障诊断中,取得了令人满意的效果。第四章,实验证明VBICA处理相关信号源盲分离的效果非常不理想。针对此不足,本论文引入小波包理论,并将小波包与变分贝叶斯独立分量分析理论相结合,提出了基于小波包-VBICA的相关信号源盲分离方法。给出了该方法的详细实现步骤,并进行了仿真与实验研究。仿真结果表明,提出的方法是有效的,取得了非常好的分离性能。最后,将提出的方法应用到转子系统的不对中碰摩故障的盲分离中,实验结果进一步证实了提出的方法的有效性。第五章,针对现有的基于VBICA的机械故障诊断盲分离方法中只能处理观测信号数大于故障源数,而不能处理欠定盲分离的情况,本论文结合小波包分析和VBICA的各自优点,提出了基于小波包-VBICA的机械故障源数估计和盲分离方法。与传统的盲分离方法相比较,提出的方法具有以下特色:(1)提出的方法既然处理超定盲分离问题,也能处理欠定盲分离的问题;(2)能有效地估计故障源数,在提出的方法中,利用贝叶斯推论特有的模型比较功能,并结合自相关测定(ARD)估计出源信号的个数;(3)提出的方法充分利用了小波包分析方法能有效地处理非平稳信号能力,可实现非平稳信号的盲分离。仿真研究表明,提出的方法取得了满意的分离效果。最后,将提出的方法应用到轴承内外圈故障盲分离中,并成功地分离出轴承内圈故障和外圈故障特征。第六章,概括了本论文的主要研究内容和创新之处,并对值得进一步研究的问题进行了展望。(本文来源于《南昌航空大学》期刊2013-06-01)
李志农,周伟,刘卫兵,何况[6](2013)在《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》一文中研究指出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-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。(本文来源于《南昌航空大学学报(自然科学版)》期刊2013年01期)
岳秀廷[7](2011)在《基于变分贝叶斯混合独立分量分析的机械故障诊断方法研究》一文中研究指出本论文在国家自然科学基金(50775208,51075372)和湖南省机械设备健康维护重点实验室开放基金(200904)资助下,通过将变分贝叶斯混合独立分量分析理论引入到机械故障诊断中,提出了基于变分贝叶斯混合独立分量分析的机械故障诊断方法,并进行了仿真和实验研究,取得了一些创新性成果。其主要内容包括以下几个方面:第一章,详细介绍了本课题的选题背景、意义,全面综述了变分贝叶斯理论和独立分量分析理论的研究现状及其应用现状,在此基础上,提出了本论文的研究内容与创新之处。第二章,论述了变分贝叶斯独立分量分析(vbICA)的基本原理及其两种算法(vbICA1算法和vbICA2算法)。并通过实验比较了这两种算法的分离性能。实验结果表明,在噪声环境下的信号盲源分离,用这两种算法都能得到很好的分离效果。然而,在分离过程中,vbICA2算法能够得到比vbICA1算法更好的分离效果,而且,随着噪声的增强,vbICA2算法的分离性能的优越性越明显。在此基础上,给出了变分贝叶斯混合独立分量分析提出的意义,详细论述了变分贝叶斯混合独立分量分析理论和算法。本章的内容是整篇论文的理论基础。第叁章,指出用ICA分解和表示数据时,假设整个数据分布完全可以用一个坐标系来描述。然而,当观测数据是由许多自相似的、非高斯的流形组成时,则硬是用一个单独的、全局的表示是不合适的,这样会产生一个次优的表示。针对ICA在盲源分离中的不足,本文在变分贝叶斯理论的基础上,提出了一种基于变分贝叶斯混合独立分量分析的机械故障源盲分离方法。该方法是考虑到源信号来自于多个坐标系,然后在多个坐标系下建立独立分量分析混合模型对观测信号进行学习分离。仿真结果验证了该方法的有效性。最后,将提出的方法应用到轴承内、外圈故障的源分离中,实验结果也验证了提出的方法的有效性。第四章,针对现有的机械故障源数估计方法存在的不足,即它只能给出源数估计的上限,并不能准确估计源数,而且未考虑噪声干扰的影响,提出了一种基于变分贝叶斯混合独立分量分析的机械故障源数估计方法,提出的方法以贝叶斯网络为基础,将混合独立分量分析与变分贝叶斯结合起来,并通过最大化目标函数得到负自由能(Negative Free Energy,NFE)来估计出最佳的隐藏信源数目。仿真和实验结果表明,本文提出的方法是非常有效的。第五章,论述了机械故障诊断欠定盲分离方法中存在的不足,即现有的欠定盲分离并没有考虑在噪声环境下,针对此不足,在变分贝叶斯和混合独立分量分析理论的基础上,提出了一种基于变分贝叶斯混合独立分量分析的机械故障诊断欠定盲源分离方法。该方法是假设源信号来自不同的簇(即流形),对每个簇建立一个ICA模型,这样就产生了ICA混合模型,然后结合变分贝叶斯对ICA混合模型进行学习,通过学习可以从观测信号中估计出混合矩阵以及恢复出源信号。仿真研究和实验研究表明,该方法对观测信号数目少于源信号数目的欠定盲源分离的效果非常满意。第六章,对本论文的研究工作进行了全面总结,并对进一步开展的工作做了展望。(本文来源于《郑州大学》期刊2011-04-01)
范涛,李志农,卢纪富,员险锋[8](2010)在《基于变分贝叶斯独立分量分析的故障源盲分离》一文中研究指出提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法,该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。(本文来源于《噪声与振动控制》期刊2010年01期)
李志农,范涛,岳秀廷[9](2010)在《传统独立分量分析和变分贝叶斯独立分量分析的比较》一文中研究指出通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.(本文来源于《江苏大学学报(自然科学版)》期刊2010年01期)
范涛[10](2009)在《基于变分贝叶斯独立分量分析的机械故障诊断方法研究》一文中研究指出本论文在国家自然科学基金(50775208)、河南省教育厅自然科学基金(2006460005,2008C460003)资助下,针对传统独立分量分析所存在的不足,即未知噪声环境下机械源信号盲源分离方法由于忽略噪声影响往往得到很差的分离效果,以及传统的机械源分离方法往往事先假设源信号的个数已知,否则无法进行机械源信号分离进行研究。通过将变分贝叶斯独立分量分析理论引入到机械故障源分离中,对变分贝叶斯独立分量分析理论在机械故障诊断中的应用进行了深入探索。其主要内容包括以下几个方面:第一章,从传统的独立分量分析方法在机械故障诊断中存在不足的角度出发,论述了本课题的提出及其研究意义。综述了独立分量分析方法的研究现状及其在机械故障诊断领域中的应用情况,在此基础上,提出了本论文的主要内容及创新之处。第二章,论述了独立分量分析理论和算法,通过仿真研究,说明了独立分量分析方法存在的两个主要不足。论述了贝叶斯网络的基本结构、基本准则和用来计算隐藏变量的后验概率密度分布的贝叶斯推论。针对贝叶斯推论和算法的计算量大的问题,引入了变分学习方法,并对变分贝叶斯方法进行了介绍。本章的内容是整篇论文的理论基础。第叁章,未知噪声环境下机械源信号盲源分离方法由于忽略噪声影响往往得到很差的分离效果。即使事先采用消噪预处理方法也是不能达到很好的分离效果,因为噪声往往是未知的,这给采用什么合适的消噪方法和消噪过程中的参数选择带来很大的困难,有时,在实际应用中,不论采用什么消噪方法,总是不能满意地得到高信噪比。针对此问题,本文提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,该算法优于传统的机械故障盲源分离方法,特别是在强干扰噪声环境下具有明显的优势,分离误差大幅度减少,能达到很好的分离结果。最后,将提出的方法应用到轴承内、外圈故障的源分离中,实验结果也验证了提出的方法的有效性。第四章,传统的机械源分离方法都不具备对未知信号源个数进行估计的能力,只能在假定机械源数事先已知的情况下才能进行计算,否则无法进行盲源分离。然而,在实际中,机械源信号的个数是未知的,这就给机械源分离带来了很大的困难,大大限制了盲源分离方法在机械故障源分离中的应用。针对此不足,提出了一种基于源数估计的机械源信号盲源分离方法,提出的方法以贝叶斯网络为基础,将独立分量分析与贝叶斯推断结合起来,运用贝叶斯推论所独有的模型比较功能,并结合自动相关测定(Automatic Relevance Determination,ARD)来推断出最佳的隐藏信源数目。仿真研究表明,该算法的估计非常准确,而且即使是在强干扰噪声环境下仍保持较好的鲁棒性,能达到很好的分离结果。最后,将提出的方法应用到电机—减速箱的多通道振动源分离中,实验结果进一步验证了提出的方法的有效性。第五章,传统的后非线性混合(post-nonlinear,PNL)盲源分离方法往往要求其后非线性函数是可逆的,否则无法进行源信号的分离。然而在实际中,这一要求并不完全满足。针对此不足,在传统后非线性混合模型的基础上,利用多层感知器(MLP)网络,并结合变分贝叶斯算法,提出了一种改进的多层感知器后非线性模型的机械故障源盲源分离方法,该方法能有效的解决不可逆非线性函数混合的盲源分离,极大地拓展了传统PNL模型的使用范围,使其更加贴近实际应用。仿真和实验都表明,该算法能够很好地处理模型中不可逆非线性混合的分离,训练效果明显优于传统的PNL模型。第六章,对本论文的研究工作进行了全面总结,并对进一步开展的工作做了展望。(本文来源于《郑州大学》期刊2009-04-10)
变分贝叶斯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:
传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。
(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。
变分贝叶斯独立分量分析论文参考文献
[1].徐岩,王雷.基于AR模型的变分贝叶斯独立分量分析算法研究[J].铁道学报.2019
[2].刘杰,李志农,范涛,杨诚.变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究[J].南昌航空大学学报(自然科学版).2018
[3].韩斐,杨洪耕,王佳兴,王泽.变分贝叶斯独立分量分析在谐波状态估计中的应用[J].电力系统及其自动化学报.2016
[4].李志农,何况,张芬.基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法[J].南昌大学学报(理科版).2014
[5].何况.基于小波包—变分贝叶斯独立分量分析的机械故障诊断方法研究[D].南昌航空大学.2013
[6].李志农,周伟,刘卫兵,何况.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[J].南昌航空大学学报(自然科学版).2013
[7].岳秀廷.基于变分贝叶斯混合独立分量分析的机械故障诊断方法研究[D].郑州大学.2011
[8].范涛,李志农,卢纪富,员险锋.基于变分贝叶斯独立分量分析的故障源盲分离[J].噪声与振动控制.2010
[9].李志农,范涛,岳秀廷.传统独立分量分析和变分贝叶斯独立分量分析的比较[J].江苏大学学报(自然科学版).2010
[10].范涛.基于变分贝叶斯独立分量分析的机械故障诊断方法研究[D].郑州大学.2009