FastICA的改進算法及應用研究.pdf

1、獨立成分分析(Independent Component Analysis，ICA)是一種從多維數(shù)據(jù)中尋找其具有內(nèi)在獨立性和非高斯性因子的數(shù)據(jù)處理方法。ICA可以在未知源信號及混合矩陣信息的情況下分離出相互統(tǒng)計獨立的源信號。由于ICA的獨立性假設前提在大多數(shù)實際問題中是可以滿足的，因此ICA在語音信號處理、圖像處理、人臉識別、模式識別、數(shù)據(jù)挖掘和醫(yī)學信號處理等領(lǐng)域具有非常重要的應用價值，其理論和算法的研究也逐漸受到廣泛學者的關(guān)注。ICA

2、經(jīng)過近二十年的發(fā)展日漸成熟，但是目前仍然有一些問題有待進一步完善，其中包括如何提高算法的收斂性能，以便更好的應用到實際中。
　　本文重點研究了目前較為成熟并且廣泛使用的基于負熵的快速獨立分量分析算法(FastICA)，并針對FastICA算法對初始值比較敏感的問題提出了一種改進算法，引入十五階收斂的牛頓迭代修正格式對FastICA算法的核心迭代過程進行改進，仿真實驗表明改進算法在保證分離效果的前提之下改善了算法對初始值的依賴性，具

3、有更快更穩(wěn)定的收斂速度。
　　本文將改進的FastICA算法引入到視頻序列運動目標檢測中，將各視頻幀看作由包含運動目標的前景圖像和背景圖像經(jīng)過線性疊加而得到的觀測信號，對觀測信號采用改進的FastICA算法得到運動目標圖像和背景圖像的估計，從而檢測出運動目標。實驗結(jié)果顯示，采用改進的FastICA算法的運動目標檢測方法可以獲得比較完整且清晰的運動目標圖像，而背景差分法得到的前景圖像中丟失了運動目標的部分信息。因此，引入改進的Fas