基于动量项前馈神经网络盲均衡算法

针对基于前馈神经网络的盲均衡算法中，BP优化算法具有收敛速度慢、易陷入局部极小的缺点，提出了一种新的盲均衡算法，该算法结合动量项前馈神经网络与传统恒模盲均衡算法的优点，将以前权值的调节量用于当前权值的修改过程，降低了算法对于误差曲面局部极值点的敏感性。仿真结果表明，该算法可有效抑制网络陷入局部极小，防止振荡，加快盲均衡器的收敛速度。     

基于高阶累积量张量分解的联合盲源分离算法

提出一种基于高阶累积量张量分解的联合盲源分离（JBSS）算法,该算法可以从多组数据集的观测信号中恢复出源信号.首先通过计算多组数据集观测信号的高阶互累积量张量,利用累积量张量潜在的对角结构,将JBSS问题转化为高阶张量CP分解（CPD）问题.接下来,通过张量列分解（TTD）将高阶张量分解为由不高于3阶的多个互连的核张量组成的简单张量网络,由此将高阶CPD问题转化为多个3阶CPD问题.最后,根据TTD与CPD之间的关系,在多次3阶CPD之后,通过依次对因子矩阵进行重新排序与缩放得到多数据集的混合矩阵,进而实现对源信号的分离.实验结果表明,该算法具有较快的运行速度.     

一种基于非平稳特性的前馈神经网络盲源分离方法

利用信息论原理,推导出一个衡量输出分量独立性的目标函数,最小化该目标函数并利用信号的非平稳特性,得到一种可以进行非平稳信号的盲分离的训练算法;指出了在特定情况下,给出的两种网络结构形式是等价的,由此得到的训练算法避免了矩阵求逆。计算机仿真结果表明了该算法的有效性。     

基于高阶统计量的自适应盲源分离算法

提出了一种新的自适应盲源分离算法，在无噪音实时两源两传感器的情况下，一旦观测信号被白化，只需要辨识一个特定的旋转矩阵就可以完成盲源分离，并给出了能表征该旋转矩阵的角的自适应估计器，仿真结果表明，当满足源峭度和不为零的条件时，这种方法是一种稳定的和有效的分离算法。     

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.     

基于遗传神经网络的语音信号盲分离算法

通过分析基于神经网络的经典盲分离算法具有容易陷入局部极小点,从而导致收敛速度慢和分离效果不准确的缺点,本文首先利用遗传神经网络算法对分离权值进行初始化,然后通过选择操作、交叉操作和变异操作,进行样本训练控制,在整个搜索空间进行搜索,得到分离矩阵最优值,最后实现了语音信号的盲分离.实验表明:该算法具有分离速度快、效果明显等特点.     

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。     

基于盲源分离的多用户检测算法

本文针对CDMA通信系统中的盲多用户检测问题,将噪声数据的定点ICA算法应用到多用户检测中,实现了多用户信号的分离。通过matlab实验仿真比较了盲自适应检测算法与本文算法的性能,结果表明本文算法收敛速度很快,可以很有效地克服多址干扰,抑制远近效应。     

一种基于ICA的盲源分离定点迭代算法

介绍了一种基于ICA的定点速代算法，并给出算法的模型、步骤和仿真结果。该算法以峰度作为独立性判决准则，在迭代过程中，使用定点算法，快速有效地分离出任意分布的非高斯独立源信号。实验表明，与传统的基于随机梯度的ICA算法相比，谊算法具有收敛速度快，无需动态参数的优点，是一种高效可靠的盲信号分离算法。     

基于自然梯度算法及其改进算法的盲源分离

自然梯度算法是盲源分离的重要方法,本文在介绍分析自然梯度算法基础上,将共轭梯度和自然梯度相结合改进了自然梯度算法的学习规则,通过两种算法的比较表明,基于共轭梯度改进的算法在性能和分离效果上都优于自然梯度算法。     

加入动量项的改进盲分离算法

在盲信号分离算法的推导过程中,常采用最速下降法、自然梯度和牛顿法等对代价函数进行最小化,推导过程复杂．文中仿照在BP神经网络算法中加入动量项使算法得到改进这一方法,提出在互累积量迫零算法的推导中加入动量项．加入动量项的改进算法尽可能地保持了输出分量之间的独立,并在保持和原算法一样简单迭代的前提下,提高了收敛速度,且使训练避免陷入局部极小．仿真结果表明该算法的分离误差减小,能有效分离源信号．     

基于RBF神经网络的线性混叠盲分离算法

提出一种RBF神经网络算法应用于线性混叠信号的盲分离。所用的RBF神经网络算法是从输入信号的数据中训练出中心值和宽度值,再训练通过用最大熵值的代价函数推导的权值。所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离。仿真验证了所用的算法能减少分离时间和提高分离效率。对比ME算法,该算法更好。     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于自适应动量因子的区间神经网络建模方法

区间神经网络建模是区间控制的核心部分,也是提高系统鲁棒性的重要方法.针对区间神经网络算法收敛速度慢的问题,提出一种自适应动量因子算法.算法利用区间运算建立输入与输出数据的映射模型,通过引入具有自适应特性的动量项,使用最速下降法对动量项进行自适应更新,在加快系统收敛速度的同时,克服系统稳态误差大和容易陷入局部最小值的弊端.典型算例实验表明:区间神经网络能够较为精确地建立区间网络模型,自适应动量因子算法提高了区间神经网络整体性能.     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

用神经网络进行变量选择

针对变量选择问题的困难,提出了一种基于神经网络的变量选择方法,并以实例表明了该方法的有效性     

基于免疫算法的RBF神经网络盲均衡算法

本文采用免疫算法来优化RBF神经网络,得到一种更加优化、更加合理的混合算法,即免疫神经网络,并将此算法用于盲均衡器的优化设计,MATLAB仿真实验结果表明,经此算法优化后的盲均衡器,其均衡效果显著提高.