一种盲源分离的优先进化自适应遗传算法(1)
变步长自适应盲源分离算法的设计研究
变步长自适应盲源分离算法的设计研究Research on design of variable step-size adaptive blind source separation algorithm李若冰 (内蒙古工业大学信息工程学院，呼和浩特 010080）摘 要：盲信号由于不能被观测和如何混合未知的特性，盲源分离的同时，还需兼顾收敛性能、跟踪性能和稳态性能之间的平衡，一定程度上影响盲信号处理技术的发展。
通过分析盲源分离算法存在的问题和影响因素，提出高效变步长自适应盲源分离算法的设计思路。
关键词：盲源分离；算法；自适应步长；收敛；稳态失调盲源分离（Blind Source Separation, BSS）是上世纪90年代发展起来的信号处理技术。
“盲”有两层含义，即源信号不能被观测和如何混合未知。
盲源分离算法是指在源信号未知和传输信道未知的情况下，分离多个独立的盲源信号的数学方法[1]。
盲源分离概念的提出源于“鸡尾酒会”问题。
在一个多人交谈的酒会，放置在不同位置的麦克风录制到多人交谈的声音及所处环境的噪声，那么如何利用录制的语音信息还原每个人谈话的内容？人类可以用听觉分辨，但计算机如何自主地辨识，将每个人的语音分离出来? 盲源分离概念自提出以来，产生很多性能优异的算法，使得盲信号处理技术在医学信号处理、语音分析、图像处理...等领域得到成功的运用[1]。
1 自适应盲源分离算法按照信号处理方式的不同，盲源分离的算法分为两种，即批处理 (Batch Processing) 算法和自适应处理 (Adaptive Processing) 算法。
批处理算法对已获得的数据进行统计处理，不随着输入数据产生变化，分离精度较高，但需要较大的存储空间，不能适应实时变化的数据更新；自适应算法是在一组观察数据的基础上，随着数据的输入做递归迭代计算，具有计算量小、时间短的优点，适用于实时性较强的非平稳信号环境[2]。
自适应步长的作用是控制分离矩阵迭代更新的幅度，步长的大小是影响算法收敛性能、跟踪性能和稳态性能的关键因素。
语音信号盲分离—ICA算法
研究现状简介
线性瞬时混合信号
较早进行盲源分离方法研究的是jutten和Herault,1986年，他们提出了一种盲源分 离方法，该方法基于反馈神经网络，通过选取奇次的非线性函数构成Hebb训练，从 而达到盲源分离的目的。但该方法不能完成多于两个源信号的分离，非线性函数的 选取具有随意性，并且缺乏理论解释。 1991年，Juttcn, Herault以及Comon和Sorouchyari在杂志Signal Processing上发表了 关于盲信号分离的三篇经典文章，标志着盲源分离问题研究的重大进展.他们不仅提 出了盲源分离中著名的H-J学习算法，而且设计了专门的CMOS集成芯片来实现他们 的算法。H-J方法后来由Jutten和Herault、Comon, Cichocki和Moszczynski以及其他研 究者解释并发展。Tong和liu分析了盲源分离的可分离性和不确定，并给出了一类基 于高阶统计量的矩阵代数分方法。 1993年，Cardoso提出了基于高阶统计的联合对角化盲源分离方法，并应用于波 束形成。
(2)如果源信号具有时序结构，则其有非零的时序相关数，从而可以降低对统计 独立性的限制条件，用二阶统计量方法(SOS)就足以估计混合矩阵和源信号。这种 (SOS)方法不允许分离功率谱形状相同或i.id(独立同分布)的源信号。 (3)第三种方法即采用非平稳性(Ns)和二阶统计量(SOS)。由于源信号主要随时间 有不同的变化，就可以考虑利用二阶非平稳性。Matsuoka等人首先考虑了非平稳性， 并证‘明在盲源分离中可以应用简单的解相关技术。与其他方法相比，基于非平稳 性信息的方法能够分离具有相同功率谱形状的有色高斯源，然而，却不能够分离具 有相同非平稳特性的源信号。
研究现状简介
1995年，Bell和Sejnowsk基于信息理论，通过最大化输出非线性节点的熵，得出 一种最大信息(Informatian Maximization,简记Infomax)传输的准则函数，并由此导出 一种自适应盲源分离和盲反卷积方法，当该方法中非线性函数的选取逼近源信号的 概率分布时，可以较好地恢复出源信号。该算法虽有其局限性，但在分离线性混合 的语音信号方面非常有效。 1997年，Hyvarinen等基于源信号非高斯性测度，给出一类定点训练算法(fixedpoint)，该类算法可以提取单个具有正或负峰度的源信号。 1999年，Lee、 Girolami和Sejnowski将信息最大化原则的独立分量分析作了进一 步的扩展，实现了超高斯源信号和亚高斯源信号的盲源分离，这个方法选取两个不 同的非线性函数分别实现超高斯信号和亚高斯信号的盲源分离。但是这个方法只局 限于实现标准的独立分量分析，不能解决当源信号维数大于混合信号维数时的盲源 分离向题，也不能实现具有噪音的独立分量分析。
一种新的自适应粒子滤波单通道盲分离算法
一种新的自适应粒子滤波单通道盲分离算法LI Xiong-feng;GAO Yong【摘要】目前,解决成对载波多址单通道盲分离问题的主要方法之一是粒子滤波.以往的分离算法中,粒子数往往是固定的.盲分离粒子滤波算法在经过若干次迭代和重采样过后,存在一些权重数量级非常小的粒子,这些粒子不仅对后验概率密度的贡献甚微,而且会浪费大量的运算时间,导致算法效率低下.为提高效率,根据粒子滤波盲分离的特点,在参数大致收敛之后,采用一种自适应的算法降低粒子数目.此方法在保证了精度的同时,降低了计算复杂度.仿真结果表明,改进的算法相比传统粒子滤波算法复杂度降低了约1/6左右,低信噪比条件下精度比传统算法更高.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)036【总页数】6页(P41-46)【关键词】粒子滤波;单通道;盲分离;自适应【作者】LI Xiong-feng;GAO Yong【作者单位】【正文语种】中文【中图分类】TN911.7盲信号分离广泛应用于图像处理、生物医学、语音、通信等领域，粒子滤波是解决单通道盲分离问题的主要方法之一。
短短几年的时间，粒子滤波算法获得了较大的发展。
粒子滤波是一种序贯重要性采样方法，其最大的问题是计算的复杂度和粒子退化问题，粒子数越多，花费的时间越多，经过若干次迭代后，重要性权值可能集中在少数几个粒子上，从而造成粒子退化、多样性缺失。
文献[1]根据当前观测，利用核密度估计方法重新计算采样的位置和权值。
文献[2]使用SVR(支持向量回归)方法对似然函数进行平滑，计算更准确的采样权值，提高了采样效率。
改善粒子退化的方法也有很多，如裂变重采样[3]、不完全重采样[4]、简单重采样算法[5]、遗传重采样[6]，由于粒子滤波的计算量主要集中在符号采样和粒子权重更新上，因此以上方法计算量几乎不变。
减小计算量最直接的方法是减少粒子数目。
已提出的减粒子数的方法有基于似然度的自适应方法[7]、KLD采样方法[8]、复合样本数目自适应调整方法[9]，以及用在目标跟踪的自适应粒子滤波算法[10]。
一种雷达信号自适应盲分离算法
一种雷达信号自适应盲分离算法作者：朱刘阳来源：《价值工程》2010年第30期摘要:本文提出了一种将自适应神经网络盲源分离模型用于雷达信号的分离算法,考虑雷达信号应包括回波信号和干扰信号等,并将噪声信号视为高斯白噪声,遵循盲源分离的理论基础,假设各信号之间与噪声之间为相互独立,利用自适应不完整自然梯度法实现雷达信号的有效分离。
新算法解决了传统滤波理论分离雷达信号繁琐和复杂的问题,也为自适应神经网络分离系统能够应用于更广泛的领域提出了较为客观的指导。
Abstract: This paper presents a way to apply adaptive neural network model for blind source separation algorithm in the separation of radar signals,radar signals should be considered include the echo signal and interference signals and noise as Gaussian white noise,following the blind source separation theory and assuming that the signal and noise are mutual independence,the use of adaptive incomplete natural gradient method realizes the effective separation of radar signals. New algorithm has solved the traditional complex separation of radar signal filtering,but also provides a more objective guidance for adaptive neural network system being applied more widely.关键词:雷达信号;自适应;盲源分离Key words: radar signal;adaptive;blind source separation中图分类号:TN95 文献标识码:A文章编号:1006-4311(2010)30-0211-020引言雷达系统在工作状态中的接收信号包括回波信号、干扰信号、杂波信号、内部噪声等,雷达工作环境的恶化和日益复杂的电子战信号环境,使现代雷达系统面临严峻挑战,使得各式雷达都必须具备非常强的干扰环境中检测目标和提取目标参数的能力[1]。
一种改进的自适应步长盲源分离算法
一种改进的自适应步长盲源分离算法
崔志涛;蹇科
【期刊名称】《科技信息》
【年(卷),期】2010(000)018
【摘要】本文提出了一种新的自适应步长自然梯度算法,该算法在迭代进行过程中依据分离程度对步长适时调整,使算法在保证稳态误差的情况下加快了收敛速度,计算机仿真说明了算法的有效性.
【总页数】2页(P510-511)
【作者】崔志涛;蹇科
【作者单位】东莞理工学院城市学院;东莞理工学院城市学院
【正文语种】中文
【相关文献】
1.一种改进的FastICA算法及其在含噪盲源分离中的应用
2.一种改进的势函数欠定盲源分离算法
3.一种新的自适应步长盲源分离算法
4.一种改进牛顿法的盲源分离算法
5.一种改进的FastICA算法在语音信号盲源分离中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
盲源分离
*********大学毕业设计（论文）任务书毕业设计（论文）题目：基于ICA盲源分离的研究及matlab实现毕业设计（论文）要求及原始数据（资料）：论文要求：（1）查找盲源分离的现状及发展历程第1周~第2周(2) 大致了盲源分离的概念和简单的几种算法第3周~第8周（3）用matlab对其中的一种算法进行仿真实验第9周~第11周(4) 写论文第12周~第14周（5）论文修改定稿准备答辩第15周~第16周论文原始数据：盲信号分离与独立分量分析的问题在语音分析与处理、图像、生物信号等多个不同领域受到广泛的关注，特别是在这些领域中的信号提取、增强、降噪、模式缩减与分类等问题的解决有非常重要的意义，实际应用中主要包括脑电图想。
心电图像、磁脑电图像和功能性磁共振成像数据等的盲分离（EEG、MEG、FMRI、PET），同时还包括生物特征提取模式化、语音提炼、数据挖掘、多信道反卷积和等量化、通信、遥感以及数据探索分析等，特别地专注于问题的独立性、神经网络解决、以及相关的论题发展前景。
在许多实际应用中，同时还要针对决绝的问题设计并实现相应的硬件，包括模拟和数字芯片。
由于噪音和干扰语音信号，语音识别系统显示效果会严重地受到影响，但在这种条件下人类能够很好地辨认出需要的语音，这是ICA与BSS算法在信号处理和生物学启示方法典型示例。
其他一些重要的研究与应用实例包括：基于ICA和最大后验概率（MAP）估计器应用于改进的信噪比和识别率的噪音清除；对于源信号数量多于传感器数情况下决定混合类型的最优数量的算法及其在电信会议中的应用；盲信号分离算法及其相关方法在语音提炼中的应用；在医学信号处理应用中，以及电图分析为例，心电信号时非固定并显示良好重复性以及几乎周期性模式的一类信号数据。
ECG信号干扰产生于认为损坏因素如电极、肌肉和呼吸作用，先前的方法包括ECG信号过滤，但当认为因素信号和ECG信号频率相同时，这一方法无法去掉干扰，BSS与ICA能够解决这一方面的问题。
一种基于NPCA的自适应变步长盲源分离算法
Ａｂｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｔ ｉ ｓ ｗｅ ｌ ｌ ｋ ｎ ｏ ｗｎ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ ａ ｎ ｄ ｓ ｔ ｅ ａ ｄ ｙ — ｅ ｒ ｒ ｏ ｒ ａ ｒ ｅ ｃ ｒ ｕ ｃ ｉ ａ ｌ ｐ ｅ ｒ ｆ ｏ ｒ ｍａ ｎ ｃ ｅ ｉ ｎ ｄ ｅ ｘ ｅ ｓ ｆ ｏ ｒ ｓ ｅ ｑ ｕ ｅ ｎ ｔ ｉ ａ ｌ Ｂｌ ｉ ｎ ｄ
解 放军 理工 大学 通 信工程 学 院 ， 南京 ２ １ ０ ０ ０ ７
Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎＥ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｐ Ｌ ＡＵｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｎａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ ０ ７ ， Ｃ ｈ ｉ ｎ ａ
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ 计算 机 工程 与应 用
一
种基于 Ｎ Ｐ Ｃ Ａ的 自适 应变 步 长 盲 源 分 离 算 法
杭
蒋照 菁 ， 辜 方林 ， 张
Ｊ Ｉ ＡＮＧ Ｚ ｈ ａ ｏ ｊ ｉ ｎ ｇ ， Ｇ Ｕ Ｆ ａ ｎ ｇ ｌ ｉ ｎ ， Ｚ ＨＡ ＮＧｐ ａ ｒ ａ ｔ ｉ ｏ ｎ （ Ｂ Ｓ Ｓ ） ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｓ ｐ ｅ ｅ ｄ ｕ ｐ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｂ ｉ ｌ ｉ ｔ ｙ ， ｉ ｔ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｓ ａ ｎ ｏ ｖ ｅ ｌ
盲源分离问题综述
盲源分离问题综述盲源分离问题综述摘要：盲源分离，是从观测到的混合信号中恢复不可观测的源信号的问题。
作为阵列信号处理的一种新技术，近几年来受到广泛关注。
本文主要阐述了盲源分离问题的数学模型、典型算法以及盲源分离的应用，并结合盲源分离问题的研究现状，分析了其未来的发展方向。
主题词：盲源分离;盲源分离的典型算法1. 引言盲信号分离问题起源于人们对“鸡尾酒会”问题的研究。
在某个聚会上，我们正在相互交谈，同一时刻同一场景下其他人的交谈也在同时进行着，可能还有乐队的音乐伴奏，这时整个会场上是一片嘈杂。
但是非常奇妙的是，作为交谈对象的双方，我们能够在这混乱的众多声音中很清晰的听到对方的话语，当然，如果我们偶尔走神，将精力放在乐队奏出的音乐时，我们也同样可以听清楚音乐的主旋律。
这种可以从由许多声音所构成的混合声音中选取自己需要的声音而忽视其他声音的现象就是鸡尾酒会效应。
如何在这种从观察到的混合信号中分离出源信号的问题就是所谓的盲分离（Blind Signal Separation, BSS）问题，有时也被称为盲源分离（Blind Source Separation）问题。
1986年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现两个独立源信号混合的分离，这一篇开创性论文的发表使盲源分离问题的研究有了实质性的进展。
随着数字信号处理理论和技术的发展以及相关学科的不断深入,大量有效的盲分离算法不断被提出,使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一,在无线通信、图象处理、地震信号处理、阵列信号处理和生物医学信号处理等领域得到了广泛的应用。
2. 盲源分离问题的数学模型盲源分离是指在不知道源信号和信道传输参数的情况下,根据输入信号的统计特性,仅由观测信号恢复出源信号各个独立成分的过程。
盲源分离研究的信号模型主要有三种:线性混合模型、卷积混合模型和非线性混合模型。
一种基于种群进化过程的自适应遗传算法[发明专利]
专利名称：一种基于种群进化过程的自适应遗传算法
专利类型：发明专利
发明人：马卫华,李微,唐必伟,罗建军,袁建平,王明明,芦鑫元申请号：CN201710063461.7
申请日：20170203
公开号：CN106934459A
公开日：
20170707
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于种群进化过程的自适应遗传算法，包括，第一步，BAGA算法的参数设定，设定算法的迭代次数，每代种群个数，自变量离散精度，总共打靶次数，常数；第二步，采用二进制编码产生初始种群；第三步，判断是否满足最大迭代次数，是则输出最后一代的最优个体，即为找到的最优值，否则转入第四步；第四步，建立目标函数与适应度函数的关系，然后计算每个个体的适应度、当代个体的平均适应度，保存当代适应度最大的个体，根据定义计算当代种群进化度、种群聚合度、平衡因子、交叉概率和变异概率；第五步，选择、交叉和变异操作产生新种群，选择算子采用轮盘赌技术，交叉操作采用单变量交叉，变异操作采用基本位变异；第六步，找出当代种群中最优个体，保留下来，然后转入第二步。
申请人：西北工业大学
地址：710072 陕西省西安市碑林区友谊西路127号
国籍：CN
代理机构：西安通大专利代理有限责任公司
代理人：徐文权
更多信息请下载全文后查看。
具有多个特征的盲源分离算法研究
具有多个特征的盲源分离算法研究盲源分离（Blind Source Separation, BSS）是指在没有任何关于源信号的先验知识的情况下，通过观测到的混合信号来分离源信号的过程。
BSS在信号处理、语音处理、图像处理等领域中有着广泛的应用。
近年来，伴随着机器学习、深度学习等技术的兴起，BSS技术得到了更加深入的探索与研究。
本文将介绍一种具有多个特征的盲源分离算法。
一、传统盲源分离算法的不足传统的盲源分离算法主要包括独立成分分析（Independent Component Analysis, ICA）、非负矩阵分解（Nonnegative Matrix Factorization, NMF）等。
这些算法在一定程度上可以有效地分离源信号，但是仍然存在不足。
首先，这些算法要求源信号满足某些统计独立性或非负性的假设，但是这些假设并不总是成立。
其次，在实际应用中，混合矩阵往往是未知的，而传统算法的性能受到混合矩阵估计误差的影响。
二、多特征盲源分离算法的基本思想为了解决传统盲源分离算法的不足，我们提出了一种具有多个特征的盲源分离算法。
该算法基于源信号的多个特征来分离源信号，既避免了传统算法对统计独立性和非负性的假设，又可以有效地解决混合矩阵未知的问题。
该算法的基本思想为：在源信号的多个特征空间中，通过对特征向量的分解和分析，得到源信号的近似表达，再通过求解稀疏表示问题来得到源信号的估计值。
具体流程如下：（1）特征提取：首先，通过对混合信号进行一定的预处理，得到多个特征空间。
例如，可以通过小波变换对混合信号进行分解，得到多个尺度的系数，每个系数组成一个特征向量；或者可以通过多通道分析进行特征提取。
（2）分解与分析：在每个特征空间中，对特征向量进行矩阵分解和分析，得到源信号的近似表达。
具体地，在每个特征空间中，将特征向量表示为一个低秩矩阵和一个稀疏矩阵的和，其中低秩矩阵表示源信号的主要信息，稀疏矩阵表示源信号的噪声或无用信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基金项目:国家自然科学基金资助项(60704037)收稿日期:2008-06-06 第26卷 第6期计 算 机 仿 真2009年6月 文章编号:1006-9348(2009)06-0220-04一种盲源分离的优先进化自适应遗传算法谢 平,李红亮,黄双峰(燕山大学电气工程学院,河北秦皇岛066004)摘要:盲分离技术与独立分量分析(I CA )由于不需要知道信号的先验信息而得到广泛应用。
I CA 是信号处理的一种新技术。
其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立。
将改进的遗传算法(G A )与I CA 相结合,提出基于优先进化自适应G A 的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能。
对3段声音信号进行了仿真,仿真结果证明了算法的有效性。
关键词:盲源分离;独立分量分析;遗传算法;优先进化中图分类号:TP30116 文献标识码:AAn Adapti ve Geneti c A lgor ithm for Bli n d Source Separa ti onX IE Ping,L I Hong -liang,HUANG Shuang -feng(Depart m ent of Electrical Engineering,Yanshan University,Q inhuangdao Hebei 066004,China )ABSTRACT:BSS (B lind Source Separati on )and I CA (I ndependent Component Analysis ),which do not require p ri 2orknowledge of signals,are widely app lied .I ndependent component analysis (I C A )is a ne w technique in signal p r o 2cessing .The goal of I C A is t o find a separati on matrix s o that each component of the out put signal obtained by trans 2f or m ing the observed multidi m ensi onal m ixture of data is independent .An adap tive genetic algorith m which combines G A with I C A for blind s ource separati on is p r oposed in this paper .The convergence and stability of the algorith m are confir med by comparing with traditi onal G A.Three s ound signals are tested and their validity is confir med by signal separati on test .KE YWO R D S:B lind s ource separati on;I ndependent component analysis (I C A );Genetic algorith m (G A );Pri ority evoluti on1 引言盲源分离(B lind Source Separati on,BSS ),已成为当前信号处理领域研究的热点之一。
盲源分离是指在无任何先验知识的条件下,将混合后的独立信号源分离出来,其难点在于如何有效地估计出分离矩阵。
通常有两类算法,即基于神经网络分离算法和基于自然梯度的算法。
在基于神经网络的分离算法中,通常是以分离网络的输出信号两两独立作为分离准则,这种算法的主要缺点是,必须经过复杂的公式推导和计算,才能得到某一具体的分离矩阵学习公式;而在基于自然梯度的算法中,其分离效果和收敛速度在很大程度上又依赖于活动函数的选择。
遗传算法(G A )作为一种高级智能优化算法,以其鲁棒性,并行性等优点得到了广泛的应用。
然而G A 至今仍然存在一些需要改进的地方,其中以收敛速度慢和易陷入局部最优解等问题尤为引人关注[1]。
本文针对普通遗传算法及其它优化算法无法保证优化质量和效率的缺点,提出了一种基于优先进化自适应遗传算法的I CA 盲信号分离方法。
利用遗传算法直接在整个分离矩阵空间进行搜索最佳分离矩阵,按轮盘赌方法对种群进行选择,选择次数K 根据进化代数T 进行自适应调整,保证了种群的多样性,依据每个个体的适度值自适应调整选择率P,交叉率Pc 及变异率P m,并对较优解进行优先进化的保存最优处理,全局收敛性好,分离精度高。
2 问题描述2.1 瞬时线性混合模型设有N 个各自相互统计独立且至多只能有一个高斯信号的未知源信号S i (t ),i =1～N 构成一个列向量S (t )=[s 1(t ),s 2(t ),….,s N (t ),]T 其中t 是离散时刻,取值为0,1,2….。
设A 是一个M 3N 维矩阵,一般称为混合矩阵(m ixingmatrix )。
设X (t )=[x 1(t ),x 2(t ),….,x M (t ),]T是由M 个可观察信号x i (t ),i =1～M 构成的列向量,并且满足下列方程:X (t )=A S (t ),M >=N(1)式(1)的含义是N 维的源信号经过混合后得到M 维的观测数据向量.问题的提法是在混合矩阵A 和源信号S (t )均未知的情况下,只根据观测数据向量X (t )来确定分离矩阵W 使得:Y (t )=W X (t )(2)Y (t )为S (t )的估计或拷贝。
由于混合过程是未知的,所以第i 个源信号的估计 S i (t )可以出现在向量Y (t )的任意一个分量Y i (t )的位置上,这也就是估计的源信号排列顺序的不确定性;另外估计的源信号与混合之前的源信号之间可能存在幅度上的不一致,这也就是源信号幅度的不确定性。
由于信号的信息主要包含在波形中,排列顺序也往往不为应用关心,所以这两种不确定性都是可以容忍的[2]。
2.2 基本思路独立分量分析(I C A )是解决盲信号分离的主要方法之一。
其基本目标是设置一分离矩阵W ,使得观测信号X (t )经分离矩阵W 输出列向量Y (t )=[y 1(t ),y 2(t ),…,y M(t ),]T 变换后的Y i (t )尽可能的统计独立.则认为源信号已经很好的分离出来了,从而达到了源信号的分离目标。
由于这一过程没有任何参照目标,因此这一学习只能是自组织的,本文利用遗传算法来对分离矩阵进行优化,以四阶累计向量作为优化准则,从而确定出最佳的W 。
盲信号分离的基本思路如图1。
图1 盲信号分离的基本思路3 算法原理3.1 预白化处理如果观测信号X (t )均值不为零,那么就先从观测信号中减去它的均值。
预白化过程就是选择一个矩阵V (t ),使协方差矩阵E{v (t )v T (t )}成为单位矩阵I,其中v (t )=V (t )X (t )。
这样,向量v (t )的各个分量之间是不相关的,并且它们具有单位方差。
预白化过程在大规模的信号分离当中是比较有效的,有的时候没有预白化过程,信号就不能很好的分开。
预白化处理的算法如下:1)根据观测信号计算出其估计协方差R x =E{X (t )X T(t )}(3) 2)对Rx 进行奇异值分解E{X (t )X T (t )}=U d iag [σ21,Λ,σ2m ]UT(4)其中U =[u 1,Λ,u m ]的列是Rx 的左奇异向量;3)分解结果为σ1≥σ2≥Λ≥σn >0>σn +1=σn +2=…=σm =0从而可以估算出源信号的个数为n4)令:D =d iag 1σ1,Λ,1σnV =DU Tnv (t )=VX (t )(5) 可以证明:协方差矩阵E{v (t )v T (t )}为单位矩阵I [5]。
3.2 基于自适应遗传算法的I CA 3.211 传统遗传算法遗传算法相对于其它的寻优算法而言,其优点在于它对目标问题的求解完全的依赖于解的个体及其适应度,而不需要其它的知识,故它对于解决复杂的非线性、非结构性问题有很强的求解能力。
传统的简单遗传算法概括起来包括以下几个步骤:步骤1:选择编码策略,把解空间X 映射到编码空间S;步骤2:定义适应值函数f (X );步骤3:确定遗传策略,包括种群规模M ,选择,交叉,变异算子以及交叉概率和变异概率等遗传参数;步骤4:随机初始化生成群体P;步骤5:计算种群每个染色体的适应度y (X );步骤6:按照遗传策略,运用选择,交叉和变异算子作用于群体,形成下一代群体;步骤7:判断群体是否满足某一指标或者完成预定的迭代次数,不满足则返回步骤6,直至满足为止。
利用传统的遗传算法解决盲信号分离时,发现其收敛速度较慢,并且很容易产生早熟现象,从而使得寻优结果与最优解存在较大差距,对此本文结合盲信号分离的特点,改进了传统的遗传算法。
3.212 改进后的遗传算法遗传算法中的编码是将解空间向编码空间的转换,编码的主要目的是优化解的形式和便于遗传计算,本文采用十进制编码,减少了解空间的维数。
以M 3N =333为例,既源信号,观测信号分别为3维信号,W 可以设为W =W 11..W 12..W 13W 21..W 22..W 23W 31..W 32..W 33 编码如下:[W 11..W 12..W 13..W 21..W 22..W 23..W 31..W 32..W 33]T由G A 算法来确定分离矩阵W 主要分为以下几步:1)初始化为了保持初始群体的多样性,初始群体的选择应该具有一定的随机,设Ω(0)=[W 11..W 12……W nn ]T随机产生N 组Ω(0)作为当前解群。
设置适应值给定容限F,当前进化代数T =0.2)选择①计算当前解的适应值f (i ),最大适应值f max 及平均适应值f avg ,若f max 达到给定容限F,则停止进化,选取它所对应的一组解作为最终输出.否则进行下一步。
f (i )=11+∑ni =1(cum4(y i ))2(6) ②保存f max 所对应的解,确使最终得到的解是历代最优解。
对其进行优先进化处理,在其邻域搜索更优解,既直接进行变异操作。
③计算出每一组当前解的被选择的概率。
按选择概率P 进行K 次轮盘赌选择,形成新的当前解.K 值随进化代数t递减而逐渐趋近于当前种群规模n .保证了进化初期物种的多样性。