论文部分内容阅读
独立分量分析(Independent Component Analysis,ICA)是新近发展起来的一种非常有效的盲源分离技术。因具有优异的盲辨识、表示能力和特征提取,在实际应用领域得到广泛关注,特别是在生物医学信号处理、远程通信、语音信号处理、图像处理等领域具有良好的应用前景。在过去短短的十几年里,相关的理论和算法得到快速的发展,并涌现出许多有效的算法。目前,ICA已经成为多个学科领域的研究热点。本论文对ICA算法的理论进行详细的分析与研究,从理论上分析ICA经典算法的不足,提出一种改进的ICA算法。并研究ICA方法在图像去噪中的应用,且提出一些改进的方法。本文主要的贡献及创新点包括以下几个方面:(1)归纳ICA的基本原理,从信息论的角度推导出衡量ICA独立性的度量准则,对现有的ICA算法进行整理,并总结ICA求解的一般过程和比较各算法的性能。(2)从理论证明ICA经典算法存在局部最优的问题。针对这一问题,在基于粒子群优化的ICA基础上加入混沌遍历,提出一种基于粒子群优化的ICA的算法。通过仿真实验,表明该算法的性能优于一般的ICA算法。(3)基于ICA变换的图像去噪是采用软阈值收缩函数去噪,往往会使图像边缘模糊及特征损失,针对此对收缩函数进行改进,使之有效的避免上述的现象。