基于入侵性雜草算法的有噪獨(dú)立分量分析方法
【專利摘要】本發(fā)明屬于信號處理【技術(shù)領(lǐng)域】，公開了一種基于入侵性雜草算法的有噪獨(dú)立分量分析方法，該方法采用入侵性雜草算法估計(jì)分離矩陣，它具體內(nèi)容包括以下步驟：1.對觀測信號進(jìn)行中心化與魯棒白化處理；2.針對白化處理后的信號應(yīng)用入侵性雜草算法尋優(yōu)得到最佳分離矩陣Wb；3.根據(jù)得到含噪分離信號y；4.根據(jù)含噪分離信號y，采用單路欠定SVD-ICA算法，求無噪分離信號本發(fā)明的有益效果在于：采用入侵性雜草算法對分離矩陣進(jìn)行尋優(yōu)，可以得到全局最佳分離矩陣，解決了傳統(tǒng)獨(dú)立分量分析方法在含噪情況下分離效果不好，容易陷入局部極值的問題。仿真結(jié)果表明，與傳統(tǒng)獨(dú)立分量分析方法相比，該方法可以更精確地估計(jì)混合矩陣，分離信號與源信號相似度更高。
【專利說明】基于入侵性雜草算法的有噪獨(dú)立分量分析方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于信號處理【技術(shù)領(lǐng)域】，具體涉及到一種基于入侵性雜草算法的有噪獨(dú)立分量分析方法。
【背景技術(shù)】
[0002]獨(dú)立分量分析(independent component analysis,簡記為ICA)是指在只有觀測數(shù)據(jù)且信號源混迭方法未知的情況下對信號源進(jìn)行提取的一種統(tǒng)計(jì)方法。ICA作為有效的盲源分離技術(shù)，是信號處理領(lǐng)域的熱點(diǎn)。近年來，ICA在無線通訊、生物醫(yī)學(xué)、圖像語音、流型識別、故障診斷等領(lǐng)域有著廣泛的應(yīng)用，具有顯著的理論意義和實(shí)用價值。(參考文獻(xiàn):[I]Hyvarinen A.Fast and robust fixed-point algorithms for independent componentanalysis[J].Neural Networks, IEEE Transactions on,1999, 10(3):626-634.)
[0003]入侵性雜草優(yōu)化(InvasiveWeed Optimization,簡記為 IW0)算法是由 Mehrabian和Lucas受自然界雜草入侵農(nóng)作物啟示提出來的一種新的優(yōu)化智能算法。IWO算法模仿雜草入侵的種子空間擴(kuò)散、占地生長、繁殖和競爭淘汰的基本過程，其穩(wěn)定性和自適應(yīng)性較強(qiáng)。IWO算法簡單，易于實(shí)現(xiàn)，最大的優(yōu)點(diǎn)是不需要遺傳操作算子就可以簡單且有效收斂到問題的全局最優(yōu)解。(參考文獻(xiàn):[2]Mehrabian A R, Lucas C.A novel numericaloptimization algorithm inspired from weed colonization[J].Ecological Informatics, 2006，1(4):355-366.)
[0004]ICA算法大都假設(shè)無噪聲情況或把噪聲看作一個獨(dú)立信號，而在實(shí)際環(huán)境中，觀測信號往往參雜了各種各樣 的噪聲。傳統(tǒng)ICA方法大多采用梯度算法和牛頓法來求解最優(yōu)分離矩陣，容易陷入局部最優(yōu)，很難獲得理想的分離結(jié)果。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于針對傳統(tǒng)ICA算法在含噪情況下分離效果不好，容易陷入局部最優(yōu)的問題，發(fā)明了一種基于入侵性雜草算法的有噪獨(dú)立分量分析方法。本發(fā)明采用高斯型密度函數(shù)估計(jì)入侵性雜草算法的適應(yīng)度函數(shù)，采用入侵性雜草算法估計(jì)分離矩陣，它具體內(nèi)容包括以下步驟:
[0006]步驟A:對X進(jìn)行中心化處理，即χ = χ-Ε(χ),其中X=IiX1 (t)，X2⑴，…，xM(t)]7是傳感器測得的M個觀測信號，E(X)是X的期望，然后對i進(jìn)行魯棒白化處理，即i = (Cx -Σ)12〗,其中q為J的協(xié)方差矩陣，Σ為高斯噪聲的協(xié)方差矩陣；
[0007]步驟B:根據(jù)白化處理后的信號應(yīng)用入侵性雜草算法尋優(yōu)得到最佳分離矩陣Wb;
[0008]上述基于入侵性雜草算法的有噪獨(dú)立分量分析方法，在步驟B根據(jù)白化處理后的信號i應(yīng)用入侵性雜草算法尋優(yōu)得到最佳分離矩陣Wb中，具體過程包括以下步驟:
[0009]B1、初始化參數(shù)，設(shè)定參數(shù)值:設(shè)置初始種群規(guī)模數(shù)n_in1、問題空間維數(shù)Dim、迭代最大值itermax、最大種群數(shù)plant_max_no、每個個體可產(chǎn)生的最大種子數(shù)seedmax、每個個體可產(chǎn)生的最小種子數(shù)seedmin、非線性調(diào)制指數(shù)N、初始標(biāo)準(zhǔn)差σ initial、標(biāo)準(zhǔn)差最終值σ final以及初始搜索空間[xmin，xmax]，隨機(jī)產(chǎn)生n_ini個分離矩陣W作為初始解集；
[0010]B2、計(jì)算當(dāng)代含噪分離信號ym，公式為y? - Wl;
[0011]B3、根據(jù)7111計(jì)算每個個體的適應(yīng)度函數(shù)值f，并將當(dāng)代所有個體的最大適應(yīng)度值記為fmax，當(dāng)代所有個體的最小適應(yīng)度值記為fmin ;
[0012]上述基于入侵性雜草算法的有噪獨(dú)立分量分析方法，其特征在于步驟B3根據(jù)ym計(jì)算每個個體的適應(yīng)度函數(shù)值f中，適應(yīng)度函數(shù)值f具體計(jì)算過程包括以下步驟:
[0013]B31、采用高斯型密度函數(shù):
【權(quán)利要求】
1.一種基于入侵性雜草算法的有噪獨(dú)立分量分析方法，其特征在于包括: 步驟A:對X進(jìn)行中心化處理，即Λ.= χ-￡(x),其中X=IiX1 (t), x2(t),..., xM(t)]T是傳感器測得的M個觀測信號，E(X)是X的期望，然后對i進(jìn)行魯棒白化處理，即i = (C:-2廣〗*其中C:為i的協(xié)方差矩陣，Σ為高斯噪聲的協(xié)方差矩陣； 步驟B:根據(jù)白化處理后的信號i,應(yīng)用入侵性雜草算法尋優(yōu)得到最佳分離矩陣Wb ； 步驟C:根據(jù)^ 0-.；得到含噪分離信號y ； 步驟D:根據(jù)含噪分離信號y，采用單路欠定SVD-1CA算法，求無噪分離信號?.2.根據(jù)權(quán)利要求1所述的一種基于入侵性雜草算法的有噪獨(dú)立分量分析方法，其特征在于上述步驟B尋優(yōu)得到最佳分離矩陣Wb中，具體尋優(yōu)過程包括以下步驟: B1、初始化參數(shù)，設(shè)定參數(shù)值:設(shè)置初始種群規(guī)模數(shù)n_in1、問題空間維數(shù)Dim、迭代最大值itermax、最大種群數(shù)plant_max_no、每個個體可產(chǎn)生的最大種子數(shù)seedmax、每個個體可產(chǎn)生的最小種子數(shù)seedmin、非線性調(diào)制指數(shù)N、初始標(biāo)準(zhǔn)差σ initial、標(biāo)準(zhǔn)差最終值σ final以及初始搜索空間[xmin，xmax]，隨機(jī)產(chǎn)生n_ini個分離矩陣W作為初始解集； B2、計(jì)算當(dāng)代含噪分離信號y.，公式為ym =Wx ；
2.、根據(jù)ym計(jì)算每個個體的適應(yīng)度函數(shù)值f，并將當(dāng)代所有個體的最大適應(yīng)度值記為fmax，當(dāng)代所有個體的最小適應(yīng)度值記為fmin ;f-f, B4、按公式
【文檔編號】G06K9/62GK103679199SQ201310673503
【公開日】2014年3月26日 申請日期:2013年12月11日 優(yōu)先權(quán)日:2013年12月11日
【發(fā)明者】王微微, 孔祥翠, 陳靜靜, 梁霄, 成帥帥 申請人:中國石油大學(xué)(華東)