低信噪比下的去噪一直是一个难题,最近Emir等人提出了independent component analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比,由于观测信号的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白...低信噪比下的去噪一直是一个难题,最近Emir等人提出了independent component analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比,由于观测信号的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用信号子空间的概念,在ICA去噪方法的基础上提出了一种新的基于信号子空间的ICA(ICA based 0n signal subspace；SSICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比,SSICA去噪方法在去噪的同时还能够成功得将频域重叠的信号正确分离。展开更多
文摘低信噪比下的去噪一直是一个难题,最近Emir等人提出了independent component analysis(ICA)去噪方法,该方法在光学功能成像中得到了成功应用。但研究发现在极低信噪比,由于观测信号的样本协方差矩阵具有奇异性,这使得ICA去噪算法中的白化处理步骤无法进行。为解决这一问题,本文利用信号子空间的概念,在ICA去噪方法的基础上提出了一种新的基于信号子空间的ICA(ICA based 0n signal subspace；SSICA)去噪方法。仿真表明该方法能在极低信噪比下有效去噪,同时与传统的滤波去噪相比,SSICA去噪方法在去噪的同时还能够成功得将频域重叠的信号正确分离。
