一種盲源分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信號(hào)處理領(lǐng)域,特別涉及一種基于云模型和混沌的參數(shù)自適應(yīng)粒子群 算法的盲源分離方法。
【背景技術(shù)】
[0002]盲源分離(BlindSourceS印eration,BSS)是上世紀(jì)八十年代隨著神經(jīng)網(wǎng)絡(luò)的再 度興起而發(fā)展起來(lái)的一種新的信號(hào)處理方法,其思想源于人們對(duì)"雞尾酒會(huì)"的研究,其實(shí) 質(zhì)是在源信號(hào)和傳輸信道參數(shù)均未知的情況下,僅根據(jù)輸入信號(hào)的統(tǒng)計(jì)特性,由觀測(cè)信號(hào) 恢復(fù)出源信號(hào)的過(guò)程。獨(dú)立分量分析(IndependentComponentAnalysis,ICA)作為盲源 分離的主要方法,包括目標(biāo)函數(shù)選取和優(yōu)化兩部分,傳統(tǒng)ICA優(yōu)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(yōu)解等難題,解的質(zhì)量無(wú)法得到保證,導(dǎo)致在實(shí)際應(yīng)用中, 信號(hào)分離效果比較差。
[0003] 粒子群算法(ParticleSwarmOptimization,PS0)是當(dāng)前盲源分離的主要優(yōu)化方 法,是由鳥群覓食行為的啟發(fā)而得到,是一種基于群體智能的優(yōu)化算法?;镜牧W尤核惴?具有參數(shù)簡(jiǎn)單、收斂速度快、搜索范圍大等優(yōu)點(diǎn),但是由于該算法是隨機(jī)進(jìn)行初始化操作, 粒子的質(zhì)量不能被保證,很容易使一部分粒子距離尋求的最優(yōu)解很遠(yuǎn),致使尋優(yōu)速度大大 降低。再者,粒子群算法的自身原理也導(dǎo)致搜索不夠充分,得到的不是最優(yōu)解,特別當(dāng)解空 間較大時(shí)不能保證各個(gè)位置均被搜尋到,粒子易陷入局部最優(yōu)解,不利于提高算法的優(yōu)化 效率。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題是:針對(duì)盲源分離技術(shù)易陷入局部最優(yōu)解和早熟的問(wèn) 題,提出一種基于云模型和混沌的參數(shù)自適應(yīng)粒子群算法求最優(yōu)分離矩陣,進(jìn)而實(shí)現(xiàn)盲源 分離的方法,以提高分離精度。
[0005] 本發(fā)明技術(shù)問(wèn)題可以通過(guò)以下技術(shù)方案實(shí)現(xiàn):
[0006]-種盲源分離方法,有盲源分離問(wèn)題建模、適應(yīng)度評(píng)價(jià)和分離矩陣求解三個(gè)步 驟:
[0007] 所述的盲源分離問(wèn)題建模是在統(tǒng)計(jì)獨(dú)立的假設(shè)條件下,由觀測(cè)信號(hào)恢復(fù)出源信號(hào) 的過(guò)程;具體是通過(guò)尋找一個(gè)分離矩陣,使該矩陣和觀測(cè)得到的信號(hào)矩陣相乘后得到的輸 出矩陣各向量相互獨(dú)立,則這個(gè)輸出矩陣就是源信號(hào)的估計(jì)信號(hào);
[0008] 所述的適應(yīng)度評(píng)價(jià)是,在粒子初始化后,根據(jù)粒子的適應(yīng)度把粒子分為兩個(gè)種群, 根據(jù)求適應(yīng)度的公式kurt(y) =E{y4}-3(E{y2})2,求出所有粒子的平均適應(yīng)度,大于平均 適應(yīng)度的粒子采用混沌粒子群算法求得全局最優(yōu)位置;小于平均適應(yīng)度的粒子采用云模型 粒子群算法生成慣性權(quán)重的方法,求得全局最優(yōu)位置;所述的粒子是在仿真平臺(tái)上粒子群 算法初始化過(guò)程隨機(jī)產(chǎn)生的;所述的初始化是指,首先隨機(jī)生成一個(gè)ηΧη維的矩陣作為初 始分離矩陣,把該矩陣每個(gè)列向量作為粒子的初始全局最優(yōu)位置,在學(xué)習(xí)因子、慣性權(quán)重和 速度限定區(qū)間內(nèi),所有粒子向使適應(yīng)度最大的個(gè)體最優(yōu)位置靠攏并更新個(gè)體最優(yōu)位置,把 所有的個(gè)體最優(yōu)位置排列為一個(gè)全局最優(yōu)位置的矩陣,該矩陣即為ηΧη維的分離矩陣;
[0009] 所述的分離矩陣求解是,對(duì)于適應(yīng)度大于平均適應(yīng)度的粒子,采用混沌粒子群算 法進(jìn)行求解,具體的是利用混沌理論生成一組與待求問(wèn)題控制變量的數(shù)目相同的混沌變 量,對(duì)控制變量進(jìn)行混純擾動(dòng),把混純的遍歷范圍轉(zhuǎn)化到控制變量的約束范圍,最后,根據(jù) 粒子群的速度和位置更新公式迭代,尋求問(wèn)題的全局最優(yōu)解;對(duì)于適應(yīng)度小于平均適應(yīng)度 的粒子采用云模型粒子群算法進(jìn)行求解,具體的是利用X條件云發(fā)生器生成云滴作為粒 子,并且自適應(yīng)生成慣性權(quán)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(gè)體 極值和全局最優(yōu)值,從而找到使適應(yīng)度達(dá)到最大的一組云滴的位置作為輸出解;比較兩種 尋優(yōu)算法求出的最優(yōu)位置得到全局最優(yōu)位置,該最優(yōu)位置也即全局最優(yōu)解,作為盲源分離 求解混矩陣的分離矩陣。
[0010] 本發(fā)明所述的盲源分離問(wèn)題的數(shù)學(xué)建模,具體的是根據(jù)公式X(t) =A*S(t)+n(t) 和}^)二《^&?:外〇對(duì)盲源分離的瞬時(shí)混合和信號(hào)分離進(jìn)行建模,其中乂(〇 =
[Xl,x2,…,xJT為觀測(cè)信號(hào)集合,XieCm為實(shí)際觀測(cè)的各路信號(hào),S(t) = [Sl,s2,…,sn]T,SieCn為相互統(tǒng)計(jì)獨(dú)立的源信號(hào),n(t)為mXn維加性噪聲,A為混合矩陣,W是分離矩陣。
[0011] 本發(fā)明所述的采用混沌粒子群算法進(jìn)行求解,是在粒子群算法中引入混沌迭代, 具體的是根據(jù)邏輯映射式zn+1= 4Zn(l-Zn)表示,式中,Zn表示混沌變量,根據(jù)混沌原理對(duì) 粒子群添加混沌擾動(dòng),即z'k=α-?υζ'βζ,,式中,zksk次時(shí)的混沌向量,z' k為添加 擾動(dòng)后的混沌向量,βe[0,1]表示擾動(dòng)的強(qiáng)度,采用自適應(yīng)取值,在搜索初期,其值較大,
加強(qiáng)對(duì)解向量的擾動(dòng),隨著搜索的深入,β慢慢減小,具體變化為 η為一整數(shù)。
[0012] 本發(fā)明所述的采用云模型粒子群算法進(jìn)行求解,是由下述公式生成粒子群的慣性 權(quán)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(yīng)度;fg'是這部分粒子群的最優(yōu)適應(yīng)度;Cd,l2為云模 型的控制參數(shù)。
[0013] 本發(fā)明所述的粒子群算法是指具有參數(shù)自適應(yīng)的粒子群算法,具體的是根據(jù)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(jìn)行位置和速度的更新迭代,其中i= 1,2,···,Μ,M為粒子群的規(guī)模,即總的粒子數(shù)目;d =1,2,…,N,N是搜索空間的維數(shù);vld是粒子i在第d維度時(shí)的速度;Xld是粒子i在第 d維度時(shí)的位置;ω是慣性權(quán)重;cdPc2是學(xué)習(xí)因子;pid和pgd分別是粒子i的局部最優(yōu) 位置和全局最優(yōu)位置;rJPr2均為分布在[0,1]上的隨機(jī)數(shù),所述的參數(shù)自適應(yīng),包括學(xué) 習(xí)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(yōu)適應(yīng)度,favg是粒子群的平均適應(yīng)度,α是控制系數(shù);自適應(yīng)生成慣性權(quán)重ω,
,式中,iter_是最大進(jìn)化次數(shù);各粒子的適應(yīng)度方差為σ2,
[0014]本發(fā)明的核心思想是:隨機(jī)生成粒子群,并在設(shè)定范圍內(nèi)初始化粒子的位置和速 度,求出各個(gè)粒子的適應(yīng)度值,得到每個(gè)粒子的個(gè)體最優(yōu)值,通過(guò)比較得到全局最優(yōu)值,粒 子群算法(PS0)是一種基于群體智能的優(yōu)化算法,模擬鳥群覓食,通過(guò)鳥之間的集體協(xié)作 搜尋目前離食物最近的鳥的周圍區(qū)域,縮小范圍后再尋找食物的位置;在目標(biāo)搜索范圍中, 每個(gè)優(yōu)化問(wèn)題的解稱為"粒子",每個(gè)粒子用位置、速度和適應(yīng)度(fitnessvalue)三個(gè)指 標(biāo)來(lái)表征,所有粒子依據(jù)自身的歷史最優(yōu)位置和整個(gè)粒子群體的最優(yōu)位置來(lái)更新速度和位 置;通過(guò)計(jì)算粒子的目標(biāo)函數(shù)值,以此適應(yīng)度來(lái)衡量粒子的優(yōu)劣程度。首先求出所有粒子 的平均適應(yīng)度,根據(jù)評(píng)定要求將粒子群劃分為兩類,分別為優(yōu)秀粒子和一般粒子。不同種群 的粒子采用不同的尋優(yōu)算法:優(yōu)秀粒子將采用混沌粒子群算法,對(duì)陷入早熟的粒子進(jìn)行混 沌迭代,找到該種群的全局最優(yōu)解;一般粒子采用云模型粒子群算法,通過(guò)云模型找到該種 群的全局最優(yōu)解,云模型(Cloudmodel)是一種新型的定性與定量之間不確定轉(zhuǎn)換模型,通 過(guò)將模糊數(shù)學(xué)與概率論模型相結(jié)合,采用泛正態(tài)分布來(lái)表示很難用確切數(shù)值表示的不確定 描述;云模型由三個(gè)數(shù)學(xué)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 值;En是熵值,表示云滴的不確定性;He是超熵,是熵的不確定性度量,由熵的模糊性和隨機(jī) 性共同決定;云模型粒子群算法是在給定的云模型的三個(gè)數(shù)字特征的控制下,按照正態(tài)特 性自適應(yīng)調(diào)整慣性權(quán)重,搜尋出最優(yōu)解。最后通過(guò)比較,找到全局最優(yōu)解。將此最優(yōu)解作為 分離矩陣與混合信號(hào)相乘,得到分離出