研究表明高速列车的噪声由多种因素混合而成,有效的分离出各种噪声对列车的减振降噪具有重要意义.针对动车组模型试验提出一种适用于分离试验段观测噪声的盲源分离方法.对观测噪声进行EEMD分解,使单通道欠定问题转化为正定问题;利用主成分分析进行源信号数目的估计,提出利用至少包含源信号信息90%的主成分重构观测信号;对重构的观测信号利用独立分量分析进行分离.仿真实验说明该方法可有效的分离出源信号.在动车组模型风洞试验中,试验段传声器的观测信号主要是由气动噪声和风机振动噪声混合而成,所估计的源信号数目与试验条件一致.分离出的气动噪声和风机振动噪声源信号与原始源信号的主要频率一致,相关系数都大于0.65,属于强相关,说明了该方法对动车组模型试验噪声分离的有效性.

文章介绍独立分量分析的基本理论和算法,提出在大轴圆度误差的三点法测量中应用独立分量分析进行误差分离,可降低对测量系统结构精度、测头布置及测头间夹角精度的要求.采用基于负熵的独立性判决准则的FastICA算法,对三点法测量模型进行仿真,结果表明,基于独立分量分析的圆度误差分离技术比传统的频域法和时域法均简单、实用及高效.

独立分量分析方法(Independent component analysis,简称ICA)在国内尚属一门新型的方法.文章介绍了ICA的无噪声模型、原理、预处理、非高斯性量度以及快速定点算法,重点讨论了ICA的不确定性在圆度误差分离中的处理方法.仿真结果表明,基于独立分量分析的圆度误差分离技术比传统的频域法和时域法更简单、实用、高效,同时由ICA分离出的信号不确定性问题得到了很好的解决.

从盲声源信号的独立性出发,提出了一种新的盲声源混合信号分离方法.该方法基于信号联合概率的分布统计,利用信号联合概率的方向导数熵最小获得最佳的旋转角度,最终实现盲信号分离.与快速独立分量分析方法及神经网络方法相比,该方法不需要迭代计算.采用新的盲声源信号分离方法对轴承试验台的混合声音信号进行识别,将电机和滚动轴承的声音分离出来,进而可以准确识别机械的故障.

单矢量水听器利用H标信号的声能流进行测量，可有效抑制各向同性干扰，提高目标信号的信噪比，从而实现目标的波达方向（DOA）估计。但若存在多个目标时，单矢量水听器测量的是各信号声能流的矢量和，因此无法估计单个目标的方位。本文将独立分量分析（ICA）原理与单矢量水听器技术相结合，提出一种新的单矢量水听器多目标分辨算法。在目标信号方向未知的情况下，该方法可对矢量水听器的导向矢量实现盲估计，并分离出各独立目标信号，进而利用声能流逐次分辨出各独立目标信号。仿真实验证明了算法的有效性。

提出一种新的基于盲源分离的超声信号去噪方法。为了验证去噪方法的有效性，应用此方法处理了仿真的超声信号，并与小波去噪的效果进行了比较。实验结果表明：该去噪方法能极大提高超声信号的信噪比，且其效果能与小波去噪方法相媲美，其特点是通过超声信号和噪声信号的盲源分离实现噪声消除。

临床上提倡病床边进行各类检测,这样可以方便病人,减轻其痛苦.但是病床边采集的脑电信号易受各类噪声和干扰的影响,往往影响后面的分析效果.为了有效去除临床脑电信号的噪声和干扰,设计了一种时空滤波器,分两个阶段对脑电信号进行滤波预处理第一个阶段是时域滤波,用传统的带通滤波器实现;第二个阶段是空域滤波,用基于独立分量分析(ICA)的空域滤波器实现.实验结果表明临床脑电数据的常见干扰如工频干扰、眼动、肌电干扰、心电干扰等均能有效地被单独或同时去除.

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解(ITD)和独立分量分析(ICA)相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。

针对传统包络谱分析对复合故障提取失效的问题,提出了独立分量分析(Independent Component Analysis)和包络谱相结合的方法。首先对四通道采集信号进行包络分析获得包络谱图,从图中可发现存在故障频率信息,但无法做到对故障的准确定位,接着对包络信号进行ICA处理得到独立分量,在独立分量中分别找出与故障相对应的频率信息。应用该方法对齿轮箱进行故障信号提取,成功的识别出滚动轴承外圈故障及齿轮断齿故障,仿真和试验结果验证了本方法的可行性和有效性。

针对小波阈值降噪时硬阈值和软阈值存在的连续性差和小波系数高频损失的问题,以及经典独立分量分析（independent component analysis,简称ICA）方法降噪时的欠定问题,提出了模平方阈值与Fast ICA结合的联合降噪方法。首先将采集的单通道信号进行模平方阈值降噪处理,然后将降噪后信号与原振动信号组成输入矩阵进行Fast ICA降噪,最后对降噪后信号进行包络谱分析,实现滚动轴承特征提取和故障诊断。仿真和实验结果分析表明：该方法能使振动信号的峭度值增大,有效地滤除噪声,凸显故障特征信息,证明了该方法的有效性。