基于复杂性寻踪的非独立图像盲分离

doi:10.3778/j.issn.1002-8331.2009.30.051

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (30): 168-170.DOI: 10.3778/j.issn.1002-8331.2009.30.051

• 图形、图像、模式识别 • 上一篇下一篇

基于复杂性寻踪的非独立图像盲分离

李兵¹，刘颖²，葛正坤³，郭武⁴

1.军事经济学院，武汉 430035
2.通信指挥学院，武汉 430010
3.炮兵学院，合肥 230031
4.国防科技大学 ATR实验室，长沙 410073

收稿日期:2008-06-06 修回日期:2008-09-22 出版日期:2009-10-21 发布日期:2009-10-21
通讯作者: 李兵

Blind separation of non-independent images using complexity pursuit

LI Bing¹，LIU Ying²，GE Zheng-kun³，GUO Wu⁴

1.Military Economic Academy，Wuhan 430035，China
2.Commanding Communication Academy，Wuhan 430010，China
3.Artillery Academy of PLA，Hefei 230031，China
4.ATR Lab，National University of Defense Technology，Changsha 410073，China

Received:2008-06-06 Revised:2008-09-22 Online:2009-10-21 Published:2009-10-21
Contact: LI Bing

摘要/Abstract

摘要： 复杂性寻踪是近期发展起来的一种结合非高斯性和时间相关的投影寻踪方法，目的是在多元数据中找到一个投影方向，使得数据在该方向上的投影具有最令人感兴趣的结构。它是投影寻踪方法在时间序列应用上的扩展，相似于依赖时间的信号源盲分离和独立分离分析。由相互独立的图像混合而成的混合图像的盲分离技术已经相当成熟，但对非独立混合的图像的盲分离仍然是个难题。从时间序列的复杂性寻踪出发，推导出一个复杂性寻踪的定点算法。该算法是经典的快速独立分量分析算法（FastICA）的扩展，继承了FastICA的优点，简单易行，不需要用户选择学习率，并且算法具有快速稳定收敛的性质。该算法应用到非独立图像的混合图像的盲分离时，取得了较好的分离结果。

关键词: 复杂性寻踪, 时间序列, 图像分离

Abstract: Complexity pursuit is a recently developed algorithm using the gradient descent for separating interesting components from time series.It is an extension of projection pursuit to time series data and the method is closely related to blind separation of time-dependent source signals and Independent Component Analysis（ICA）.In this paper，a fixed-point algorithm for complexity pursuit is introduced.The fixed-point algorithm inherits the advantages of the well-known FastICA algorithm in ICA，which is very simple，converges fast，and does not need to choose any learning step sizes.When the improved algorithm is used to demix the non-independent images，the results demonstrate the efficiency of the proposed method.

Key words: complexity pursuit, time series, image separation

中图分类号:

TP391

李兵¹，刘颖²，葛正坤³，郭武⁴. 基于复杂性寻踪的非独立图像盲分离[J]. 计算机工程与应用, 2009, 45(30): 168-170.

LI Bing¹，LIU Ying²，GE Zheng-kun³，GUO Wu⁴. Blind separation of non-independent images using complexity pursuit[J]. Computer Engineering and Applications, 2009, 45(30): 168-170.

[1]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[4]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[5]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[6]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[9]	谭章禄，王兆刚，胡翰. 时间序列趋势相似性度量方法研究[J]. 计算机工程与应用, 2020, 56(10): 94-99.
[10]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[11]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[12]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[13]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.
[14]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[15]	李少伟1，王胜正2. 基于递归卷积神经网络的移动机器人定位算法[J]. 计算机工程与应用, 2019, 55(10): 240-243.

基于复杂性寻踪的非独立图像盲分离

Blind separation of non-independent images using complexity pursuit

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics