基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法

针对传统基于随机初始化的变分贝叶斯独立分量分析(VBICA)方法的不足,即随机初始化导致经过不同的学习得到的分离结果存在差异性,提出了一种基于主分量分析(PCA)的变分贝叶斯独立分量分析的盲源分离方法,在提出的方法中,利用PCA来初始化模型参数。并与传统的变分贝叶斯独立分量分析方法进行对比。仿真结果验证了该方法的有效性,提出的方法不仅比传统的VBICA方法取得了更好的分离性能,并且保持分离结果的稳定性,克服了传统的VBICA方法的不足。     

深度残差收缩网络的含噪微泄漏超声识别方法*

在利用声学信号进行泄漏检测时,复杂的背景噪声往往会淹没微弱的泄漏信号,导致误判率高。针对微小泄漏在含噪环境中识别困难的问题,提出了基于深度残差收缩网络（DRSN）的含噪微泄漏识别方法。在提出的方法中,添加不同强度高斯噪声,建立数据集,使用DRSN网络进行训练,验证DRSN对不同泄漏强度、不同噪声含量样本识别的有效性。实验结果表明：DRSN对于微弱泄漏可以达到较理想的识别率,即使在高度杂糅数据识别时仍能达到较理想的识别效果,而且噪声含量并不会对DRSN迭代次数产生明显的影响。将提出的方法与CNN识别方法对比,DRSN具有明显的优势。