一種基于粒子群優(yōu)化的信號(hào)分離方法
【專利摘要】本發(fā)明公開(kāi)了一種基于粒子群優(yōu)化的信號(hào)分離方法，包括：（1）輸入觀測(cè)信號(hào)；（2）以最小化分離信號(hào)聯(lián)合概率與邊緣概率簡(jiǎn)單乘積間的差值為優(yōu)化目標(biāo)，建立獨(dú)立分量分析算法優(yōu)化模型；（3）根據(jù)奇異值分解法估計(jì)源信號(hào)個(gè)數(shù)，依此確定優(yōu)化變量個(gè)數(shù)；（4）計(jì)算觀測(cè)信號(hào)間的相關(guān)系數(shù)，確定優(yōu)化變量取值范圍；（5）利用粒子群優(yōu)化算法對(duì)分離矩陣進(jìn)行優(yōu)化；（6）優(yōu)化結(jié)束后最后一代種群中適應(yīng)度最優(yōu)的粒子為最優(yōu)分離矩陣，將其與混合信號(hào)相乘，即可得到最優(yōu)分離信號(hào)。該方法基于粒子群優(yōu)化的獨(dú)立分量分析，具有普遍適用性，對(duì)于各種盲源分離問(wèn)題均具有良好的性能。
【專利說(shuō)明】一種基于粒子群優(yōu)化的信號(hào)分離方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于信號(hào)處理【技術(shù)領(lǐng)域】，涉及一種信號(hào)分離方法，尤其是一種基于粒子群優(yōu)化的信號(hào)分離方法。
【背景技術(shù)】
[0002]在許多信號(hào)處理應(yīng)用中，傳感器采集得到的觀測(cè)信號(hào)往往是多個(gè)信源形成的混合信號(hào)，信號(hào)質(zhì)量較差。為了降低噪聲干擾，提高信號(hào)質(zhì)量，可以采用獨(dú)立分量分析(Independent Component Analysis, ICA)對(duì)觀測(cè)信號(hào)進(jìn)行處理,恢復(fù)出獨(dú)立源信號(hào)。
[0003]現(xiàn)有技術(shù)中，圍繞ICA問(wèn)題的解決已經(jīng)出現(xiàn)了許多算法，其中最為經(jīng)典的算法是FastICA算法，其優(yōu)點(diǎn)在于:收斂速度快，與基于梯度的算法相比，不需要選擇步長(zhǎng)，目前大多數(shù)文獻(xiàn)在解決BSS問(wèn)題時(shí)，均采用了 FastICA算法。1995年Bell和Sejnowski提出的Infomax算法是另一種常用ICA算法，該算法中分離矩陣的調(diào)整公式需要根據(jù)源信號(hào)的峭度性質(zhì)選擇不同的非線性函數(shù)。Lee在傳統(tǒng)Infomax算法的基礎(chǔ)上提出了一種擴(kuò)展算法，該算法采用非線性模型的動(dòng)態(tài)切換技術(shù)，實(shí)現(xiàn)了對(duì)超高斯和亞高斯源的同步分離，其性能優(yōu)于傳統(tǒng)Infomax算法。另一種較為常見(jiàn)的ICA算法是Cardoso提出的JADE算法,該算法是一種基于矩陣聯(lián)合對(duì)角化的ICA算法，對(duì)各種情況的盲信號(hào)具有一定的分離作用。
[0004]上述現(xiàn)有技術(shù)的方法對(duì)于常規(guī)盲信號(hào)分離問(wèn)題應(yīng)用效果較好，但對(duì)于諸如超高斯源混合亞高斯源、強(qiáng)源信號(hào)混合弱源信號(hào)等非常規(guī)問(wèn)題，應(yīng)用效果并不理想:對(duì)于超高斯源混合亞高斯源的情況，三種ICA算法均無(wú)法實(shí)現(xiàn)準(zhǔn)確分離；對(duì)于強(qiáng)信號(hào)混合弱信號(hào)的情況，F(xiàn)astICA算法完全失效，擴(kuò)展Infomax算法與JADE算法表現(xiàn)較好，但細(xì)節(jié)方面與源信號(hào)仍存在一定偏差。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種基于粒子群優(yōu)化的信號(hào)分離方法，該方法基于粒子群優(yōu)化的獨(dú)立分量分析，具有普遍適用性，對(duì)于各種盲源分離問(wèn)題均具有良好的性能。
[0006]本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的:
[0007]這種基于粒子群優(yōu)化的信號(hào)分離方法，包括以下步驟:
[0008]I)讀取觀測(cè)信號(hào)；
[0009]2)以最小化分離信號(hào)聯(lián)合概率與邊緣概率簡(jiǎn)單乘積間的差值為優(yōu)化目標(biāo)，建立如下所示的獨(dú)立分量分析算法優(yōu)化模型:
【權(quán)利要求】
1.一種基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，包括以下步驟: 1)讀取觀測(cè)信號(hào)； 2)以最小化分離信號(hào)聯(lián)合概率與邊緣概率簡(jiǎn)單乘積間的差值為優(yōu)化目標(biāo)，建立如下所示的獨(dú)立分量分析算法優(yōu)化模型:

m
Minimize P(y{,少,2，…，) - Π Piy1-) w.r.t.W


1=1
s.t.: y (t) =Wx (t) 其中:x(t)為η維觀測(cè)信號(hào)，y(t)為m維分離信號(hào)，W為分離矩陣，P(yi，y2，..., yffl)為分離信號(hào)yi，y2，...，7Π的聯(lián)合概率，P(Yi)為分離信號(hào)Yi的邊緣概率； 3)根據(jù)奇異值分解法確定源信號(hào)個(gè)數(shù)，依此確定分離矩陣維數(shù)； 4)計(jì)算觀測(cè)信號(hào)間的相關(guān)系數(shù)Yu，確定分離矩陣取值范圍； 5)利用粒子群優(yōu)化算法求解最優(yōu)分離矩陣； 6)優(yōu)化結(jié)束后最后一代種群中性能最 優(yōu)的粒子為最優(yōu)分離矩陣，將其與混合信號(hào)相乘，即可得到最優(yōu)分離信號(hào)。
2.根據(jù)權(quán)利要求1所述的基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，步驟3)具體為:3.1)計(jì)算觀測(cè)信號(hào)x(t)的自相關(guān)矩陣特征值，并按降序排列，記為 ^入2彡…彡λω^...彡λη;
3.2)計(jì)算 Ii1 = X2ZX^k2= λ3/λ2,…，kn_! = λ η/ λ n—i ; 3.3)查找kE = max{ki, i = 1，2，...，n_l}，則源信號(hào)個(gè)數(shù)A = ￡* + I，確定分離矩陣W的維數(shù)為A Xη。
3.根據(jù)權(quán)利要求1所述的基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，分離矩陣W取值范圍確定方法如下: 4.1)根據(jù)下面的公式計(jì)算各觀測(cè)信號(hào)間的相關(guān)系數(shù)Y u: 免剛-取W, — k=l_
Y k=lV 女=1 其中Xi (k)，k = 1，...，N為呈離散狀態(tài)的第i組觀測(cè)信號(hào)，N為觀測(cè)信號(hào)長(zhǎng)度，兄為Xi (k), k = I,..., N 的均值；
4.2)若 min U u) >0.9，分離矩陣 W 取值范圍[-100，100];若 0.9>min ( y u) >0.7，分離矩陣W取值范圍[-10，10];若0.7>min ( γ υ) >0.3，分離矩陣W取值范圍[_1，I]。
4.根據(jù)權(quán)利要求1所述的基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，步驟5)中，粒子群算法尋優(yōu)過(guò)程如下: (1)確定粒子群規(guī)模Μ，并初始化粒子群； (2)將各粒子位置帶入優(yōu)化目標(biāo)函數(shù)；(3)找到每一個(gè)粒子到目前為止搜索過(guò)程中的最優(yōu)解，記作=.，Μ，其中t為當(dāng)前迭代次數(shù)； (4)找到所有粒子到目前為止搜索過(guò)程中的整體最優(yōu)解，記為Gbest(t)； (5)更新每個(gè)粒子的速度與位置； (6)如未達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)T，返回步驟(2)。
5.根據(jù)權(quán)利要求4所述的基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，步驟(2)中所述優(yōu)化目標(biāo)函數(shù)計(jì)算方法如下: (1)將粒子的位置與觀測(cè)信號(hào)相乘，得到呈離散狀態(tài)的分離信號(hào)Yj(k)，j= 1，...，ηk = 1，...，N ; (2)采用直方圖法估計(jì)分離信號(hào)的聯(lián)合概率及邊緣概率； (3)將分離信號(hào)的聯(lián)合概率及邊緣概率帶入目標(biāo)函數(shù)計(jì)算公式，即可得到該粒子所對(duì)應(yīng)的目標(biāo)函數(shù)值，該值越小，該粒子性能越好。
6.根據(jù)權(quán)利要求5所述的基于粒子群優(yōu)化的信號(hào)分離方法，其特征在于，步驟(2)中所述聯(lián)合概率及邊緣概率估計(jì)方法如下: (1)對(duì)于第j個(gè)分離信號(hào)Yj(k)，k = 1，...，N，，根據(jù)以下經(jīng)驗(yàn)公式確定直方圖的組距覽度hj:
【文檔編號(hào)】H03H21/00GK103427791SQ201310344881
【公開(kāi)日】2013年12月4日 申請(qǐng)日期:2013年8月8日 優(yōu)先權(quán)日:2013年8月8日
【發(fā)明者】李良敏, 高強(qiáng), 房宏威, 馮帆, 楊本波, 周勁草 申請(qǐng)人:長(zhǎng)安大學(xué)