基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

一种基于组合核函数的非线性盲源分离方法研究

核函数方法由于其有效性和简洁性在非线性盲源分离问题的探索中得到了应用,但其单一核的映射不能很好解决完全非线性问题。针对这一不足,提出了一种采用组合核函数分离非线性混合信号的方法。通过引入变化尺度因子将不同核函数纳入一个整体成为组合核函数,利用分离信号的互信息作为目标函数来反馈调节该组合核函数的尺度因子,以此寻找到对不同非线性的最佳映射。仿真结果证实了该算法的有效性,且在解决完全非线性问题时,组合核函数比单一核函数具有更好的性能。     

基于源数估计的盲源分离

在信号源少于传感器观测到的混合信号时,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题。就盲分离在阵列信号处理中的应用,提出了一种基于四阶累积量的源数估计方法。由于四阶累积量对高斯噪声的抑制作用,从而可提高估计的分辨性能。给出了详细的计算方法,并用蒙特卡洛试验证实了该方法优于通常的源数估计算法。将其用于盲源分离,通过实例证明了该方法的正确性和有效性,从而解决了盲分离中信号源个数的估计问题,为盲源分离技术的应用进一步奠定了基础。     

一种基于最大熵准则的盲解卷积改进算法

独立源信号的卷积混合比线性混合更接近真实情况。利用非参数概率密度估计方法———Parzen窗函数估计法 ,提出了一种具有良好适应性的盲解卷积改进算法。该算法可以在无需知道信号分布形式的情况下 ,较准确地估计出密度函数值 ,且比传统的最大算法中采用固定的概率密度函数估计更接近信号点的真实概率密度。同时 ,此算法还具有无论对规则、单峰分布还是不规则、多峰分布都可以取得较好的估计的优点。因此 ,在理论上 ,改进算法可以获得比传统算法更优越的分离性能且能广泛地应用于具有各种分布的信号。实验结果证实 ,这一算法能有效地从各种分布的信号包括真实语音、图像等构成的卷积混合信号中恢复出原始信号。与最大熵算法相比 ,改进算法具有更好的分离性和更广泛的适用性。     

基于改进遗传算法的独立分量分析算法

针对现有独立分量分析算法的分离效果依赖于非线性对比函数的选择,并且无法有效地分离超高斯和亚高斯混合信号这一现象,提出了一种基于遗传算法的独立分量分析算法,该算法采用直方图法根据信号的样本序列来估计信号的概率分布,解决了信号问互信息的计算问题,然后通过遗传算法最小化信号间的互信息,实现了对线性混叠信号的分离;同时,针对标准遗传算法存在的一些缺点如局部搜索能力差、容易出现早熟收敛等,提出了一种改进遗传算法,提高了遗传算法的寻优能力.对模拟信号的分离结果表明,基于改进遗传算法的独立分量分析算法的性能优于FastICA算法,对亚高斯和超高斯信号的混合信号具有优异的分离能力.模拟仿真实验结果同时也证实了改进遗传算法的寻优能力.     

一种新的基于峰度的盲源分离开关算法

盲源分离(BSS)算法通常需预先假设源信号的概率密度函数(PDF)，并由此获得关键的激活函数(AF)，进而从混合信号中分离出源信号。但若假设的概率密度函数与真实概率密度函数差异较大，源信号将不能被正确分离。基于峰度的盲源分离开关算法无需假设源信号的概率密度函数，可直接对独立分量分析(ICA)中的激活函数进行自适应学习。计算机仿真证明，该算法可有效进行盲源分离。     

基于复杂度追踪的递归最小二乘盲源分离算法

对于具有时序结构有色信号的盲提取,线性预测盲源分离算法仅仅利用了信号的时序特性,而未用到信号的非高斯性.A.Hyv(a)rinen的复杂度追踪算法采用联合信号的非高斯性和时序结构的特点,能够很好地实现信号的分离,但其收敛速度较慢.为了更快的实现信号的分离,提出了基于复杂度追踪的递归最小二乘盲源分离算法.计算机仿真表明提出的算法与线性预测算法和A.Hyv(a)rinen的复杂度追踪算法相比具有更快的收敛速度,语音分离试验也验证了该算法的有效性.     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

基于自适应评价函数的独立成分分析算法

简要介绍独立成分分析（ICA）及其模型，然后在极大似然估计的框架下，基于两类参数模型--Gaussian混合密度模型和Pearson系统模型，研究了具有对称分布（包括超高斯分布与亚高斯分布）和非对称分布源混合信号的盲分离问题，给出了一种有效的基于灵活评价函数的ICA新算法，该算法在一定意义上实现了对源信号概率分布的真正全“盲”。与原有的ICA算法相比，该算法具有更广泛应用范围。模拟实验验证了算法的有效性。     

基于累积张量分解的雷达信号欠定盲分离算法

针对时域和频域不充分稀疏条件下的雷达信号欠定盲分离问题,提出了基于信号不同时延的累积量与三阶张量分解估计混合矩阵的方法,并通过修正子空间投影算法完成对雷达源信号的恢复。首先将混合信号的四阶累积量表示成三阶张量,利用三阶张量分解获得混合矩阵估计值;通过求解雷达源信号任意时频点处对应的估计矩阵的列矢量,得到该时频点处最优超定矩阵的伪逆并恢复源信号。该算法可以解决复杂电磁环境下时频域同时混叠的雷达信号盲分离问题,仿真结果表明与现有算法相比提高了盲分离中混合矩阵估计性能和源信号恢复性能。     

基于核密度估计高斯混合PHD滤波的多目标跟踪算法

针对多目标跟踪系统中传统算法目标估计精度较低的问题,提出了基于核密度估计的高斯混合概率假设密度（probability hypothesis density, PHD）滤波算法。在该算法中,经过剪枝、合并后,引入核密度估计理论的Mean shift算法,对高斯混合PHD分布密度函数进行核密度估计,取代了传统算法中的状态估计方法。最后,选择估计后得到的峰值作为目标状态估计值。仿真结果表明,基于核密度估计的高斯混合PHD滤波算法比传统算法具有更高的估计精度。     

基于MCMC的模糊自适应重要抽样法

针对传统的基于马尔可夫链蒙特卡罗 (Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于失效边界确定的系统,而不适用于失效域模糊的渐变结构系统问题,提出基于MCMC的模糊自适应重要抽样法。首先从模糊失效域内的某个初始点出发,根据Metropolis准则构造马尔可夫模拟样本点;然后利用自适应核密度估计构建核抽样概率密度函数并进行重要抽样;最后离散化模糊失效域以计算系统的模糊失效概率。该方法合理地解决了以往渐变结构系统性能可靠性难以仿真分析及仿真效率低的难题,具有较高的仿真效率和精度。应用舵机案例对方法的适用性及高效性进行了验证。     

基于LASSO分位数回归的中期电力负荷概率密度预测方法

中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于三角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.     

指定功率谱密度、偏斜度和峭度值下的非高斯随机过程数字模拟

无记忆非线性变换是传统非高斯随机过程模拟中经常使用的方法,然而,用于模拟同时具有指定功率谱密度、偏斜度和峭度值的非高斯随机过程时迭代过程复杂耗时,且精度也难以保证。通过理论推导,分析并得到了一种新的基于IFFT和时域随机化的非高斯随机过程模拟算法,能够方便快捷地模拟具有指定功率谱密度、偏斜度和峭度值的平稳非高斯信号。在此基础上进行了数值仿真实验,数值仿真结果与理论分析结果相一致,显示了该方法的有效性。     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

一种高效的模拟退火全局优化算法

提出了一种确定模拟退火算法温度更新函数的启发式准则，构造了适当的产生随机向量的概率密度函数，应用该启发式准则导出了相应的温度更新函数。新的温度更新函数与退火时间的幂函数成反比，与优化问题的变量维数无关。     

基于条件概率选择更新的SCMA系统译码方案

稀疏码分多址(sparse code multiple access, SCMA)是针对第5代移动通信系统提出的一种新型非正交多址方案,其接收端采用的消息传递算法(message passing algorithm, MPA)在迭代更新过程中存在冗余计算,因而复杂度过高。针对这一问题,首先利用蒙特卡罗法对接收信号的条件概率密度函数值进行统计分析,发现随着信噪比的变化,条件概率密度函数值呈现一定的统计规律。然后,根据统计结果,提出基于条件概率选择更新的MPA(conditional probability selection update MPA, CPSU-MPA)。该算法选取一定比重的条件概率密度函数值进行更新,同时对未参与更新的外部信息进行舍弃补偿。仿真结果表明,所提算法能有效地降低译码复杂度,且误码率性能牺牲较小。     

基于峭度的稳健特定信号盲提取

在盲源提取中,当所要提取信号的峭度在某一区间时,可以采用基于峭度的方法将期望的信号提取出来。如果采用外点惩罚函数法来求解,理论上要求惩罚因子趋于无穷大时才可能收敛到最优解,但是惩罚因子的增大往往导致代价函数的Hessian矩阵病态化。因此,这种方法在实际中稳健性很差。提出了采用Lagrange乘子法来解决特定信号的提取问题,与采用外点惩罚函数法的算法相比,这种方法在惩罚因子相对较小的情况下也能得到最优解。计算机仿真和实际的胎儿心电试验表明了这种方法在收敛速度和稳健性上要优于采用外点惩罚函数法的算法。     

Bandwidth adaption for kernel particle filter

A novel particle filter bandwidth adaption for kernel particle filter (BAKPF) is proposed. Selection of the kernel bandwidth is a critical issue in kernel density estimation (KDE). The plug-in method is adopted to get the global fixed bandwidth by optimizing the asymptotic mean integrated squared error (AMISE) firstly. Then, particle-driven bandwidth selection is invoked in the KDE. To get a more effective allocation of the particles, the KDE with adap- tive bandwidth in the BAKPF is used to approximate the posterior probability density function (PDF) by moving particles toward the posterior. A closed-form expression of the true distribution is given. The simulation results show that the proposed BAKPF performs better than the standard particle filter (PF), unscented particle filter (UPF) and the kernel particle filter (KPF) both in efficiency and estimation precision.