快速独立分量变换和去噪研究.pdfVIP

刘喜武 刘洪 李幼铭 (中国科学院地质与地球物理研究所．北京100029) 1引言 不同于傅立叶变换、小波变换等具有确定性基函数的线性变换，从原始数据本身直接估 计线性变换可以较好地适应所处理的数据。这类线性变换方法有主分量分析(Principal Pursuit) ComponentAnalysis，PCA)，因子分析(FactorAnalysis)，以及投影追踪(Projection Value 等。主分量分析或奇异值分解(SingularDecomposition，SVD)是对输人数据按照能 量大小进行分解，只能消除数据相互之间的二阶独立性，而独立分量分析(Independent ComponentAnalysis，ICA)则基于高阶统计特性，寻求统计上独立的非高斯分布数据的线性 变换，使分解出的各个分量之间相互独立ul【2】。近来，ICA正在信号、图像处理和数据分析 领域得到逐步应用uJ。 地震勘探记录信号在一定条件下具备IC．A模型的特点。本文试图尝试将ICA方法引入 勘探地震信号处理中。文中，简述lCA的基本理论，实现快速不动点ICA算法；对照PCA 进行分析的基础上，探讨ICA方法在地震信号处理中应用的可行性，初步实现去噪处理， 表明ICA在地震信号处理中具有应用前景。 2 ICA基本原理和算法概述 2．1 ICA基本原理 设观测信号是原始源信号的线性组合： x=As (1) 分布随机向量，A为常数矩阵。通常设m=n。在独立源S和混合矩阵A均未知情况下， 从记录的混合信号中x估计S和A，即确定一个加权向量W=A一，使得： s=Wx (2) 且估计出的而，．．．，s一最大可能独立，(1)和(2)式称为基本ICA模型。 2．2负熵判据与快速不动点算法 采用负熵近似度量分离结果独立性121： ．，(y)；兰_【E{Gl(y)卜．E{GfⅣ)】】： (3) I=l 其中Y高斯随机变量，kl是一些正的常量，’，是规则化高斯随机变量。函数Gf是一些 非二次型函数，较好地选择G，可以得到稳健的估计器。 183 记g(．)为G(·)的一阶导数。FastICA算法的基本形式州为：①选择一个初始的(比如，随 收敛，返回②。本文对上述不动点迭代算法进行了改进，省去白化预处理。 3独立分量变换 PCA和ICA都是一种子空间投影技术。在PCA中，基向量通过求解下面代数本征值问 题((奇值分解，SVD)得到： 盖=RT(xxT)R (4) 其中，x是数据矩阵，它的列为训练样本；R是本征向量矩阵，其基向量彼此正交，本征值 按照值由大到小排序；苞是相应的本征值对角矩阵。数据投影： Cn=Rn‘X (5) 表示从原始P维空间到由n个主本征向量张成的子空间进行投影，这个投影在平均平方误差 意义上最优。这样从不相关的C。重新投影回到P维空间重建时，重建误差最小。(5)式在 通讯、信号处理、图像处理领域称为K-L变换。重建公式为： X=RnCn (6) PCA的目标是使从压缩数据重投影误差最小，而ICA的目标是使基向量之间的统计依 赖性最小。数学上定义为： U=WXT C7) 不同于PCA，ICA的基向量既非正交，也非按大小顺序排列。寻求w也没有类似的直观表 达式，而是通过基于一定搜索