高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种峭度依赖的参数自适应盲分离算法

史晓非 刘人杰 苗瑞

史晓非, 刘人杰, 苗瑞. 一种峭度依赖的参数自适应盲分离算法[J]. 电子与信息学报, 2006, 28(11): 2033-2036.
引用本文: 史晓非, 刘人杰, 苗瑞. 一种峭度依赖的参数自适应盲分离算法[J]. 电子与信息学报, 2006, 28(11): 2033-2036.
Shi Xiao-fei, Liu Ren-jie, Miao Rui. A Parameter Kurtosis-Dependent Flexible BSS Algorithm[J]. Journal of Electronics & Information Technology, 2006, 28(11): 2033-2036.
Citation: Shi Xiao-fei, Liu Ren-jie, Miao Rui. A Parameter Kurtosis-Dependent Flexible BSS Algorithm[J]. Journal of Electronics & Information Technology, 2006, 28(11): 2033-2036.

一种峭度依赖的参数自适应盲分离算法

A Parameter Kurtosis-Dependent Flexible BSS Algorithm

  • 摘要: 针对超高斯与亚高斯混合信源分离算法上存在的不足,该文提出一种峭度依赖的参数自适应盲分离算法。该算法用加权双高斯模型估计超高斯与亚高斯信源分布,在自然梯度框架下,依据峭度实现模型参数自适应。通过使用混合图像对其进行验证,实验表明该算法不仅可以有效实现超高斯与亚高斯混合信源的分离,而且比已有算法具有更好的分离和收敛性能。
  • Amari S I. Natural gradient works efficiently in Learning[J].Neural Computation.1998, 10(2):251-276[2]Cardoso J F. Blind signal separation: Statistical principles[J].Proc. IEEE.1998, 86(10):2009-2025[3]Boscolo R, Vwani H P. Independent component analysis based on nonparametric density estimation[J].IEEE Trans. on Neural Networks.2004, 15(1):55-65[4]Vlassis N, Motomura Y. Efficient source adaptivity in independent component analysis[J].IEEE Trans. on Neural Networks.2001, 12(3):559-565[5]Lee T W, Girolami M, Sejnowski T J. Independent component analysis using an extended informax algorithm for mixed sub-gaussian and super-gaussian sources. Neural Computation, 1999, 11(2): 409-433.[6]Choi S, Cichocki A, Amari S. Flexible independent component analysis. IEEE Workshop on Neural Networks for Signal Processing, Cambridge, UK, 1998: 83-92.[7]Hyvarinen A, Karhunen J, Oja E. Independent Component Analysis. New York: John Wiley, 2001: 203-208.
  • 加载中
计量
  • 文章访问数:  2124
  • HTML全文浏览量:  92
  • PDF下载量:  655
  • 被引次数: 0
出版历程
  • 收稿日期:  2005-03-14
  • 修回日期:  2005-09-19
  • 刊出日期:  2006-11-19

目录

    /

    返回文章
    返回