本發(fā)明屬于未知混合信號盲分離處理領域，具體是在基本粒子算法基礎上加入二階振蕩環(huán)節(jié)的同時引入遺傳變異進行優(yōu)化，在源信號先驗知識未知情況下對混合信號分離的問題。
背景技術：
：盲源分離算法研究的是統(tǒng)計獨立的非高斯信號，在源信號和傳輸信道先驗知識均未知情況下對混合信號進行分離，在信號盲處理領域起了極大的推動作用。在平穩(wěn)、非平穩(wěn)及含噪環(huán)境下將混合信號分離出來是盲源分離理論在應用中的重要研究課題，傳統(tǒng)盲源分離算法大多是在平穩(wěn)環(huán)境下處理混合觀測信號的分離問題。由于傳輸信道會受到外界非平穩(wěn)環(huán)境的干擾，也就是混合矩陣是隨機動態(tài)時變的情況，這樣就要求盲源分離算法在保證穩(wěn)態(tài)誤差較小的同時能快速收斂。盲源分離假設源信號為統(tǒng)計獨立的，文獻“鄧靈.基于改進EASI算法的多跳頻信號盲源分離.科學技術與工程，2014”提出了變步長EASI算法；文獻“陳琛.基于自然梯度算法的變步長盲源分離.太原：太原理工大學,2010”提出了變步長自然黎曼梯度算法；文獻“葉飛.基于獨立分量分析的PCMA信號盲分離算法.電視技術,2015”提出了FastICA算法。這些經典的盲源分離算法在實現時，會涉及到根據源信號概率密度性質及峭度值選取非線性函數進行分離運算的情況，這與源信號及信道性質未知相矛盾；同時這些算法在分離運算時很難跳出局部最優(yōu)，且收斂速度緩慢，影響到了分離效果。所以近年來研究傾向于將智能算法應用到盲源分離中，文獻“M.H.Afshar.Extensionoftheconstrainedparticleswarmoptimizationalgorithmtooptimaloperationofmulti-reservoirssystem.ElectricalPowerandEnergySystems,2013”提出了基本PSO(ParticleSwarmOptimization)算法，雖然解決了非線性函數選取問題，但在收斂速度和性能穩(wěn)定等方面還有待改善。為克服傳統(tǒng)盲源分離的缺陷，并對基本智能算法進行有效改進，本發(fā)明提出基于遺傳變異優(yōu)化的二階振蕩粒子群盲源分離方法。技術實現要素：本發(fā)明所要解決的技術問題，針對經典的盲源分離算法在實現時會涉及到根據源信號概率密度性質及峭度值選取非線性函數進行分離運算的問題,這與源信號及信道性質未知相矛盾。同時,這些算法在分離運算時很難跳出局部最優(yōu),且收斂速度緩慢,影響到了分離效果,所以近年來研究傾向于將智能算法應用到盲源分離中。本發(fā)明提出一種基于遺傳變異優(yōu)化的二階振蕩粒子群算法可有效解決傳統(tǒng)算法的不足并提升了基本粒子群算法的性能，收斂速度快，分離效果好，能做到不依賴任何混合信號先驗知識的前提下可準確分離信號。本發(fā)明解決上述技術問題的技術方案是：對接收到的混合信號預處理和白化處理，確保混合信號符合盲源分離要求的信號間統(tǒng)計獨立條件。將處理后的混合信號通過本發(fā)明所提出的方法，該方法的慣性權重選取固定參數確保分離過程的平穩(wěn)有序。為了增加粒子種群的多樣性本發(fā)明加入了二階振蕩環(huán)節(jié)，這樣可有效改善算法全局收斂性能，提高信號分離效果；二階振蕩可使粒子在下一次迭代中向著較優(yōu)的位置移動，增強了粒子全局搜索能力；粒子搜索范圍的擴大又使算法可成功跳出局部最優(yōu)。引入遺傳變異機制后使一部分不能到達全局最優(yōu)位置的粒子有機會通過變異后避免陷入局部最優(yōu)。經過二階振蕩和遺傳變異改進，該方法可適應更多的混合信號類型，增加了盲源分離算法的普遍適用性。本發(fā)明運用遺傳變異優(yōu)化的二階振蕩粒子群方法處理了模擬振動信號以及混沌映射信號，不僅克服了傳統(tǒng)盲源分離算法非線性激活函數選取難題，也有效提高了分離性能，在分組散點圖中可分映出盲源分離模糊性，但有用信息通常隱含在分離信號波形中，所以在研究盲源分離問題時可忽略模糊性影響。附圖說明圖1本發(fā)明盲源分離算法簡化數學模型；圖2本發(fā)明基于遺傳變異優(yōu)化的二階振蕩粒子群方法流程圖；圖3本發(fā)明模擬振動信號時域和頻域波形圖；圖4本發(fā)明混合振動信號時域和頻域波形圖；圖5本發(fā)明分離振動信號域和頻域波形圖；圖6本發(fā)明振動信號分組散點圖；圖7本發(fā)明混沌映射源信號波形圖；圖8本發(fā)明混合混沌映射信號波形圖；圖9本發(fā)明分離混沌映射信號波形圖；圖10本發(fā)明混沌映射信號分組散點圖；具體實施方式以下結合附圖和具體實例，對本發(fā)明的實施作進一步的描述。圖1給出盲源分離算法的簡化數學模型。可以看出，盲源分離算法的關鍵是求取一個通過相應的算法確定分離矩陣W的過程，即混合矩陣A的逆矩陣。簡化模型中沒有考慮噪聲對算法的影響，加入噪聲后可表示為：y(t)＝Wx(t)＝WAs(t)+Wn(t)(1)分離信號y(t)是源信號s(t)的估計。通常，加性噪聲n(t)的影響會被忽略。這樣y(t)＝WAs(t)。由于源信號和傳輸信道特性都是未知的，y(t)在幅度和排列次序上具有隨機性，這被稱為盲源分離的模糊性。Wx(t)＝WAs(t)＝ΛPs(t)，Λ為對角線上元素非零的非奇異對角矩陣，反映y(t)在幅度上不確定性；P為置換矩陣，反映y(t)排序上不確定性。圖2給出了基于遺傳變異優(yōu)化的二階振蕩粒子群方法流程圖。與基本粒子群算法相比本發(fā)明增添了二階振蕩環(huán)節(jié)和遺傳變異機制，在一定程度上增加了算法的復雜度，但相較于計算機硬件的進步，復雜度的增加可以忽略。粒子群算法(ParticleSwarmOptimization,PSO)先是初始化粒子種群，由目標函數計算適應度值，使粒子向最優(yōu)位置移動。根據粒子運動狀態(tài)和適應度函數不斷迭代更新粒子的速度和位置，最終找到全局最優(yōu)位置。速度和位置更新公式如下：Vi,j(t+1)＝ωVi,j(t)+c1r1[pi,j-Xi,j(t)]+c2r2[pg,j-Xi,j(t)](2)Xi,j(t+1)＝Xi,j(t)+V(t+1),j＝1,2,…,D(3)式中，ω為慣性權重；c1和c2為學習因子；r1和r2是分布于[0,1]區(qū)間的隨機數；D為粒子搜索空間維度；Xi＝(Xi,1,Xi,2,…,Xi,D)為第i個粒子位置；Vi＝(Vi,1,Vi,2,…,Vi,D)為第i個粒子速度；Pi＝(pi,1,pi,2,…,pi,D)為粒子個體最優(yōu)位置；Pg＝(pg,1,pg,2,…,pg,D)為當前種群全局最優(yōu)位置。由于二階粒子群算法是漸近收斂的，本專利加入振蕩環(huán)節(jié)來進一步提高粒子種群多樣性，從而改善方法全局尋優(yōu)和收斂性。二階振蕩粒子群速度更新公式可表示為：Vi,j(t+1)＝ωVi,j(t)+c1r1[pi,j-(1+ξ1)Xi,j(t)+ξ1Xi,j(t-1)]+c2r2[pg,j-(1+ξ2)Xi,j(t)+ξ2Xi,j(t-1)](4)其中，ξ1，ξ2為隨機數。在該方法迭代運行前期(小于最大迭代次數的1/2)選取可以使方法具有較強的全局搜索能力；迭代后期(大于等于最大迭代次數的1/2)選取可加快算法收斂速度。在PSO算法中，隨著搜索迭代的進行，種群多樣性不斷減少，使得算法有可能出現“早熟”現象，即過早收斂。因此，當粒子種群進化到一定程度時，引入遺傳變異機制以提高種群的多樣性，而進行變異操作的這些粒子將進入其他區(qū)域進行搜索，在之后的迭代過程中，算法有可能發(fā)現新的最優(yōu)解。如此迭代循環(huán)，算法就可以找到全局最優(yōu)解。對種群中部分粒子按變異概率pm進行變異過程，pm可以取[0.1,0.3]之間的任意數值。具體的做法為：首先根據適應值的大小對種群所有粒子進行排序，取適應值最好的m個粒子，對應產生m個分布于[0,1]之間的隨機數ri,i＝1,2,…,m，如果ri＜pm則按照下式產生粒子新的位置，但該粒子迄今為止所找到的最優(yōu)位置，然后進入下一次迭代。Xi,j(t+1)＝(1+0.5*η)*Xi,j(t)(5)其中，η是服從高斯(0,1)分布的隨機變量。改進方法具體流程如下:1)首先對觀測混合信號x(t)采樣，進行中心化和預白化處理；2)粒子種群初始化，隨機生成分離矩陣作為各粒子初始位置同時隨機初始化各粒子速度，初始化學習因子c1,c2，變異概率pm，慣性權重ω等；3)根據分離矩陣計算出y(t)，然后利用計算得出各粒子的適應度值；4)再依據適應度值迭代更新粒子個體最優(yōu)位置和粒子種群最優(yōu)位置；5)根據遺傳變異概率選取相應數目的粒子隨機雜交產生同等數目的子代粒子，子代的位置和速度需重新確定；6)將固定慣性權重和二階振蕩環(huán)節(jié)代入迭代更新各粒子的速度和位置；7)進入循環(huán)狀態(tài)，達到循環(huán)終止條件就輸出結果；否則返回步驟3)繼續(xù)搜索。本專利目標函數依據中心極值定理，利用分離信號的負熵來定義本文盲源分離的適應度函數。用負熵來度量每路分離信號的獨立性，當負熵極大時，分離信號間的非高斯性也最強。當分離信號的概率分布呈現對稱時，第i路分離信號負熵可近似表示為Ji(yi)≅148k42(yi)---(6)]]>其中，k4(yi)為第i路分離信號的四階累積量，即峭度。可歸一化表示為k4(yi)=E(yi4)E(yi2)2-3---(7)]]>為了使分離信號滿足零均值和E(yyT)＝I這兩個約束條件，計算負熵之前需對分離信號進行中心化和預白化處理。因此，該方法適應度函數表示為f(y)=Σi=1n148k42(yi)---(8)]]>在E(yyT)＝I的約束下，適應度函數f(y)越大表示yi間分離效果越理想。本專利提出方法中各參數為：種群總數M＝20；粒子搜索維度D＝4；學習因子c1＝2，c2＝2；固定隨機慣性權重ω＝0.8；遺傳變異概率pm＝0.2；最大迭代次數N＝50。圖3為模擬振動源信號時域和頻域圖。本專利將模擬齒輪和軸承信號作為盲源分離實驗的源信號，以此驗證該方法有效性。軸承振動信號模型為s2(t)＝sin(2πf1t)[1+αsin(2πf2t)](9)式中，α為調幅系數，f1為軸承的內或外圈頻率；f2為滾子旋轉頻率。齒輪振動信號模型為式中，f為齒輪嚙合頻率；為第i次諧波相位。依據振動信號模型構造的兩路源信號為s1(t)=sin(200πt)[1+sin(20πt)]s2(t)=(1.5+10t)cos(120πt+2)---(11)]]>采樣頻率fs＝2kHz，采樣點為1000，得到的兩路模擬機械振動源信號時域和頻域波形如圖3所示。可以看出，模擬軸承振動信號頻域波形在頻域為100Hz時，出現了最大峰值；模擬齒輪振動信號頻域波形在頻域為60Hz時，出現了最大峰值。圖4是混合信號時域和頻域圖。將圖1中的兩路信號經過隨機生成的混合矩陣后得到觀測信號。圖5是經本專利所提方法后得到的分離信號時域和頻域圖。通過時域可以看出分離信號和源信號基本一致，頻域中振動信號最大峰值相等。說明該方法可有效分離振動信號。圖6是分組散點圖。從圖中可明顯看出兩條對角線，說明分離信號很好的估計了源信號。分組散點圖還可以反映盲源分離模糊性，本專利方法處理后混合信號成功分離且沒有發(fā)生排列次序的變化。圖7是兩路混沌映射信號的時域波形圖。選取的信號映射分別Chebysev映射和Henon映射，數據長度為100。s3(t)＝cos{4cos-1[s3(t-1)]}(12)s4(t)=1-1.4s42(t-1)+r(t-1)r(t)=0.3s4(t-1)---(13)]]>以上兩個映射分別產生源信號s3(t)和s4(t)，仿真時混合矩陣A∈R2×2由均勻分布于[-1,1]隨機產生。圖8是混合信號時域波形圖。源信號s3(t)和s4(t)通過隨機生成的矩陣A后的掃混合信號。圖9是分離混沌映射信號時域波形圖。對比與混沌映射源信號，分離信號能較為準確的估計出源信號。圖10是混沌映射信號分組散點圖。與圖6一致，說明本發(fā)明所提方法可有效分離混沌映射信號并保證信號排列次序沒有改變。當前第1頁1 2 3