[高斯信号.docVIP

亚高斯信号，高斯信号，超高斯信号 一个信号的高斯性是通过其峭度定义的。在信号x的均值为零的条件下，其峭度定义如下：kurt(x)=E{x^4}-3[E{x^2}]^2?????????? 0 次高斯信号 kurt(x) =0?? 高斯信号?????????? 0 超高斯信号 当我们拿到任意信号x的一个样本后,可通过如下的计算求其峭度，进而判断高斯性：假设x是1*N的行向量 x=x-mean(x)*ones(1,N) %去均值KurtX=mean(x.^4)-3*(mean(x.^2))^2 %求峭度 ??? 均匀分布的信号是次高斯信号，拉普拉斯分布的信号是超高斯信号。语音信号是超高斯信号。根据中心极限定理的意义，N个不同分布信号的联合分布有高斯化的趋势，所以信号的非高斯性是盲分离一个很好的优化判据。 另外，在脑电信号处理中，由于一般脑电信号、肌电伪差及工频干扰等多属于亚高斯信号,而心电伪差和眨眼伪差等则多属于超高斯信号。 http://52/forum-viewthread-tid-14304-highlight.html 系统的基本方程是： 解混的判据是使辅助输出的信息熵极大。 /p-70583040090.html /view/d08b7317866fb84ae45c8dfa.html % 读入混合前的原始图片并显示 I1=imread (input1.jpg); I2=imread (input2.jpg); I3=imread (input3.jpg); I1=rgb2gray(I1); I2=rgb2gray(I2); I3=rgb2gray(I3); subplot(4,3,1),imshow(I1),title(输入图像1), subplot(4,3,2),imshow(I2),title(输入图像2), subplot(4,3,3),imshow(I3),title(输入图像3), % 计算图片数据的维数 [x1,y1,z1]=size(I1); [x2,y2,z2]=size(I2); [x3,y3,z3]=size(I3); % 将其重新排列为一维行向量并组成矩阵 s1=[reshape(I1,[1,x1*y1*z1])]; s2=[reshape(I2,[1,x2*y2*z2])]; s3=[reshape(I3,[1,x3*y3*z3])]; S_all=[s1;s2;s3]; % 图片个数即为变量数，图片的像素数即为采样数 % 因此S_all是一个变量个数＊采样个数的矩阵 S=double(S_all); % 将图像数据转换为双精度格式 Sweight=rand(size(S_all,1)); % 取一随机矩阵，作为信号混合的权矩阵 MixedS=Sweight*S; % 得到三个图像的混合信号矩阵 % 将混合矩阵重新排列为原始的图片矩阵并输出 ms1=reshape(MixedS(1,:),[x1,y1,z1]); ms2=reshape(MixedS(2,:),[x2,y2,z2]); ms3=reshape(MixedS(3,:),[x3,y3,z3]); I1_mixed=uint8(round(ms1)); I2_mixed=uint8(round(ms2)); I3_mixed=uint8(round(ms3)); subplot(4,3,4),imshow(I1_mixed),title(混合图像1), subplot(4,3,5),imshow(I2_mixed),title(混合图像2), subplot(4,3,6),imshow(I3_mixed),title(混合图像3), MixedS_bak=MixedS; % 将混合后的数据备份，以便在恢复时直接调用 %%%%%%%%%%%%%%%%%%%%%%%%%% 标准化 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%