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

强噪声背景下基于子空间的盲信号提取

黄晓斌 刘海涛 万建伟 胡德文

黄晓斌, 刘海涛, 万建伟, 胡德文. 强噪声背景下基于子空间的盲信号提取[J]. 电子与信息学报, 2006, 28(11): 2037-2040.
引用本文: 黄晓斌, 刘海涛, 万建伟, 胡德文. 强噪声背景下基于子空间的盲信号提取[J]. 电子与信息学报, 2006, 28(11): 2037-2040.
Huang Xiao-bin, Liu Hai-tao, Wan Jian-wei, Hu De-wen. Blind Signal Extraction Based on Subspace over High Noise Source Background[J]. Journal of Electronics & Information Technology, 2006, 28(11): 2037-2040.
Citation: Huang Xiao-bin, Liu Hai-tao, Wan Jian-wei, Hu De-wen. Blind Signal Extraction Based on Subspace over High Noise Source Background[J]. Journal of Electronics & Information Technology, 2006, 28(11): 2037-2040.

强噪声背景下基于子空间的盲信号提取

Blind Signal Extraction Based on Subspace over High Noise Source Background

  • 摘要: 低信噪比下的去噪一直是一个难题,最近Emir等人提出了Independent Component Analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比下,由于观测数据的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用子空间的概念,在ICA去噪方法的基础上提出了一种新的基于子空间的ICA(ICA based on signal Subspace, SICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比, SICA去噪方法在去噪的同时还能够成功地将频域重叠的信号正确分离。
  • Emir E, Akgul B, Akin A, et al.. Wavelet denoising vs ICA denoising for functional optical imaging[A]. Proceedings of the 1st International IEEE EMBS Conference on Neural Engineering[C]. Capril Island, Italy, 2003: 384-387.[2]Hyvinen A, Karhunen J, Oja E. Independent Component Analysis[M]. New York, Wiley, 2001: Chapter 6-8.[3]Bell A, Sejnowski T. An information-maximization approach to blind separation and blind deconvolution[J].Neural Computation.1995, 7(6):1129-1159[4]Hyvinen A, Oja E. A fast fixed-point algorithm for independent component analysis[J].Neural Computation.1997, 9(7):1483-[5]Zibulevsky M, Pearlmutter A. Blind source separation by sparse decomposition[J].Neural Computation.2001, 13(4):863-882
  • 加载中
计量
  • 文章访问数:  2600
  • HTML全文浏览量:  107
  • PDF下载量:  1287
  • 被引次数: 0
出版历程
  • 收稿日期:  2005-03-09
  • 修回日期:  2005-09-02
  • 刊出日期:  2006-11-19

目录

    /

    返回文章
    返回