盲源分离ICA有哪些应用

rotating machinery是什么意思

rotating machinery 旋转机械 双语对照 词典结果： 网络释义 1. 旋转机械 2. 转动机械 3. 旋转设备 例句: 1. Investigations in fault diagnosis methods for rotating machinery. 旋转机械故障诊断方法之探讨。

l 2. Vibration control technology for high-speed rotating machinery; 高速旋转机械振动及控制； 3. Experiment research on the signal opt-electronic transferring and seriallysending off system in rotating machinery. 旋转信号光电转换串行发送系统的实验研究。

4. To solve the problems of expert systems such as low efficiency of searchand poor maintenance of knowledge base which are caused by the greatlyexpansion of the fault knowledge of rotating machinery, a new framework ofexpert system based on priority and diagnosis tree was proposed. 针对旋转机械故障知识的膨胀导致的专家系统诊断效率低下以及知识库难以维护的问题，提出了一种新的、基于优先级诊断树的专家系统框架。

华为的盲切换与盲重定向是不是一个意思

这个肯定不是同一个意思啦。

盲切换是不对目标小区进行测量，只要源小区的电平或质量降到门限值就启动切换流程。

一般异频同覆盖小区可以配置异频盲切换，异频负载切换是盲切换，只要当前服务小区存在盲切换邻区，就可以执行此项动作。

盲切换一般都是硬切换。

硬切换是新的连接建立前,先中断旧的连接。

软切换指既维持旧的连接,又同时建立新的连接。

可以在使用相同载波频率的小区或扇区间切换。

盲切。

盲切换是不需要测量和判决，直接进行切换，用在紧急切换的场合，一般异频同覆盖小区可以配置；分为紧急盲切换和非紧急盲切换，因为盲切换的目标小区可以分为0~30个优先级，紧急盲切换中，0~30优先级都可以尝试，而非紧急盲切换中，只有0~15优先级才可以尝试；一般紧急盲切换于用DRD和覆盖原因引起场合，非紧急盲切换于用HCS层间切换和异频负载原因切换场合。

怎样对嗜盐菌进行分离纯化

一种快速高效筛选嗜盐菌的方法，涉及一种利用试管斜面培养法快速高效筛选嗜盐菌的方法。

为了克服传统平板培养的嗜盐菌生长速度缓慢的弊端，本发明按照如下步骤筛选嗜盐菌：a．将采集的嗜盐菌样品置于盛液体培养基的三角瓶中，在光照条件下摇床培养，富集菌体；b．然后用接菌环取一环富集培养液在预先制备好的大试管固体培养基斜面上连续划曲线；c．然后在培养箱培养，获得斜面单菌落；d．仔细观察斜面，挑取具有嗜盐菌典型特征的菌落再次在大试管固体培养基斜面上连续划线，培养，如此反复三次进行分离纯化，得到纯培养嗜盐菌菌株。

本方法自始至终采用大试管斜面培养技术，实现了快速、高效筛选嗜盐菌的目的，提高效率3－4倍。

一种快速高效筛选嗜盐菌的方法 一种快速高效筛选嗜盐菌的方法，其特征在于所述方法采用大试管固体培养基斜面培养法进行分离纯化，具体步骤为：a、将采集的嗜盐菌固体样品1g或液体样品1ml置于盛100mL液体培养基的300mL三角瓶中，在光照条件下33－37℃、120r／min摇床培养3－5d，富集菌体；b、然后用接菌环取一环富集培养液在预先制备好的试管固体培养基斜面上连续划曲线；c、然后在培养箱33－37℃下培养2－4天，获得斜面单菌落；d、仔细观察，挑取具有嗜盐菌典型特征的菌落再次在固体培养基斜面上连续划线，培养，选取斜面单菌落再次在无菌斜面上连续划线，如此反复三次进行分离纯化，得到纯培养嗜盐菌菌株。

简述产酶微生物的分离和筛选

首先确定你所要筛选的目的微生物，并设计好“筛子”。

以纤维素酶产生菌的筛选为例。

先找可能存在此类微生物的环境，如森林里的枯枝烂叶和腐质土。

采好样品，拿回实验室，首先进行扩大培养。

就是把样品中所有的微生物都培养增殖。

一般就用全营养培养基。

培养液稀释不同倍数后，做平板单细胞培养，这时就要用到“筛子”了。

对于纤维素酶产生菌，筛子可选用可溶性纤维素。

平板培养时，用可溶性纤维素作唯一碳源，不产生纤维素酶的微生物就不能生长（或生长极弱），把生长良好的微生物挑选出来，再进行扩大培养，再用纤维素唯一碳源的培养基进行筛选，并挑选生长优势菌落，重复以上步骤（可以多挑选几支进行对比选择）。

几次以后，用纤维素粉（不溶性的）做唯一碳源的培养基，进行平板培养，纤维素酶产生量越大、活性越高，产生的透明圈直径就越大。

用这种办法可能对酶产生量大、活性高的菌种做进一步筛选。

其它目的微生物的筛选步骤也差不多。

关键是采样地点的选择和“筛子”的设计。

希望对你有用。

ICA有哪些应用

ica的应用： ICA 的主要应用是特征提取、盲源信号分离]、生理学数据分析]、语音 信号处理、图像处理及人脸识别等. 在这部分, 我们综述一下ICA 的主要应用范例. 1　在脑磁图(MEG) 中分离非自然信号 脑磁图是一种非扩散性的方法. 通过它, 活动或者脑皮层的神经元有很好的时间分辨率 和中等的空间分辨率. 作为研究和临床的工具使用M EG 信号时, 研究人员面临着在有非自 然信号的情况下提取神经元基本特征的问题. 干扰信号的幅度可能比脑信号的幅度要高, 非 自然信号在形状上像病态信号. 在文献[36 ]中, 作者介绍了一种新的方法( ICA ) 来分离脑活 动和非自然信号. 这种方法是基于假设: 脑活动和非自然信号(像眼的运动或眨眼或传感器 失灵) 是解剖学和生理学上的不同过程, 这种不同反映在那些过程产生的磁信号间的统计独 立性上. 在这之前, 人们用脑电图(EEG) 信号进行过试验[ 37 ] , 相关的方法见文献[43 ]. 试验结果表明, ICA 能很好地从M EG 信号里分离出眼运动及眨眼时的信号, 还能分离 出心脏运动、肌肉运动及其它非自然信号. Fast ICA 算法是一个很合适的算法, 因为非自然 信号的去除是一个交互式的方法, 研究者可以很方便地选择他所想要的独立成分的数目. 除 了减少非自然信号外, ICA 还能分解激活区[ 38 ] , 使我们直接访问基本的脑功能成为可能. 这 一点在神经科学的研究领域将很可能起非常重要的作用, 我们也正从事将ICA 运用到fM 2 R I 数据分析这方面的工作. 2　在金融数据中找到隐藏的因素 将ICA 用在金融数据中是一个探索性的工作. 在这个应用中存在许多情况(并行的时 间序列) , 例如流通交易率或每日的股票成交量, 这里存在一些基本的因素, ICA 可以揭示一 些仍隐藏着的驱动机制. 在近年来的证券研究中, 人们发现ICA 是对PCA 的一种补充工 具, 它允许数据的基本结构能更轻易地观察得到. 在文献[ 44 ]中, 将ICA 用在了不同的问题 上, 属于同一个销售链的商店的现金流量, 尽量找到对现金流量数据有影响的一些基本因 素. 对独立成分的假设有可能不现实, 例如假期和年度的变化, 顾客购买力的变化, 政府和经 营策略(像广告) 等等因素, 通通假设它们之间是相互独立的. 通过ICA , 利用现金流量时间 序列数据, 能分离出一些基本的影响因素和它们的权重, 并且以此还能对商店进行分组. 对 于试验和解释, 详细情况请参见文献[44 ]. 3　自然图像中减少噪声 第三个例子是为自然图像找到ICA 过滤器. 它是基于ICA 分解, 从被高斯噪音污染的 自然图像中去掉噪声. 文献[45 ]采用了一些数字的自然图像, 向量x 代表了图像窗口的像素 (灰度) 值. 注意, 相对前面的两个应用, 这次考虑的不是多值的时间序列或图像随时间而改 变, 相反元素x 已经由图像窗口的位置固定不变了. 采样窗口采样的是随机位置, 窗口的 22D 结构在这里并不重要, 一行一行的扫描整幅图像使其变成像素值的向量. 实验结果发 现, 没有经过边界的模糊及锐化操作, 窗口的大部分噪声被去掉了, 详细的情况参见文献 当前去噪声方式有许多, 例如先作DFT 变换, 然后在作低通滤波, 最后作IDFT 恢复图像, 这种方式不是很有效. 较好的方法是近年来发展起来的小波收缩方法(它用到了小 波变换) 和中值滤波. 但这些对图像统计量来说并没有很好的优越性. 近年来又发展了一 种统计原理的方法, 叫稀疏代码收缩法 , 该方法与独立成分分析法非常接近. 4　人脸识别 人脸识别从20 世纪70 年代开始一直是一个很活跃而且很重要的研究领域, 当时比较 常用的方法是主成分分析(PCA ) 和本征脸. 后来,Bart let t 和Sejnow sk i 提议用ICA 来表示 人脸. 将ICA 运用到人脸识别, 随机变量为训练的图像. x i表示一个人脸的图像. 用m 个随机 变量来构造一个训练图像集{x1, x2, ?, xm }, 这些随机变量被假设为n 个未知独立成分s1, ?, sn的线性组合. 采用前面所讲过的矩阵的记法: X = (x1, x2, ?, xm ) T , S = (s1, s2, ?, sn ) T , 则有X = A S. 从这个表达式可看出, 每个图像x i由s1, s2, ?, sn与ai1, ?, ain的线性组合来表 示. 因此, 混合矩阵A 也称特征矩阵, 可看作是所有训练图像的特征. 与PCA 相比, ICA 有 如下几个优点: 1) ICA 是从训练信号里去高阶统计量的相关性, 而PCA 则只对二阶统计 量去相关性; 2) ICA 基向量比PCA 基向量在空间上更局部化, 而局部特征对人脸表示很 重要; 3) 实践证明, ICA 基向量识别精度比PCA 要高. 为此, ICA 可以作为模式识别分类 的一个预处理步骤. 5　图像分离 我们曾用Fast ICA 算法将三幅混合图像进行了成功的分离. 仿真结果表明, 原图像与 分离出来的图像十分相似, 而且每次迭代的次数不超过15 次, 计算量非常小. 下一步, 我们 的的工作是对快速定点算法进行改进, 争取在节省内存方面取得一定的成效. 6　语音信号处理 ICA 最经典的应用是“鸡尾酒会“问题. 在n 个麦克风记录的n 个声音源中, 通常仅仅希 望得到其中感兴趣的一个声音源, 而把其他的声音源视为噪声. 如果仅一个麦克风, 我们可 以用普通的去噪声方法来去噪声, 例如, 线性滤波, 小波或稀疏码收缩方法. 当然, 这种去噪 声的方法不是很令人满意. 我们能利用多个麦克风来收集更多的数据, 以便更有效的去噪 声. 因为在现场麦克风的位置是任意的, 而且混合过程也未知, 为此必须实行盲估计. 采用的 方法就是, 盲源信号分离中的一种, 即ICA 方法. 7　远程通信 最后, 提一下另外一个很有潜力的应用——远程通信. 实时通信的应用例子是, 在CD2 MA 移动通迅[ 48 ]里, 从有其他用户干扰的信号里分离用户自己的声音. 这个问题从某种意 义上说, 在CDMA 数据模型中预先给出了一些优先信息. 但是需估计的参数数目很大, 因此 选定某种合适的信号分离方法, 它考虑了这种优先信息, 从而产生了比传统估计方法更优越 的性能.