ica演算法

Ⅰ FastICA演算法的MATLAB實現

對此我做了一段時間的學習，主要是最大非高斯估計的方法，目前的fastica演算法就是基於這種理論研究的。能夠分離得很好具有一定的條件，源圖像之間本身就相差很大，也就是基本上是 「獨立的」，如果相關性太強，而fastica演算法得到的信號本身就是不相關的，不可能完全恢復出來，我對於Amari以及fastica的作者在圖像混合和盲分離的結果持懷疑態度，偶爾效果可能好一些，這中間的問題我們可以交流的

Ⅱ 畢業設計 ICA演算法在100Gb/s QPSK光相干接收偏振系統中的應用

【摘要】：光差分正交移相鍵控(ODQPSK)調制格式在高速光纖通信系統中有著巨大的應用潛力。文章給出了高速ODQPSK調制格式的三種實現方式(串聯調制、並聯調制和雙驅動單調制器調制),在建立模擬模型的基礎上,對光信噪比(OSNR)、色散、偏振模色散(PMD)以及光纖非線性四個方面的容納能力進行了對比、分析和研究。
【作者單位】： 上海交通大學區域光纖通信網與新型光通信系統國家重點實驗室;
【關鍵詞】： 高速光傳輸 馬赫-曾德調制器 光差分正交相移鍵控(ODQPSK)調制 調制方式 實現方式 偏振模色散 雙驅動 容納能力 光信噪比 調制格式
【基金】：國家自然科學資金(10778713)資助 國家863計劃資助
【分類號】：TN929.11
【DOI】：CNKI:SUN:GTXS.0.2010-01-015
【正文快照】：
0引言近年來,光差分正交移相鍵控(ODQPSK)調制方式在高速光傳輸系統中得到廣泛的關注和研究。相比於開關鍵控(OOK),差分相移鍵控(DPSK)等二進制調制格式,ODQPSK調制具有窄的頻譜寬度和高的頻譜利用率[1～3]。利用正交移相調制格式,採用兩路50Gb/s的碼元速率就可實現100Gb/s的

Ⅲ 什麼是ICA演算法

只知道是獨立成份分析（Independent Component Analysis）的縮寫

Ⅳ 能不能用c語言實現ica演算法啊,圖像處理的,給個實現唄,畢業設計要要用!!

能用c語言實現ica演算法啊,圖像處理的,給個實現唄,
這個我知道
你怎麼探討的
我還不明白

Ⅳ 誰有非線性ICA演算法的源程序C++或Matlab都行。一定要是用於數字圖像處理的，不要用於數字信號處理的

GetDlgItem(IDC_STATIC)->GetSafeHwnd() 獲取相應對象句柄針對控制項更新你看看可以不
至於為什麼前邊那個會重疊 估計是你獲取的窗口的客服區域根本就是不是你想要的區域 你如果僅僅需要控制項那篇區域的話最好是重繪整個控制項

Ⅵ ICA有哪些應用

ica的應用：
ICA 的主要應用是特徵提取、盲源信號分離]、生理學數據分析]、語音
信號處理、圖像處理及人臉識別等. 在這部分, 我們綜述一下ICA 的主要應用範例.
1在腦磁圖(MEG) 中分離非自然信號
腦磁圖是一種非擴散性的方法. 通過它, 活動或者腦皮層的神經元有很好的時間解析度
和中等的空間解析度. 作為研究和臨床的工具使用M EG 信號時, 研究人員面臨著在有非自
然信號的情況下提取神經元基本特徵的問題. 干擾信號的幅度可能比腦信號的幅度要高, 非
自然信號在形狀上像病態信號. 在文獻[36 ]中, 作者介紹了一種新的方法( ICA ) 來分離腦活
動和非自然信號. 這種方法是基於假設: 腦活動和非自然信號(像眼的運動或眨眼或感測器
失靈) 是解剖學和生理學上的不同過程, 這種不同反映在那些過程產生的磁信號間的統計獨
立性上. 在這之前, 人們用腦電圖(EEG) 信號進行過試驗[ 37 ] , 相關的方法見文獻[43 ].
試驗結果表明, ICA 能很好地從M EG 信號里分離出眼運動及眨眼時的信號, 還能分離
出心臟運動、肌肉運動及其它非自然信號. Fast ICA 演算法是一個很合適的演算法, 因為非自然
信號的去除是一個互動式的方法, 研究者可以很方便地選擇他所想要的獨立成分的數目. 除
了減少非自然信號外, ICA 還能分解激活區[ 38 ] , 使我們直接訪問基本的腦功能成為可能. 這
一點在神經科學的研究領域將很可能起非常重要的作用, 我們也正從事將ICA 運用到fM 2
R I 數據分析這方面的工作.
2在金融數據中找到隱藏的因素
將ICA 用在金融數據中是一個探索性的工作. 在這個應用中存在許多情況(並行的時
間序列) , 例如流通交易率或每日的股票成交量, 這里存在一些基本的因素, ICA 可以揭示一
些仍隱藏著的驅動機制. 在近年來的證券研究中, 人們發現ICA 是對PCA 的一種補充工
具, 它允許數據的基本結構能更輕易地觀察得到. 在文獻[ 44 ]中, 將ICA 用在了不同的問題
上, 屬於同一個銷售鏈的商店的現金流量, 盡量找到對現金流量數據有影響的一些基本因
素. 對獨立成分的假設有可能不現實, 例如假期和年度的變化, 顧客購買力的變化, 政府和經
營策略(像廣告) 等等因素, 通通假設它們之間是相互獨立的. 通過ICA , 利用現金流量時間
序列數據, 能分離出一些基本的影響因素和它們的權重, 並且以此還能對商店進行分組. 對
於試驗和解釋, 詳細情況請參見文獻[44 ].
3自然圖像中減少雜訊
第三個例子是為自然圖像找到ICA 過濾器. 它是基於ICA 分解, 從被高斯噪音污染的
自然圖像中去掉雜訊. 文獻[45 ]採用了一些數字的自然圖像, 向量x 代表了圖像窗口的像素
(灰度) 值. 注意, 相對前面的兩個應用, 這次考慮的不是多值的時間序列或圖像隨時間而改
變, 相反元素x 已經由圖像窗口的位置固定不變了. 采樣窗口采樣的是隨機位置, 窗口的
22D 結構在這里並不重要, 一行一行的掃描整幅圖像使其變成像素值的向量. 實驗結果發
現, 沒有經過邊界的模糊及銳化操作, 窗口的大部分雜訊被去掉了, 詳細的情況參見文獻
當前去雜訊方式有許多, 例如先作DFT 變換, 然後在作低通濾波, 最後作IDFT 恢復圖像, 這種方式不是很有效. 較好的方法是近年來發展起來的小波收縮方法(它用到了小
波變換) 和中值濾波. 但這些對圖像統計量來說並沒有很好的優越性. 近年來又發展了一
種統計原理的方法, 叫稀疏代碼收縮法 , 該方法與獨立成分分析法非常接近.
4人臉識別
人臉識別從20 世紀70 年代開始一直是一個很活躍而且很重要的研究領域, 當時比較
常用的方法是主成分分析(PCA ) 和本徵臉. 後來,Bart let t 和Sejnow sk i 提議用ICA 來表示
人臉.
將ICA 運用到人臉識別, 隨機變數為訓練的圖像. x i表示一個人臉的圖像. 用m 個隨機
變數來構造一個訓練圖像集{x1, x2, ⋯, xm }, 這些隨機變數被假設為n 個未知獨立成分s1,
⋯, sn的線性組合. 採用前面所講過的矩陣的記法: X = (x1, x2, ⋯, xm ) T , S = (s1, s2, ⋯, sn ) T ,
則有X = A S. 從這個表達式可看出, 每個圖像x i由s1, s2, ⋯, sn與ai1, ⋯, ain的線性組合來表
示. 因此, 混合矩陣A 也稱特徵矩陣, 可看作是所有訓練圖像的特徵. 與PCA 相比, ICA 有
如下幾個優點: 1) ICA 是從訓練信號里去高階統計量的相關性, 而PCA 則只對二階統計
量去相關性; 2) ICA 基向量比PCA 基向量在空間上更局部化, 而局部特徵對人臉表示很
重要; 3) 實踐證明, ICA 基向量識別精度比PCA 要高. 為此, ICA 可以作為模式識別分類
的一個預處理步驟.
5圖像分離
我們曾用Fast ICA 演算法將三幅混合圖像進行了成功的分離. 模擬結果表明, 原圖像與
分離出來的圖像十分相似, 而且每次迭代的次數不超過15 次, 計算量非常小. 下一步, 我們
的的工作是對快速定點演算法進行改進, 爭取在節省內存方面取得一定的成效.
6語音信號處理
ICA 最經典的應用是「雞尾酒會「問題. 在n 個麥克風記錄的n 個聲音源中, 通常僅僅希
望得到其中感興趣的一個聲音源, 而把其他的聲音源視為雜訊. 如果僅一個麥克風, 我們可
以用普通的去雜訊方法來去雜訊, 例如, 線性濾波, 小波或稀疏碼收縮方法. 當然, 這種去噪
聲的方法不是很令人滿意. 我們能利用多個麥克風來收集更多的數據, 以便更有效的去噪
聲. 因為在現場麥克風的位置是任意的, 而且混合過程也未知, 為此必須實行盲估計. 採用的
方法就是, 盲源信號分離中的一種, 即ICA 方法.
7遠程通信
最後, 提一下另外一個很有潛力的應用——遠程通信. 實時通信的應用例子是, 在CD2
MA 移動通迅[ 48 ]里, 從有其他用戶干擾的信號里分離用戶自己的聲音. 這個問題從某種意
義上說, 在CDMA 數據模型中預先給出了一些優先信息. 但是需估計的參數數目很大, 因此
選定某種合適的信號分離方法, 它考慮了這種優先信息, 從而產生了比傳統估計方法更優越
的性能.

Ⅶ ICA（獨立成分分析）各個變數的關系

振幅和方向不同是ICA的固有弊端。W與A應該互逆，但是演算法存在許多近似，你想如果都互逆了，振幅和方向不就相同了嗎

Ⅷ ICA演算法是什麼具體的用途

Interactive Genetic Algorithms ; IGA

我只知道這個...

Ⅸ 關於人臉識別的ICA演算法------- 請問高手，混合矩陣A和解混矩陣W是怎麼得到的

function W=rand_orth(n,m);
% RAND_ORTH - random matrix with orthogonal columns

% Copyright (c) Francis R. Bach, 2002.

if (nargin<2)
m=n;
end
W=rand(m);
W=rand(m)-.5;
[W,cococococo]=qr(W);
W=W(1:m,1:n);

Ⅹ 人臉識別 ica演算法的源程序

問專家吧