亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進鯨魚優(yōu)化算法的盲源分離方法

        2018-11-02 03:28:40褚鼎立宣章健
        探測與控制學(xué)報 2018年5期
        關(guān)鍵詞:盲源峰度鯨魚

        褚鼎立,陳 紅,宣章健

        (國防科技大學(xué)電子對抗學(xué)院, 安徽 合肥 230037)

        0 引言

        盲源分離(Blind Signal Separation,BSS)是20世紀出現(xiàn)的新研究領(lǐng)域,在對源信號和傳輸通道幾乎沒有可利用信息的情況下,僅從觀測到的混合信號中提取或恢復(fù)源信號各分量的一種信號處理方法[1]。盲信號分離,本質(zhì)上就是一種信號處理方式,適用于各個信息領(lǐng)域,其中包括無線通信、圖像處理、語音識別等。當(dāng)前,盲信號分離受到各國學(xué)者的關(guān)注和討論,已經(jīng)成為研究的熱點與重點,尤其在信號處理、人工神經(jīng)網(wǎng)絡(luò)等方面[2],具有極為重要的研究價值。

        盲處理的方法是依據(jù)一定的獨立性準則構(gòu)造目標函數(shù)的無監(jiān)督學(xué)習(xí)方法。針對目標函數(shù)的計算法方法,文獻[3]提出了隨機梯度法,由于算法需要對矩陣求逆,計算量大,當(dāng)矩陣奇異時,計算不穩(wěn)定;文獻[4]提出了自然梯度法,相較于隨機梯度法更穩(wěn)定,但計算量仍很大,收斂性有待改進[5];文獻[6]提出了FastICA方法,計算量更少,但存在對初始值敏感的問題,導(dǎo)致算法不穩(wěn)定。文獻[7]提出基于粒子群算法的盲分離方法,該方法不易陷入局部極值,但參數(shù)設(shè)置較多、收斂速度較慢,針對粒子群算法存在的問題,本文對鯨魚優(yōu)化算法[8]進行改進,并應(yīng)用于盲源分離。

        1 盲分離問題描述

        假設(shè):x(t)是n個未知的相互統(tǒng)計獨立的源信號s(t)的線性組合,即:

        x(t)=As(t)

        (1)

        式(1)中,x(t)=[x1(t),x2(t),…,xm(t)]T,s(t)=[s1(t),s2(t),…,sn(t)]T,A為m×n階未知混合矩陣。由于A和s未知,盲分離要通過特定算法來實現(xiàn)x(t)的處理,從而獲得n×m階的分離矩陣,用W表示,使得輸出信號:

        y(t)=Wx(t)=WAs(t)

        (2)

        就是s(t)的估計值。

        由于s(t)和A未知,盲源分離依據(jù)條件和要求,將s(t)從觀測信號x(t)中將源信號分離出來,使得最終分離出的信號無限逼近于源信號s(t),即通過分離矩陣W來實現(xiàn)盲源分離。一些混合信號中含有噪聲成分,在處理這類信號的過程中,可以將混合信號和噪聲區(qū)別開來,分別看作是不同路信號。

        為了保證盲源分離的可能性,需要一些假設(shè)條件,通常為[9]:

        1) 滿秩混合矩陣A,源信號數(shù)不得超過觀測信號數(shù)(即n≤m)。

        2)基于統(tǒng)計要求,各源信號相互統(tǒng)計獨立。在實際應(yīng)用中,這個假設(shè)也是合理的。

        3)至多有一個信號是高斯分布。

        在缺乏源信號和信息通道的情況下,經(jīng)過盲分離的信號并不能確定幅值和排列順序,這一特征稱為模糊性。模糊性雖然存在,但是卻并不會影響最終結(jié)果[10]。

        根據(jù)大數(shù)定理,多個相互獨立的隨機變量之和趨向于高斯分布。因此,如果觀測信號是源信號的線性組合,那么源信號的非高斯性比觀測信號的非高斯性更強。根據(jù)這個原理,可以通過對分離信號的非高斯性判斷來確定其相互獨立性[11]。分離信號非高斯性越大,其分離效果越好。

        由于粒子群算法存在參數(shù)復(fù)雜、收斂速度慢等問題,本文提出利用改進的鯨魚優(yōu)化算法對目標函數(shù)進行優(yōu)化的算法,旨在進一步提升對線性瞬時混疊信號的分離性能和收斂速度。

        2 基于改進鯨魚優(yōu)化算法的盲分離

        2.1 鯨魚優(yōu)化算法

        鯨是世界上最大的哺乳動物,它的大腦構(gòu)造同人腦相似,都具有梭形細胞,該細胞具有情感表達、行為判斷等功能,使得鯨魚與其他生物不同。座頭鯨捕食時會群聚在一起,吐出一串串泡泡,形成一張泡泡網(wǎng),合作捕食。2016年,Mirjalili S等學(xué)者[8]從座頭鯨捕食行為中獲得靈感,設(shè)計出一種新型算法,即鯨魚優(yōu)化算法(Whale Optimization Algorithm, WOA),該算法具備一定的自然靈感。具體來說,上述算法對座頭鯨的捕食行為進行模仿,采取“螺旋氣泡網(wǎng)”策略,即逐步縮小捕食范圍、更新捕食位置,具備結(jié)構(gòu)簡便、調(diào)節(jié)參數(shù)減少等優(yōu)勢。算法數(shù)學(xué)模型有三種:一是包圍獵物,二是發(fā)泡網(wǎng)攻擊,三是搜索捕食。每次位置更新時,每個個體按照一定的準則選擇其中一種更新方式。下面是三種更新方式的介紹。

        2.1.1包圍獵物

        座頭鯨能夠識別獵物的位置并包圍他們。由于最優(yōu)位置的搜索空間不是預(yù)先知道的,WOA算法假設(shè)當(dāng)前最佳的候選解是目標獵物位置或最接近目標獵物的位置,在定義最佳代理之后,其他搜索代理將向最佳代理靠近,其位置更新的數(shù)學(xué)表達式為

        X(j+1)=X(j)-A·D

        (3)

        D=|C·X*(j)-X(j)|

        (4)

        式(3)、式(4)中,A和C為系數(shù)變量;X*(j)為當(dāng)前最佳鯨魚位置;X(j)表示當(dāng)前鯨魚位置;j表示迭代次數(shù)。

        計算系數(shù)變量A和C:

        A=2a×r-a

        (5)

        C=2r

        (6)

        2.1.2發(fā)泡網(wǎng)攻擊

        為了模擬座頭鯨吐氣泡捕食行為,數(shù)學(xué)模型為:

        1)收縮包圍:即減少式(5)中的a值。在這個過程中,A的取值范圍是[-a,a],一旦這個范圍發(fā)生變動,a也會相應(yīng)的改變,若A在[-1,1]范圍內(nèi),鯨魚的目標位置將確定在當(dāng)前位置和獵物位置之間,這表現(xiàn)出座頭鯨的局部搜索能力。

        2)螺旋式位置更新:通過計算得鯨群個體和獵物的準確具體,并將螺旋式數(shù)學(xué)模型引入:

        X(j+1)=D′eblcos(2πl(wèi))+X*(j)

        (7)

        (8)

        式(7)、式(8)中,D′為表示的是第i頭鯨當(dāng)前最佳位置和獵物之間的距離,b為對數(shù)螺旋形狀常數(shù);l是[-1,1]上的隨機數(shù)。

        座頭鯨在捕殺獵物時不僅以螺旋形狀游向獵物,還要收縮包圍圈,以50%的概率作為閾值來更新鯨魚位置。公式為:

        (9)

        式(9)中,p為[0,1]上的隨機數(shù)。

        2.1.3搜索捕食

        座頭鯨除了選擇氣泡網(wǎng)法搜索策略之外,隨機搜索捕食也是一種重要手段。實際上,鯨群個體可以在彼此的距離范圍內(nèi),隨機捕食獵物。所以,若果A超出[-1,1]范圍,距離數(shù)據(jù)D隨機更新,鯨為了找尋獵物,就會偏離原本的目標獵物,使得捕食能力提高,使得WOA有一定的全局搜索性能。公式為:

        D=|C·Xrand-X(j)|

        (10)

        X(j+1)=Xrand-A·D

        (11)

        式(10)、式(11)中,Xrand為當(dāng)前鯨群中隨機個體的位置。

        2.2 自適應(yīng)權(quán)重

        慣性權(quán)重在粒子群算法中有重要作用,權(quán)重較大時,算法可以搜索較大的區(qū)域,收斂速度會加快;權(quán)重較小時,搜索更加精細,不易錯過最優(yōu)解。

        受文獻[12]的啟發(fā),對鯨魚優(yōu)化算法引入自適應(yīng)權(quán)重,權(quán)值計算公式如下:

        (12)

        式(12)中,j為當(dāng)前迭代次數(shù),M為最大迭代次數(shù)。文獻[12]將權(quán)重引入到式(3),如下所示:

        X(j+1)=ω·X(j)-A·D

        (13)

        筆者認為此法欠妥,若將權(quán)重因子引入到鯨魚的當(dāng)前位置上,不符合智能優(yōu)化的初衷,故將其與距離數(shù)據(jù)D結(jié)合,可以通過迭代的次數(shù)來調(diào)整收斂的速度,改進公式如下

        X(j+1)=X(j)-ω·A·D

        (14)

        由于自適應(yīng)權(quán)重對局部搜索作用明顯,而式(3)和式(7)都是用于進行局部搜索的,所以將權(quán)重也同時引入到式(7)中,如下所示

        X(j+1)=ω·D′eblcos(2πl(wèi))+X*(j)

        (15)

        2.3 分離原理

        為分離混合信號x(t),本文選擇通過引入自適應(yīng)權(quán)重的WOA算法,來計算式(2)中的W。根據(jù)隨機變量間的獨立性準則,確定盲源分離方法,求得分離矩陣W,常用的有最小互信息準則、信息最大化準則、非高斯最大化準則等。在此,以文獻[13]給出的四階累積量(峰度)準則來建立目標函數(shù),采用分離信號峰度作為信號分離的度量。

        隨機變量yi的峰度可表示為

        (16)

        如果K(yi)>0,信號yi(t)滿足超高斯分布的條件;如果K(yi)=0,信號yi(t)滿足高斯分布的條件;如果K(yi)<0,信號yi(t)滿足亞高斯分布的條件。綜合來說,非高斯性和峰度的絕對值之間成正比。所以,峰度最大,也就意味著超高斯信號的存在,足以說明信號分離效果理想;峰值最小,也就意味著亞高斯信號的存在,信號具有分離的可能性。

        對n=2的二維混合模型進行分析和說明,可以通過峰度信息來判定分離信號的有效性。假設(shè)源信號為方差等于1的非高斯信號,用s=[s1,s2]表示,s1,s2為隨機變量,設(shè)其峰度為K(s1)>0,K(s2)>0;對x進行中心化、白化處理;基于此,以分離信號y=Wx為方差有限信號為假設(shè)前提,不妨設(shè)E(yyT)=I;則分離信號的第i個分量為

        yi=Wix=WiAs=us=ui1s1+ui2s2

        (17)

        式(17)中,Wi為分離矩陣W的第i行。根據(jù)峰度的性質(zhì),可知

        (18)

        為了實現(xiàn)超高斯和亞高斯信號的分離,選擇分離信號峰度的絕對值作為分離的度量:

        (19)

        定義目標函數(shù)為

        (20)

        在E(yyT)=I的條件下,

        (21)

        前文的假設(shè)“分離信號y=Wx為方差有限信號”是有必要的,在模糊性的影響下,盲源分離并不能獲得準確的信號幅度,分離矩陣W中的全部元素同時擴大k數(shù),分離信號y也得到相同倍數(shù)的擴大,但盲源分離信號依然準確,此時的K(y)擴大倍數(shù)卻是k4倍。由此說明,若是沒有上述假設(shè)的限制,式(19)沒有最大值。假設(shè)E(yyT)=I,在均值、白化的處理之下,可知E(xxT)=I,使得

        E(yyT)=E(WxxTWT)=E(WWT)=I

        (22)

        定義了代價函數(shù)式(20)之后,為了求得J(W)的極小值,采用改進的鯨魚優(yōu)化算法來對代價函數(shù)式(20)進行優(yōu)化。

        2.4 算法步驟

        分離矩陣W為一正交陣,對于一個正交陣,可表示成一系列旋轉(zhuǎn)矩陣的乘積,以n=3為例,W可表示為:

        (23)

        式(23)中,θ1,θ2,θ3∈[0,2π)它們分別代表3個不同的旋轉(zhuǎn)矩陣的旋轉(zhuǎn)角度。

        以信號峰度為目標函數(shù),基于改進鯨魚優(yōu)化算法的盲源分離方法步驟如下(以n=3為例):

        1)收集并采樣觀測信號,對其進行中心化、預(yù)白化處理。

        2)WOA算法參數(shù)初始化。將旋轉(zhuǎn)矩陣的旋轉(zhuǎn)角度θ=[θ1,θ2,θ3]作為鯨魚個體的位置信息X=[X1,X2,X3],在求解空間[0,2π)內(nèi),隨機確定鯨魚位置并初始化WOA參數(shù),包括種群數(shù)目N、最大迭代次數(shù)M、對數(shù)螺旋形狀常數(shù)b、隨機數(shù)l、當(dāng)前迭代次數(shù)j及算法終止條件。

        3)通過式(20),計算適應(yīng)度Fit(W)=J(W),找到并保存群體中最佳鯨魚個體位置X*。

        4)若j≤M,更新a、A、C、l和p。

        5)當(dāng)p<0.5時,若A<1,通過式(14),重新確定鯨魚位置;如果A≥1,需要在當(dāng)前群體范圍內(nèi)隨機確定鯨魚個體位置Xrand,通過式(11),更新當(dāng)前鯨魚位置。

        6)如果p≥0.5,通過式(15)重新確定鯨魚個體位置。

        7)通過式(20),計算出個體適應(yīng)度Fit(W),確定群體中最佳鯨魚個體X*。如果算法滿足終止條件,就到步驟8);反之,令j=j+1,重復(fù)步驟4)~7),直到滿足條件為止。

        8)輸出最優(yōu)個體位置X*并通過式(23)計算分離矩陣W。

        9)利用得到的分離矩陣W通過式(2)估計出源信號。

        3 仿真驗證

        本節(jié)基于Matlab2014a平臺仿真驗證并分析基于改進鯨魚優(yōu)化算法的盲信號分離性能。仿真實驗如下。

        實驗一:無噪情況下,采用三路仿真信號作為源信號,采樣頻率為3 000 Hz,共使用500個采樣點。三路仿真信號分別為符號函數(shù)、幅度調(diào)制信號、正弦信號,當(dāng)t從1遍歷到500時,生成信號如下:

        它們的峰度分別為-2.000 0,-0.050 3,-0.375 0,三路信號瞬時混合,混疊矩陣取為:

        在分離混合信號時,選擇鯨魚優(yōu)化算法,鯨魚的種群數(shù)目取30,迭代次數(shù)取50,鯨魚位置信息區(qū)間為[0,2π),為了證明鯨魚算法的效果,與基于粒子群算法的盲源分離做了對比實驗,為了方便比較,粒子數(shù)取為30,迭代次數(shù)也為50,兩個學(xué)習(xí)因子都設(shè)為0.8,仿真結(jié)果如圖1—圖5所示。

        圖1 源信號Fig.1 Source signals

        圖2 混合信號Fig.2 Mixed signals

        圖3 分離信號(改進鯨魚算法)Fig.3 Separated signals(WOA)

        圖4 分離信號(粒子群算法)Fig.4 Separated signals(PSO)

        圖5 算法收斂曲線Fig.5 Algorithm convergence curve

        由圖1、圖3、圖4可見,分離信號存在幅度和排列順序的不確定性,但這不影響分離效果。從圖5的收斂曲線對比圖中可以看出,經(jīng)過18步迭代,鯨魚算法的適應(yīng)度已經(jīng)收斂,而且從收斂曲線上看出收斂速度非??欤欢W尤核惴ㄔ?5步左右才收斂,收斂速度相對鯨魚算法,相對較慢。

        選擇相似系數(shù)ζij作為指標,判斷分離效果:

        (24)

        實驗二:加噪情況下,為了驗證不同信噪比對提出算法分離性能的影響,設(shè)置蒙特卡洛實驗,實驗信號同實驗一,對混合信號作加噪處理,信噪比線性變化范圍從-10 dB以步長5到40 dB,每個信噪比下進行100次實驗,以串音誤差(PI)作為觀測值,100次實驗取平均值作為當(dāng)前信噪比下的串音誤差,并與粒子群算法進行對比。

        串音誤差PI定義如下:

        (25)

        式(25)中,gij是矩陣G第i行第j列的元素,G=WVA,V是混合信號的白化矩陣,PI值越接近0說明算法分離精度越高,實驗結(jié)果如圖6。

        圖6 盲分離性能隨信噪比的變化情況Fig.6 Blind separation performance versus SNR

        從圖6可見,隨著輸入信噪比的升高,本文算法與粒子群算法的計算誤差逐漸降低,在信噪比低于20 dB時變化尤為明顯,此時,本文算法的計算精度更高,分離效果更明顯;在信噪比高于20 dB后,兩種算法的計算精度趨于一致,都有很好的分離性能。

        4 結(jié)論

        本文提出了基于改進鯨魚優(yōu)化算法的盲源分離方法。該方法利用獨立性準則,以混合信號的峰度作為目標函數(shù),用鯨魚優(yōu)化算法代替常規(guī)的粒子群算法,并引入自適應(yīng)權(quán)重,加快收斂速度,實現(xiàn)了對瞬時混疊信號的盲分離,有效地避免了粒子群算法參數(shù)復(fù)雜、收斂速度慢的問題。仿真對比結(jié)果表明,本文方法簡單高效,分離精度和收斂速度相較于粒子群算法有明顯優(yōu)勢,在更低信噪比下也有良好的分離效果,適用于盲信號分離,可為盲信號處理提供一種新的研究思路與方法。

        猜你喜歡
        盲源峰度鯨魚
        小鯨魚
        幼兒100(2022年41期)2022-11-24 03:20:20
        基于干擾重構(gòu)和盲源分離的混合極化抗SMSP干擾
        擴散峰度成像技術(shù)檢測急性期癲癇大鼠模型的成像改變
        迷途鯨魚
        磁共振擴散峰度成像在肝臟病變中的研究進展
        鯨魚
        鯨魚島——拖延癥
        動漫星空(2018年4期)2018-10-26 02:11:54
        基于自動反相校正和峰度值比較的探地雷達回波信號去噪方法
        磁共振擴散峰度成像MK值、FA值在鑒別高級別膠質(zhì)瘤與轉(zhuǎn)移瘤的價值分析
        改進的互信息最小化非線性盲源分離算法
        電測與儀表(2015年9期)2015-04-09 11:59:22
        高潮又爽又无遮挡又免费| 国产成人精品一区二区不卡| 狠狠综合久久av一区二区蜜桃| 国产亚洲真人做受在线观看| 一本一本久久a久久精品 | av在线观看一区二区三区| 337p西西人体大胆瓣开下部| 国产成人久久精品区一区二区| 日韩精品极品在线观看视频| 亚洲中文字幕在线综合| 亚洲精品天堂成人片av在线播放| 国产成人久久综合热| 在线免费观看国产视频不卡| 青青草亚洲视频社区在线播放观看 | 乱人伦中文无码视频| 国产九色AV刺激露脸对白| 久久亚洲一区二区三区四区五| 无码免费无线观看在线视| 好男人日本社区www| 久久久久久久尹人综合网亚洲 | 78成人精品电影在线播放| 亚洲成人黄色av在线观看| 亚洲天堂一区av在线| 无码少妇一区二区浪潮av| 99久久国内精品成人免费| 亚洲成人av一区二区| 97人妻人人做人碰人人爽| 日韩一线无码av毛片免费| 日本亚洲成人中文字幕| 婷婷色国产精品视频二区| 日本公与熄乱理在线播放| 五月天综合社区| 中文字日产幕码三区做法| 国产三级av在线播放| 亚洲国产精品自拍一区| 蜜桃在线观看免费高清| 色偷偷色噜噜狠狠网站30根| 开心婷婷五月激情综合社区| 熟妇与小伙子露脸对白| 91精品国产色综合久久| 国产av无码专区亚洲av极速版|