一種盲源分離方法技術

本發明專利技術的一種盲源分離方法，屬于信號處理的技術領域，有盲源分離問題建模、適應度評價和分離矩陣求解三個步驟。本發明專利技術采用參數自適應粒子群算法，并在粒子群算法中引入混沌迭代和云模型，使粒子群在混沌與穩定之間交替向最優解靠近，有效的解決了在盲源分離問題中求分離矩陣易陷入局部最優解和早熟收斂問題，極大縮短了搜索時間，減少盲源分離的時間復雜度。

【技術實現步驟摘要】

本專利技術屬于信號處理領域，特別涉及一種基于云模型和混沌的參數自適應粒子群 算法的盲源分離方法。
技術介紹
盲源分離（BlindSourceS印eration，BSS)是上世紀八十年代隨著神經網絡的再 度興起而發展起來的一種新的信號處理方法，其思想源于人們對"雞尾酒會"的研究，其實 質是在源信號和傳輸信道參數均未知的情況下，僅根據輸入信號的統計特性，由觀測信號 恢復出源信號的過程。獨立分量分析（IndependentComponentAnalysis,ICA)作為盲源 分離的主要方法，包括目標函數選取和優化兩部分，傳統ICA優化采用最陡梯度下降算法， 存在收斂速度慢、易陷入局部最優解等難題，解的質量無法得到保證，導致在實際應用中， 信號分離效果比較差。 粒子群算法（ParticleSwarmOptimization,PS0)是當前盲源分離的主要優化方 法，是由鳥群覓食行為的啟發而得到，是一種基于群體智能的優化算法。基本的粒子群算法 具有參數簡單、收斂速度快、搜索范圍大等優點，但是由于該算法是隨機進行初始化操作， 粒子的質量不能被保證，很容易使一部分粒子距離尋求的最優解很遠，致使尋優速度大大 降低。再者，粒子群算法的自身原理也導致搜索不夠充分，得到的不是最優解，特別當解空 間較大時不能保證各個位置均被搜尋到，粒子易陷入局部最優解，不利于提高算法的優化 效率。
技術實現思路
本專利技術所要解決的技術問題是：針對盲源分離技術易陷入局部最優解和早熟的問 題，提出一種基于云模型和混沌的參數自適應粒子群算法求最優分離矩陣，進而實現盲源 分離的方法，以提高分離精度。 本專利技術技術問題可以通過以下技術方案實現：-種盲源分離方法，有盲源分離問題建模、適應度評價和分離矩陣求解三個步 驟： 所述的盲源分離問題建模是在統計獨立的假設條件下，由觀測信號恢復出源信號 的過程；具體是通過尋找一個分離矩陣，使該矩陣和觀測得到的信號矩陣相乘后得到的輸 出矩陣各向量相互獨立，則這個輸出矩陣就是源信號的估計信號； 所述的適應度評價是，在粒子初始化后，根據粒子的適應度把粒子分為兩個種群， 根據求適應度的公式kurt(y) =E{y4}-3(E{y2})2，求出所有粒子的平均適應度，大于平均 適應度的粒子采用混沌粒子群算法求得全局最優位置；小于平均適應度的粒子采用云模型 粒子群算法生成慣性權重的方法，求得全局最優位置；所述的粒子是在仿真平臺上粒子群 算法初始化過程隨機產生的；所述的初始化是指，首先隨機生成一個ηΧη維的矩陣作為初 始分離矩陣，把該矩陣每個列向量作為粒子的初始全局最優位置，在學習因子、慣性權重和 速度限定區間內，所有粒子向使適應度最大的個體最優位置靠攏并更新個體最優位置，把 所有的個體最優位置排列為一個全局最優位置的矩陣，該矩陣即為ηΧη維的分離矩陣； 所述的分離矩陣求解是，對于適應度大于平均適應度的粒子，采用混沌粒子群算 法進行求解，具體的是利用混沌理論生成一組與待求問題控制變量的數目相同的混沌變 量，對控制變量進行混純擾動，把混純的遍歷范圍轉化到控制變量的約束范圍，最后，根據 粒子群的速度和位置更新公式迭代，尋求問題的全局最優解；對于適應度小于平均適應度 的粒子采用云模型粒子群算法進行求解，具體的是利用X條件云發生器生成云滴作為粒 子，并且自適應生成慣性權重，再利用粒子群算法的速度和位置更新公式，更新云滴的個體 極值和全局最優值，從而找到使適應度達到最大的一組云滴的位置作為輸出解；比較兩種 尋優算法求出的最優位置得到全局最優位置，該最優位置也即全局最優解，作為盲源分離 求解混矩陣的分離矩陣。 本專利技術所述的盲源分離問題的數學建模，具體的是根據公式X(t) =A*S(t)+n(t) 和}^)二《^&?:外〇對盲源分離的瞬時混合和信號分離進行建模，其中乂(〇 =T，SieCn為相互統計獨立的源信號，n(t)為mXn維加性噪聲，A為混合矩陣，W是分離矩陣。 本專利技術所述的采用混沌粒子群算法進行求解，是在粒子群算法中引入混沌迭代， 具體的是根據邏輯映射式zn+1= 4Zn(l-Zn)表示，式中，Zn表示混沌變量，根據混沌原理對 粒子群添加混沌擾動，即z'k=α-?υζ'βζ,，式中，zksk次時的混沌向量，z' k為添加 擾動后的混沌向量，βe表示擾動的強度，采用自適應取值，在搜索初期，其值較大，加強對解向量的擾動，隨著搜索的深入，β慢慢減小，具體變化為 η為一整數。 本專利技術所述的采用云模型粒子群算法進行求解，是由下述公式生成粒子群的慣性 權重；En=favg'，En=(favg'-fg'）+ccl，He=En +cc2，En'=normrnd(En，He);其中favg'是采 用云模型的這部分粒子群的平均適應度；fg'是這部分粒子群的最優適應度；Cd，l2為云模 型的控制參數。 本專利技術所述的粒子群算法是指具有參數自適應的粒子群算法，具體的是根據公式 vid(t+l) = ω ?vid(t)+c1r1(pid-xid(t))+c 2r2(pgd-xid(t)) ^P^i^xid(t+1) = xid(t)+vid(t+1) 進行位置和速度的更新迭代，其中i= 1，2，···，Μ，M為粒子群的規模，即總的粒子數目；d =1，2,…，N，N是搜索空間的維數；vld是粒子i在第d維度時的速度；Xld是粒子i在第 d維度時的位置；ω是慣性權重；cdPc2是學習因子；pid和pgd分別是粒子i的局部最優 位置和全局最優位置；rJPr2均為分布在上的隨機數，所述的參數自適應，包括學 習因子c!、c2,其中c! (t)=2. 5_2*exp(_α|favg-fg|)，c2⑴=0· 5+2*exp(_α|favg-fg |)， 匕是最優適應度，favg是粒子群的平均適應度，α是控制系數；自適應生成慣性權重ω，，式中，iter_是最大進化次數；各粒子的適應度方差為σ2，本專利技術的核心思想是：隨機生成粒子群，并在設定范圍內初始化粒子的位置和速 度，求出各個粒子的適應度值，得到每個粒子的個體最優值，通過比較得到全局最優值，粒 子群算法（PS0)是一種基于群體智能的優化算法，模擬鳥群覓食，通過鳥之間的集體協作 搜尋目前離食物最近的鳥的周圍區域，縮小范圍后再尋找食物的位置；在目標搜索范圍中， 每個優化問題的解稱為"粒子"，每個粒子用位置、速度和適應度（fitnessvalue)三個指 標來表征，所有粒子依據自身的歷史最優位置和整個粒子群體的最優位置來更新速度和位 置；通過計算粒子的目標函數值，以此適應度來衡量粒子的優劣程度。首先求出所有粒子 的平均適應度，根據評定要求將粒子群劃分為兩類，分別為優秀粒子和一般粒子。不同種群 的粒子采用不同的尋優算法：優秀粒子將采用混沌粒子群算法，對陷入早熟的粒子進行混 沌迭代，找到該種群的全局最優解；一般粒子采用云模型粒子群算法，通過云模型找到該種 群的全局最優解，云模型（Cloudmodel)是一種新型的定性與定量之間不確定轉換模型，通 過將模糊數學與概率論模型相結合，采用泛正態分布來表示很難用確切數值表示的不確定 描述；云模型由三個數學特征（Ex，En，Hj表示，其中Ex是期待值，表示云滴在論域上的期望本文檔來自技高網...

【技術保護點】
一種盲源分離方法，有盲源分離問題建模、適應度評價和分離矩陣求解三個步驟：所述的盲源分離問題建模是在統計獨立的假設條件下，由觀測信號恢復出源信號的過程；具體是通過尋找一個分離矩陣，使該矩陣和觀測得到的信號矩陣相乘后得到的輸出矩陣各向量相互獨立，則這個輸出矩陣就是源信號的估計信號；所述的適應度評價是，在粒子初始化后，根據粒子的適應度把粒子分為兩個種群，根據求適應度的公式kurt(y)＝E{y4}?3(E{y2})2，求出所有粒子的平均適應度，大于平均適應度的粒子采用混沌粒子群算法求得全局最優位置；小于平均適應度的粒子采用云模型粒子群算法生成慣性權重的方法，求得全局最優位置；所述的粒子是在仿真平臺上粒子群算法初始化過程隨機產生的；所述的初始化是指，首先隨機生成一個n×n維的矩陣作為初始分離矩陣，把該矩陣每個列向量作為粒子的初始全局最優位置，在學習因子、慣性權重和速度限定區間內，所有粒子向使適應度最大的個體最優位置靠攏并更新個體最優位置，把所有的個體最優位置排列為一個全局最優位置的矩陣，該矩陣即為n×n維的分離矩陣；所述的分離矩陣求解是，對于適應度大于平均適應度的粒子，采用混沌粒子群算法進行求解，具體的是利用混沌理論生成一組與待求問題控制變量的數目相同的混沌變量，對控制變量進行混沌擾動，把混沌的遍歷范圍轉化到控制變量的約束范圍，最后，根據粒子群的速度和位置更新公式迭代，尋求問題的全局最優解；對于適應度小于平均適應度的粒子采用云模型粒子群算法進行求解，具體的是利用X條件云發生器生成云滴作為粒子，并且自適應生成慣性權重，再利用粒子群算法的速度和位置更新公式，更新云滴的個體極值和全局最優值，從而找到使適應度達到最大的一組云滴的位置作為輸出解；比較兩種尋優算法求出的最優位置得到全局最優位置，該最優位置也即全局最優解，作為盲源分離求解混矩陣的分離矩陣。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：于銀輝，陳倩，張磊，田小建，王達，周恒，
申請(專利權)人：吉林大學，
類型：發明
國別省市：吉林;22