基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

基于改进粒子群的盲源分离算法研究

简要地介绍了盲源分离的基本理论,针对独立分量分析传统的优化算法易于陷入局部最优、收敛精度低的缺点,提出了一种基于改进型粒子群的盲源分离算法,将独立分量分析算法与改进的粒子群算法相结合,以负熵作为目标函数.采用这种改进的粒子群算法对分离矩阵进行调整使各个信号分量之间独立,完成对瞬时混合信号的盲分离.实验信号的分离仿真结果表明,该算法能够有效地完成混叠信号的分离.同时,在与传统的盲源分离算法进行对比中,体现出了更高的分离精度和稳定的性能.     

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.     

基于可行性规则的混合粒子群的盲源分离

针对基于典型相关分析CCA(Canonical correlation analysis)的盲源分离问题,并且该盲源分离的过程是通过对信号的逐一抽取来完成的。为避免在盲抽取的搜索过程中产生大量的重复运算,将通过构造一个迭代算法来实现典型相关分析CCA的盲源分离。本文采用的迭代算法是基于可行性规则的混合粒子群HPSO(hybrid particle swarm optimization)算法;约束处理是基于可行性规则的约束处理技术,原理简单,处理方便,无需增加额外的参数。通过仿真实验结果表明,该算法能有效的实现典型相关分析CCA的盲源分离。同时,迭代算法相对简单,提高了典型相关分析CCA盲源分离的收敛速度。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

变步长等变自适应盲源分离算法

针对传统盲源分离(BSS)算法采用固定步长难以同时兼顾收敛速度和稳态误差的难题,采用等变自适应盲源分离(EASI)算法,提出了一种基于分离指标的变步长等变自适应盲源分离算法(VS-SI)。该算法利用EASI收敛条件,构造表征信号分离程度的分离指标,并设计带遗忘因子的更新算法,以减小历史数据误差的影响,实现分离指标的自适应计算,并采用一个非线性单调递增函数实现步长的自适应调节。通过与固定步长的自然梯度算法(FS-NG)、固定步长的EASI算法(FS-EASI)、步长指数衰减算法(EDS)和基于权重正交约束变步长算法(AS-WO)的性能进行对比,结果表明,在无噪声和有噪声两种情况下,提出算法均有较快的收敛速度,最终性能指标分别减小了15%和20%以上,同时兼顾稳态误差和收敛速度,具有较好的数值鲁棒性。     

基于改进粒子群的ICA算法

ICA算法是目前盲信号分离的主流算法之一,但是传统ICA算法收敛速度慢,收敛精度低。为此本文提出一种基于改进粒子群的ICA算法,以峭度作为目标函数,以改进粒子群算法作为优化算法。采用这种方法进行瞬时混合信号的盲分离,仿真实验表明该算法能够有效分离信号,与传统ICA算法相比,分离效果更好。     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

对基于变动量项前馈神经网络盲源分离算法的研究

介绍了盲源分离及基于神经网络盲源分离算法的原理,阐述了基于变动量项前馈神经网络盲源分离算法,并进行了计算机仿真实验。     

盲源分离法在火花塞离子电流信号分离中的应用

针对发动机燃烧过程在线监测中,以火花塞作为传感器测量并分析离子电流信号时,测得的离子电流信号易受到火花点火干扰的问题,将基于独立分量分析的盲源分离方法应用于实测火花塞电流信号的分离.采用盲源分离法对实测火花塞离子电流信号进行分析,能够很好地抽取出无火花尾干扰的离子电流信号和点火火花尾信号,其离子电流在上止点附近和压力峰值附近分别出现明显的火焰前锋区和焰后区两个峰值.对同一转速、不同废气再循环(EGR)率的实测离子电流信号进行了盲源分离,结果表明:随着EGR率的增大,离子电流的两个峰值均会减小,且峰值出现的时刻均有所推迟,同时点火火花尾对离子电流信号的干扰也会增强.     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

基于典型相关性分析的自适应拟牛顿盲源分离算法

通过分析经典的典型相关性分析标准,提出一种新的源信号抽取标准,并利用在线拟牛顿算法求解新标准,进而得到一种新的基于典型相关性分析的盲源信号抽取算法,实现了盲源分离.理论分析表明,新源信号抽取标准的唯一全局最小值点是经典典型相关性分析标准的最大值点.仿真结果表明,新算法收敛速度更快.     

一种基于独立分量分析的变速跳频信号盲分离方法

针对当前跳频信号盲分离算法计算量大,精确度不高的问题,结合变速跳频信号采用不断加快的跳速和“跳速多变”的策略,提出了一种利用信源间的独立性解决变速跳频信号盲分离问题的方法。同时,采用负熵最大化寻优算法加快了传统独立分量分离算法运算速度。通过仿真实验与处理实际数据结果表明：与其他方法相比,该方法在不需要任何先验信息的条件下,可以在低信噪比的情况下较好地分离出各个变速跳频信号,同时能够精确恢复出变速跳频信号的跳频图案,在20 dB信噪比的情况下,分离后相似系数可以达到99%。该研究为变速跳频信号盲分离问题提供一个新的解决途径。     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

盲源分离技术研究与方法综述

结合盲源分离的发展状况,叙述盲源分离技术三种基本分类:单通道、多通道盲源分离;线性、非线性盲源分离;正定、超定和欠定盲源分离。在此基础上,对近年来出现的各种盲源分离方法归类,并分析每类方法的原理,最后,结合海内外研究近况,对现有存在的问题及将来发展做出了展望。     

基于压缩感知和优化算法的欠定盲源信号分离

针对目前欠定盲源信号分离在源信号不充分稀疏的情况下分离精度较低的问题,提出一种基于压缩感知和优化算法的欠定盲源信号分离方法.首先分析了欠定盲源信号分离和压缩感知问题的等价性,并建立基于压缩感知的欠定盲源信号分离的数学模型;然后以分离信号的稀疏性和互相关性来建立目标函数,并通过使用压缩感知和优化算法来实现欠定盲源信号的分离;最后对语音信号进行了仿真实验.实验结果表明,在源信号不充分稀疏的情况下,利用这种方法得到的分离信号与源信号的平均相似系数为0.990 3,由此可见这种方法是一种有效的、分离精度较高的分离方法.这也为欠定盲源信号分离问题的研究提供了一种新的途径和手段.     

卷积盲信号分离的非线性PCA方法

为解决卷积混合盲信号分离时域方法收敛速度慢的问题,提出了卷积情况下的非线性主分量分析(PCA)准则,并分析其与高阶统计量准则之间的等价关系,推导了一种解决卷积盲信号分离问题的非线性PCA方法。作为一种递推最小二乘(RLS)类型的算法,所提方法与现有的自然梯度算法和高阶统计量算法相比具有收敛速度快、跟踪性能好的优点,计算机仿真实验验证了算法的有效性。