CN103679199A - 基于入侵性杂草算法的有噪独立分量分析方法 - Google Patents
基于入侵性杂草算法的有噪独立分量分析方法 Download PDFInfo
- Publication number
- CN103679199A CN103679199A CN201310673503.0A CN201310673503A CN103679199A CN 103679199 A CN103679199 A CN 103679199A CN 201310673503 A CN201310673503 A CN 201310673503A CN 103679199 A CN103679199 A CN 103679199A
- Authority
- CN
- China
- Prior art keywords
- signal
- algorithm
- individual
- noise
- separation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 241000196324 Embryophyta Species 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 25
- 238000000926 separation method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000002087 whitening effect Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于信号处理技术领域,公开了一种基于入侵性杂草算法的有噪独立分量分析方法,该方法采用入侵性杂草算法估计分离矩阵,它具体内容包括以下步骤:1.对观测信号进行中心化与鲁棒白化处理;2.针对白化处理后的信号应用入侵性杂草算法寻优得到最佳分离矩阵Wb;3.根据得到含噪分离信号y;4.根据含噪分离信号y,采用单路欠定SVD-ICA算法,求无噪分离信号本发明的有益效果在于:采用入侵性杂草算法对分离矩阵进行寻优,可以得到全局最佳分离矩阵,解决了传统独立分量分析方法在含噪情况下分离效果不好,容易陷入局部极值的问题。仿真结果表明,与传统独立分量分析方法相比,该方法可以更精确地估计混合矩阵,分离信号与源信号相似度更高。
Description
技术领域
本发明属于信号处理技术领域,具体涉及到一种基于入侵性杂草算法的有噪独立分量分析方法。
背景技术
独立分量分析(independent component analysis,简记为ICA)是指在只有观测数据且信号源混迭方法未知的情况下对信号源进行提取的一种统计方法。ICA作为有效的盲源分离技术,是信号处理领域的热点。近年来,ICA在无线通讯、生物医学、图像语音、流型识别、故障诊断等领域有着广泛的应用,具有显著的理论意义和实用价值。(参考文献:[1]Hyvarinen A.Fast and robust fixed-point algorithms for independent component analysis[J].Neural Networks,IEEE Transactions on,1999,10(3):626-634.)
入侵性杂草优化(Invasive Weed Optimization,简记为IWO)算法是由Mehrabian和Lucas受自然界杂草入侵农作物启示提出来的一种新的优化智能算法。IWO算法模仿杂草入侵的种子空间扩散、占地生长、繁殖和竞争淘汰的基本过程,其稳定性和自适应性较强。IWO算法简单,易于实现,最大的优点是不需要遗传操作算子就可以简单且有效收敛到问题的全局最优解。(参考文献:[2]Mehrabian A R,Lucas C.A novel numerical optimization algorithm inspired from weed colonization[J].Ecological Informatics,2006,1(4):355-366.)
ICA算法大都假设无噪声情况或把噪声看作一个独立信号,而在实际环境中,观测信号往往参杂了各种各样的噪声。传统ICA方法大多采用梯度算法和牛顿法来求解最优分离矩阵,容易陷入局部最优,很难获得理想的分离结果。
发明内容
本发明的目的在于针对传统ICA算法在含噪情况下分离效果不好,容易陷入局部最优的问题,发明了一种基于入侵性杂草算法的有噪独立分量分析方法。本发明采用高斯型密度函数估计入侵性杂草算法的适应度函数,采用入侵性杂草算法估计分离矩阵,它具体内容包括以下步骤:
步骤A:对x进行中心化处理,即其中x=[x1(t),x2(t),...,xM(t)]T是传感器测得的M个观测信号,E(x)是x的期望,然后对进行鲁棒白化处理,即其中为的协方差矩阵,Σ为高斯噪声的协方差矩阵;
上述基于入侵性杂草算法的有噪独立分量分析方法,在步骤B根据白化处理后的信号应用入侵性杂草算法寻优得到最佳分离矩阵Wb中,具体过程包括以下步骤:
B1、初始化参数,设定参数值:设置初始种群规模数n_ini、问题空间维数Dim、迭代最大值itermax、最大种群数plant_max_no、每个个体可产生的最大种子数seedmax、每个个体可产生的最小种子数seedmin、非线性调制指数N、初始标准差σinitial、标准差最终值σfinal以及初始搜索空间[xmin,xmax],随机产生n_ini个分离矩阵W作为初始解集;
B2、计算当代含噪分离信号ym,公式为
B3、根据ym计算每个个体的适应度函数值f,并将当代所有个体的最大适应度值记为fmax,当代所有个体的最小适应度值记为fmin;
上述基于入侵性杂草算法的有噪独立分量分析方法,其特征在于步骤B3根据ym计算每个个体的 适应度函数值f中,适应度函数值f具体计算过程包括以下步骤:
B6、判断当代个体数是否达到最大规模数plant_max_no,若当代个体数小于plant_max_no,则重复步骤B2至步骤B6;如果达到plant_max_no,则执行步骤B7;
B7、将所有个体按照适应度值从大到小进行排序,选取前面plant_max_no个个体作为下一代个体;
B8、判断算法是否达到迭代最大值itermax,若达到,则输出适应度最大的个体作为最佳分离矩阵Wb,执行步骤C;否则返回执行步骤B2;
本发明的有益效果在于:采用IWO算法对分离矩阵进行寻优,可以得到全局最佳分离矩阵,解决了传统独立分量分析算法在含噪情况下分离效果不好,容易陷入局部极值的问题。
附图说明
图1为本发明的基于入侵性杂草算法的有噪独立分量分析方法流程图;
图2为测试信号源信号时域波形图;
图3为测试信号经混合得到的混合信号时域波形图;
图4为基于FastICA算法和Fast NoisyICA算法得到的分离信号时域波形图;
图5为基于入侵性杂草算法的有噪独立分量分析算法得到的分离信号时域波形图;
图6为FastICA算法、Fast NoisyICA算法和本发明方法在不同信噪比下分离信号的PI值和相似系数;
图7为本发明中入侵性杂草算法的所有参数设置。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明选用高斯密度函数估计入侵性杂草(IWO)算法的适应度函数,采用具有全局寻优性能的入侵性杂草算法估计分离矩阵,其具体流程图如图1所示。构造以下三个源信号s1=sin(2*pi*0.003*t)、s2=sin(2*pi*0.01*t).*sin(2*pi*0.0007*t)、s3=((rem(t/20,22)-11)/9).^5。
将上述3个信号按顺序组合成源信号s,源信号s如图2所示,并将s与随机生成的混合矩阵A相乘,混合矩阵A为
由源信号s混合后再加入高斯噪声n,得到信噪比为10dB的含噪混合信号x,即x=As+n,如图3所示,以此作为观测信号x进行盲源分离。利用传统FastICA算法和Fast NoisyICA算法进行盲源分离的结果如图4(a)和图4(b)所示。
下面结合流程图对基于入侵性杂草算法的有噪独立分量分析方法原理进行详细说明。具体步骤如下:
步骤A:对x进行中心化处理,即其中x=[x1(t),x2(t),...,xM(t)]T是传感器测得的M个观测信号,E(x)是x的期望,然后对进行鲁棒白化处理,即其中为的协方差矩阵,Σ为高斯噪声n的协方差矩阵。实施例中
B1、初始化参数,设定参数值:设置初始种群规模数n_ini、问题空间维数Dim、迭代最大值itermax、最大种群数plant_max_no、每个个体可产生的最大种子数seedmax、每个个体可产生的最小种子数seedmin、非线性调制指数N、初始标准差σinitial、标准差最终值σfinal以及初始搜索空间[xmin,xmax],随机产生n_ini个分离矩阵W作为初始解集;
B2、计算当代含噪分离信号ym,公式为
B3、根据ym计算每个个体的适应度函数值f,并将当代所有个体的最大适应度值记为fmax,当代所有个体的最小适应度值记为fmin。
由步骤B中的B3根据ym计算每个个体的适应度函数值f,具体计算过程包括以下步骤:
B4、按公式 即 计算每个个体产生的后代种子数wn,其中,f表示当代每个个体的适应度值;
B5、按当代标准差 即 计算当代每个个体产生种子的扩散范围,产生的种子在当代个体附近以正态分布N(0,σiter)随机地扩散在Dim维搜索空间,成为个体,式中,iter表示进化代数;
B6、判断当代个体数是否达到最大规模数30,若当代个体数小于30,则重复步骤B2至步骤B6,如果达到30,则执行步骤B7;
B7、将所有个体按照适应度f的值从大到小进行排序,选取前面30个个体作为下一代个体;
B8、判断算法是否达到迭代最大值20,若达到,则输出适应度最大的个体作为最佳分离矩阵Wb,执行步骤C;否则返回执行步骤B2。
步骤D:根据含噪分离信号y,采用单路欠定SVD-ICA算法求无噪分离信号算法终止时,
适应度为f=[0.013085607,0.013085564,0.013085556,0.013085299,0.013085214,0.013085210,0.013085160,0.013085124,0.013085101,0.013085099,0.013084955,0.013084758,0.013084555,0.013084545,0.013084539,0.013084395,0.013084283,0.013084151,0.013083955,0.013083921,0.013083651,0.013083625,0.013083422,0.013083186,0.013082617,0.013081653,0.013081508,0.013081327,0.013080891,0.013073163];最佳分离矩阵Wb为 信号盲源分离结果如图5所示。
由公式 计算PI值,其中,M为源信号的个数,pij是位于矩阵 第i行第j列的元素,由公式 计算相似系数,其中,T是采样点数。
将FastICA算法、Fast NoisyICA算法与本发明方法计算得到的不同信噪比下的PI值和相似系数分别绘制于图6(a)、图6(b)、图6(c)和图6(d)中。
由图4(a)和图4(b)可以看出,FastICA和Fast NoisyICA算法分离效果较差,分离信号中含有较多的噪声。基于入侵性杂草算法的有噪独立分量分析算法的分离结果如图5所示,从图5可以看出,分离信号与源信号除了在顺序和幅度上不同外,波形基本一致,说明本发明对源信号的估计较为准确,较成功地消除了噪声的影响。图6(a)是三种算法在不同信噪比下的PI值,本发明采用IWO算法对分离矩阵寻优,从而减小由噪声引起的影响,在较低的信噪比下PI值要明显小于FastICA和Fast NoisyICA算法的PI值,在较高的信噪比下估计效果也较优,同时,本发明采用高斯型密度估计适应度函数,使PI值波动不大,稳定性好。本发明对分离矩阵的估计较为准确,从而对源信号波形恢复更好。从图6(b)和图6(c)可以看出,本发明方法分离的前两路信号的相似系数要明显大于其他两种算法的相似系数,且接近1,图6(d)表明本发明在较低信噪比下分离的第三路信号的相似系数大于其他两种算法的相似系数,随着信噪比增加,相似系数逐渐增大。
Claims (2)
2.根据权利要求1所述的一种基于入侵性杂草算法的有噪独立分量分析方法,其特征在于上述步骤B寻优得到最佳分离矩阵Wb中,具体寻优过程包括以下步骤:
B1、初始化参数,设定参数值:设置初始种群规模数n_ini、问题空间维数Dim、迭代最大值itermax、最大种群数plant_max_no、每个个体可产生的最大种子数seedmax、每个个体可产生的最小种子数seedmin、非线性调制指数N、初始标准差σinitial、标准差最终值σfinal以及初始搜索空间[xmin,xmax],随机产生n_ini个分离矩阵W作为初始解集;
B3、根据ym计算每个个体的适应度函数值f,并将当代所有个体的最大适应度值记为fmax,当代所有个体的最小适应度值记为fmin;
B6、判断当代个体数是否达到最大规模数plant_max_no,若当代个体数小于plant_max_no,则重复步骤B2至步骤B6;如果达到plant_max_no,则执行步骤B7;
B7、将所有个体按照适应度值从大到小进行排序,选取前面plant_max_no个个体作为下一代个体;
B8、判断算法是否达到迭代最大值itermax,若达到,则输出适应度最大的个体作为最佳分离矩阵Wb,执行步骤C;否则返回执行步骤B2。
.根据权利要求1和2所述的一种基于入侵性杂草算法的有噪独立分量分析方法,其特征在于步骤B3根据ym计算每个个体的适应度函数值f中,适应度函数值具体计算过程包括以下步骤:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310673503.0A CN103679199B (zh) | 2013-12-11 | 2013-12-11 | 基于入侵性杂草算法的有噪独立分量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310673503.0A CN103679199B (zh) | 2013-12-11 | 2013-12-11 | 基于入侵性杂草算法的有噪独立分量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679199A true CN103679199A (zh) | 2014-03-26 |
CN103679199B CN103679199B (zh) | 2017-03-01 |
Family
ID=50316687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310673503.0A Expired - Fee Related CN103679199B (zh) | 2013-12-11 | 2013-12-11 | 基于入侵性杂草算法的有噪独立分量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679199B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180824A (zh) * | 2014-08-18 | 2014-12-03 | 中国科学院上海应用物理研究所 | 一种基于主成分分析算法提高探头测量精度的方法 |
CN104539331A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 一种基于改进的混合入侵杂草算法阵列天线波束合成方法 |
CN105606914A (zh) * | 2015-09-06 | 2016-05-25 | 南京航空航天大学 | 一种基于iwo-elm的航空功率变换器故障诊断方法 |
CN105654528A (zh) * | 2016-01-04 | 2016-06-08 | 南京邮电大学 | 基于压缩感知的多能x射线分离成像方法 |
CN106599564A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于免疫学习的多智能体燃气管道的故障监测及自愈方法 |
CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
CN112116922A (zh) * | 2020-09-17 | 2020-12-22 | 集美大学 | 一种噪声盲源信号分离方法、终端设备及存储介质 |
CN112133321A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158367A1 (en) * | 2010-12-17 | 2012-06-21 | National Chiao Tung University | Independent component analysis processor |
CN102819012A (zh) * | 2012-08-21 | 2012-12-12 | 南京信息工程大学 | 一种基于非负ica的相控阵风廓线雷达信号处理方法 |
CN102879823A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于快速独立分量分析的地震属性融合方法 |
-
2013
- 2013-12-11 CN CN201310673503.0A patent/CN103679199B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158367A1 (en) * | 2010-12-17 | 2012-06-21 | National Chiao Tung University | Independent component analysis processor |
CN102819012A (zh) * | 2012-08-21 | 2012-12-12 | 南京信息工程大学 | 一种基于非负ica的相控阵风廓线雷达信号处理方法 |
CN102879823A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于快速独立分量分析的地震属性融合方法 |
Non-Patent Citations (5)
Title |
---|
张勇等: "基于有噪ICA的盲源分离算法研究", 《仪器仪表学报》 * |
苏守宝等: "基于入侵性杂草克隆的图像聚类方法", 《华南理工大学学报(自然科学版)》 * |
蔡连芳等: "基于互累积量的有噪独立分量分析方法", 《计算机工程》 * |
贾盼龙等: "基于自适应小生境的改进入侵性杂草优化算法", 《上海电机学院学报》 * |
韩政等: "带噪的战场声信号盲分离方法研究", 《电声技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180824A (zh) * | 2014-08-18 | 2014-12-03 | 中国科学院上海应用物理研究所 | 一种基于主成分分析算法提高探头测量精度的方法 |
CN104539331B (zh) * | 2015-01-09 | 2017-11-21 | 哈尔滨工程大学 | 一种基于改进的混合入侵杂草算法阵列天线波束合成方法 |
CN104539331A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 一种基于改进的混合入侵杂草算法阵列天线波束合成方法 |
CN105606914A (zh) * | 2015-09-06 | 2016-05-25 | 南京航空航天大学 | 一种基于iwo-elm的航空功率变换器故障诊断方法 |
CN105654528B (zh) * | 2016-01-04 | 2018-11-27 | 南京邮电大学 | 基于压缩感知的多能x射线分离成像方法 |
CN105654528A (zh) * | 2016-01-04 | 2016-06-08 | 南京邮电大学 | 基于压缩感知的多能x射线分离成像方法 |
CN106599564A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于免疫学习的多智能体燃气管道的故障监测及自愈方法 |
CN109932644A (zh) * | 2019-02-28 | 2019-06-25 | 天津大学 | 基于混合智能算法的断路器故障诊断方法 |
CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
CN111240188B (zh) * | 2020-01-16 | 2023-04-25 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
CN112116922A (zh) * | 2020-09-17 | 2020-12-22 | 集美大学 | 一种噪声盲源信号分离方法、终端设备及存储介质 |
CN112116922B (zh) * | 2020-09-17 | 2024-04-12 | 集美大学 | 一种噪声盲源信号分离方法、终端设备及存储介质 |
CN112133321A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103679199B (zh) | 2017-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679199B (zh) | 基于入侵性杂草算法的有噪独立分量分析方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN107703486B (zh) | 一种基于卷积神经网络cnn的声源定位方法 | |
CN111415676B (zh) | 一种基于分离矩阵初始化频点选择的盲源分离方法及系统 | |
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN108169708B (zh) | 模块化神经网络的直接定位方法 | |
CN108847223B (zh) | 一种基于深度残差神经网络的语音识别方法 | |
CN110826017A (zh) | 一种基于参数优化Hankel矩阵和奇异值分解的信号去噪方法 | |
CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
CN108229659A (zh) | 基于深度学习的钢琴单键音识别方法 | |
CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN106057210B (zh) | 双耳间距下基于频点选择的快速语音盲源分离方法 | |
CN107731235B (zh) | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 | |
CN114897023B (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN102945670A (zh) | 一种用于语音识别系统的多环境特征补偿方法 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 | |
WO2024099422A1 (zh) | 一种基于UNet的面波频散质量快速评估方法 | |
CN113539293A (zh) | 基于卷积神经网络和联合优化的单通道语音分离方法 | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170301 Termination date: 20171211 |
|
CF01 | Termination of patent right due to non-payment of annual fee |