针对分布式光纤传感系统所采集含噪信号, 提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法, 引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构; 将含噪信号和重构信号求差得到虚拟噪声, 构造虚拟通道; 然后使用ICA对含噪信号和虚拟通道进行信噪分离, 得到最终结果。通过实验验证, 该方法与EMD-ICA, EEMD-ICA, MELMD相比, 能更好地消除信号中的噪声, 保留信号的特征信息。

提升数据处理能力是实现光纤电流传感器（FOCS）在微弱电流检测领域中应用的重要支撑。针对独立成分分析（ICA）算法对信源数量的要求和变分模态分解（VMD）对冲击噪声处理能力不足的问题，采用优化参数的变分模态分解与独立成分分析联合算法（OVMD-ICA算法），提升微弱电流检测能力。首先，在分析全光纤电流传感器输出信号的特征和噪声特性的基础上，以能量谱熵为目标函数，采用捕食者算法（HPO算法）获取模态参数K和二次惩罚因子α，完成变分模态分解。然后，通过设置相关系数阈值，对各模态函数分类并构建虚拟通道，以满足ICA对信源数量的要求，并采用FastICA算法实现盲源分离。最后，通过对比实验确定了该方法的有效性，发现采用所提方法能够实现3 mA微弱电流的识别检测。

拉曼光谱具有非接触、非破坏性、低成本、高通量优势, 受到了多组分体系分析的关注。独立成分分析(ICA)既是多元统计方法, 也是盲分离方法, 可以无需先验知识, 只需通过测量到的混合光谱就能解出体系中各组分的估计源光谱。但是当源光谱间存在显著重叠时, ICA分离结果不可靠。本文提出了一种通过对体系光谱求导、ICA分离, 逐级剔除分量后再分离的改进ICA定性分析算法(Derivation, Separation, Cullingand Separation, DSCS-ICA), 分离得到源光谱的近似估计, 实现体系定性分析, 解决了因光谱重叠导致的现有的ICA算法分离性能差的问题。依照布洛芬胶囊配方, 配制了布洛芬、硬脂酸、聚乙烯吡咯烷酮K30、淀粉和蔗糖五种组分不同比例混合的12份布洛芬胶囊样本, 并采集其拉曼光谱数据; 采用DSCS-ICA法解出分量(ICS), 并将ICS与源光谱进行比较, 以相关系数r来判断ICS与源光谱的一致性。结果表明: 与FastICA相比, DSCS-ICA效果显著改善, ICS与源光谱对应的相关系数r达到了0.99以上, 结果具有良好的可靠性和对应性。本案例可为药物处方成分的反向研究提供参考, 并可推广应用于其他多组分体系的定性分析。

为应对概率整形场景下相干光通信系统中的偏振解复用问题,提出了一种基于独立成分分析和极大似然估计的偏振解复用算法。由于各个信号之间相互独立,因此可以对信号采用独立成分分析的手段进行偏振解复用。通过基于最大似然估计的迭代更新寻找最佳的分离矩阵,即偏振解复用矩阵。对所提算法在不同信噪比下的性能及整形强度的容忍度进行了仿真分析。结果表明,所提算法能够应对不同的概率整形强度,在较大的信噪比范围内均能完成良好的偏振解复用。相较于用于标准信号的恒模算法,所提算法并不会受到整形强度的影响,并且随着整形强度的增加,系统的性能有所提升。

针对相位敏感光时域反射仪(Ф-OTDR)信号信噪比过低的问题, 提出了一种基于改进变分模态分解(VMD)结合独立成分分析(ICA)的去噪方法。首先, 采用模拟退火方法(SA)对VMD进行优化; 然后, 采用SA-VMD将预处理后的Ф-OTDR信号分解成一系列本征模态分量(IMF), 并根据相关准则选取IMF分量进行虚拟噪声重构; 最后, 将原始信号与虚拟噪声作为ICA的输入, 去除信号中的噪声, 提高信号信噪比。采用自行设计的相干Ф-OTDR系统进行实验验证, 结果表明, 该方法能够有效去除噪声, 与EMD-ICA和SA-VMD方法相比, 信噪比提高了4dB, 这对系统的实际应用具有重要意义。

提出一种聚类优化的快速独立成分分析(FastICA)解混算法,解决了FastICA在光谱信息解混过程中,对解混矩阵初始值敏感导致解混信息不稳定的问题。利用模糊C均值聚类对单一颜料光谱信息进行光谱特征降维,选择最具代表性的聚类结果作为解混矩阵初始值,通过FastICA牛顿迭代公式计算聚类优化后的解混矩阵,避免随机选取初始值对混合颜料光谱信息解混的影响。实验结果表明,与其他算法相比,解混结果平均误差值降低了0.57,平均适应度系数达到了99.67%,光谱角度匹配距离降低了0.53,所提算法增加了FastICA算法解混结果的稳定性,提高了混合颜料光谱信息解混精度。

点云配准是三维建模过程中的关键问题之一,快速高精度的配准是点云配准研究的重点。提出了一种利用独立成分分析(ICA)的点云配准方法,通过对两组点云数据作ICA,得到其独立分量、混合矩阵,以及解混合矩阵。由于ICA存在模糊问题,两点云的独立分量可能存在顺序和符号上的差异,在F范数最小的优化准则下可以得到两独立分量的最优变换矩阵。进一步,根据点云数据与独立分量之间的关系,实现点云的精确配准。实验结果表明,该算法配准速度快,具有较高的配准精度。

提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。

水作为生命之源与人类的生存息息相关, 近年来关于水环境污染的报道越来越多, 不容忽视。 实验以萘酚的两种同分异构体1-萘酚、 2-萘酚的混合物作为研究对象, 提出了一种新的算法, 通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。 利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据, 并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。 将解决盲源分离(BSS)问题的独立成分分析（ICA）算法应用到荧光光谱定性定量分析问题当中, 盲源分离技术就是将测量得到的混合信号作为处理对象进行分解, 实现未知系统中源信号的求解, 并得到混合矩阵。 对混合物中单一物质的识别与测量与盲源分离问题类似。 采用基于负熵最大的快速独立成分分析（FastICA）算法对实验数据进行分解, 将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量, 得到一个大小为（N×M）的矩阵（N为样本数, M为波长数）, 将该矩阵作为快速独立成分分析的输入进行独立分量提取, 输出分别为单组分物质的展开荧光光谱和混合矩阵。 FastICA算法的关键是利用牛顿迭代算法得到解混矩阵, 但迭代过程中复杂的求导问题会使计算量增大、 迭代速度减慢, 针对该算法存在的问题, 提出用差分法（又称为双点弦截法）代替求导的解决方法。 为了验证算法的可行性, 用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验, 原有算法平均运行时间为17.78 s, 而改进后的算法平均运行时间为3.22 s, 比原有算法提高了14.56 s, 有效地减少了计算量, 改善了FastICA算法的迭代速度并且使其收敛性更加稳定。 通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。 利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关, 这是物质定量分析的依据, 但它们之间的关系可能是非线性的, 采用能实现非线性拟合的支持向量回归机（SVR）进行回归预测, 将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出, 利用遗传算法（GA）对支持向量回归机的参数进行优化选择, 并选择径向基核函数（RBF函数）作为SVR的核函数, 建立回归模型, 实现对荧光光谱的定量分析。 1-萘酚的拟合相关系数（r）为0.998 6, 样品回收率（Recovery rate）为96.75%～104.2%, 预测均方根误差（RMSEP）为0.119 μg·L-1; 2-萘酚的拟合相关系数为0.998 8, 样品回收率为96.8%～105.5%, 预测均方根误差为0.1 μg·L-1, 预测结果比较令人满意, 符合预测要求。 实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、 2-萘酚准确有效的识别和测量, 并且改进之后加快了算法的分解速度。

在10-4 lx环境下, 由多像素光子计数探测器利用光子计数原理点阵扫描得到光子计数图像。为了呈现更多细节, 获得更高清晰度的图像, 首先采用Bayes-Shink阈值及改进的新符号函数对光子计数图像进行处理, 然后在图像重构阶段将低频系数置零, 以处理后的高频系数进行图像重构, 并将其设置为虚拟通道, 使观测信号的个数与信号源个数相同, 从而满足快速独立成分分析无噪分离模型, 最后实现光子计数图像和噪声的盲源分离。实验结果表明, 该算法与小波软、硬阈值算法和符号函数算法相比, 图像的峰值信噪比分别提高了16.39%、10.18%、5.20%。同时, 滤除噪声后的图像较好地保护了边缘细节, 视觉效果良好。