一种盲源分离方法
【技术领域】
[0001] 本发明属于信号处理领域，特别涉及一种基于云模型和混沌的参数自适应粒子群 算法的盲源分离方法。
【背景技术】
[0002]盲源分离（BlindSourceS印eration，BSS)是上世纪八十年代随着神经网络的再 度兴起而发展起来的一种新的信号处理方法，其思想源于人们对"鸡尾酒会"的研究，其实 质是在源信号和传输信道参数均未知的情况下，仅根据输入信号的统计特性，由观测信号 恢复出源信号的过程。独立分量分析（IndependentComponentAnalysis,ICA)作为盲源 分离的主要方法，包括目标函数选取和优化两部分，传统ICA优化采用最陡梯度下降算法， 存在收敛速度慢、易陷入局部最优解等难题，解的质量无法得到保证，导致在实际应用中， 信号分离效果比较差。
[0003] 粒子群算法（ParticleSwarmOptimization,PS0)是当前盲源分离的主要优化方 法，是由鸟群觅食行为的启发而得到，是一种基于群体智能的优化算法。基本的粒子群算法 具有参数简单、收敛速度快、搜索范围大等优点，但是由于该算法是随机进行初始化操作， 粒子的质量不能被保证，很容易使一部分粒子距离寻求的最优解很远，致使寻优速度大大 降低。再者，粒子群算法的自身原理也导致搜索不够充分，得到的不是最优解，特别当解空 间较大时不能保证各个位置均被搜寻到，粒子易陷入局部最优解，不利于提高算法的优化 效率。
【发明内容】
[0004] 本发明所要解决的技术问题是：针对盲源分离技术易陷入局部最优解和早熟的问 题，提出一种基于云模型和混沌的参数自适应粒子群算法求最优分离矩阵，进而实现盲源 分离的方法，以提高分离精度。
[0005] 本发明技术问题可以通过以下技术方案实现：
[0006]-种盲源分离方法，有盲源分离问题建模、适应度评价和分离矩阵求解三个步 骤：
[0007] 所述的盲源分离问题建模是在统计独立的假设条件下，由观测信号恢复出源信号 的过程；具体是通过寻找一个分离矩阵，使该矩阵和观测得到的信号矩阵相乘后得到的输 出矩阵各向量相互独立，则这个输出矩阵就是源信号的估计信号；
[0008] 所述的适应度评价是，在粒子初始化后，根据粒子的适应度把粒子分为两个种群， 根据求适应度的公式kurt(y) =E{y4}-3(E{y2})2，求出所有粒子的平均适应度，大于平均 适应度的粒子采用混沌粒子群算法求得全局最优位置；小于平均适应度的粒子采用云模型 粒子群算法生成惯性权重的方法，求得全局最优位置；所述的粒子是在仿真平台上粒子群 算法初始化过程随机产生的；所述的初始化是指，首先随机生成一个ηΧη维的矩阵作为初 始分离矩阵，把该矩阵每个列向量作为粒子的初始全局最优位置，在学习因子、惯性权重和 速度限定区间内，所有粒子向使适应度最大的个体最优位置靠拢并更新个体最优位置，把 所有的个体最优位置排列为一个全局最优位置的矩阵，该矩阵即为ηΧη维的分离矩阵；
[0009] 所述的分离矩阵求解是，对于适应度大于平均适应度的粒子，采用混沌粒子群算 法进行求解，具体的是利用混沌理论生成一组与待求问题控制变量的数目相同的混沌变 量，对控制变量进行混纯扰动，把混纯的遍历范围转化到控制变量的约束范围，最后，根据 粒子群的速度和位置更新公式迭代，寻求问题的全局最优解；对于适应度小于平均适应度 的粒子采用云模型粒子群算法进行求解，具体的是利用X条件云发生器生成云滴作为粒 子，并且自适应生成惯性权重，再利用粒子群算法的速度和位置更新公式，更新云滴的个体 极值和全局最优值，从而找到使适应度达到最大的一组云滴的位置作为输出解；比较两种 寻优算法求出的最优位置得到全局最优位置，该最优位置也即全局最优解，作为盲源分离 求解混矩阵的分离矩阵。
[0010] 本发明所述的盲源分离问题的数学建模，具体的是根据公式X(t) =A*S(t)+n(t) 和}^)二《^&?:外〇对盲源分离的瞬时混合和信号分离进行建模，其中乂(〇 =
[Xl，x2，…，xJT为观测信号集合，XieCm为实际观测的各路信号，S(t) = [Sl，s2，…，sn]T，SieCn为相互统计独立的源信号，n(t)为mXn维加性噪声，A为混合矩阵，W是分离矩阵。
[0011] 本发明所述的采用混沌粒子群算法进行求解，是在粒子群算法中引入混沌迭代， 具体的是根据逻辑映射式zn+1= 4Zn(l-Zn)表示，式中，Zn表示混沌变量，根据混沌原理对 粒子群添加混沌扰动，即z'k=α-?υζ'βζ,，式中，zksk次时的混沌向量，z' k为添加 扰动后的混沌向量，βe[0，1]表示扰动的强度，采用自适应取值，在搜索初期，其值较大，
加强对解向量的扰动，随着搜索的深入，β慢慢减小，具体变化为 η为一整数。
[0012] 本发明所述的采用云模型粒子群算法进行求解，是由下述公式生成粒子群的惯性 权重；En=favg'，En=(favg'-fg'）+ccl，He=En +cc2，En'=normrnd(En，He);其中favg'是采 用云模型的这部分粒子群的平均适应度；fg'是这部分粒子群的最优适应度；Cd，l2为云模 型的控制参数。
[0013] 本发明所述的粒子群算法是指具有参数自适应的粒子群算法，具体的是根据公式 vid(t+l) = ω ?vid(t)+c1r1(pid-xid(t))+c 2r2(pgd-xid(t)) ^P^i^xid(t+1) = xid(t)+vid(t+1) 进行位置和速度的更新迭代，其中i= 1，2，···，Μ，M为粒子群的规模，即总的粒子数目；d =1，2,…，N，N是搜索空间的维数；vld是粒子i在第d维度时的速度；Xld是粒子i在第 d维度时的位置；ω是惯性权重；cdPc2是学习因子；pid和pgd分别是粒子i的局部最优 位置和全局最优位置；rJPr2均为分布在[0，1]上的随机数，所述的参数自适应，包括学 习因子c!、c2,其中c! (t)=2. 5_2*exp(_α|favg-fg|)，c2⑴=0· 5+2*exp(_α|favg-fg |)， 匕是最优适应度，favg是粒子群的平均适应度，α是控制系数；自适应生成惯性权重ω，
，式中，iter_是最大进化次数；各粒子的适应度方差为σ2，
[0014]本发明的核心思想是：随机生成粒子群，并在设定范围内初始化粒子的位置和速 度，求出各个粒子的适应度值，得到每个粒子的个体最优值，通过比较得到全局最优值，粒 子群算法（PS0)是一种基于群体智能的优化算法，模拟鸟群觅食，通过鸟之间的集体协作 搜寻目前离食物最近的鸟的周围区域，缩小范围后再寻找食物的位置；在目标搜索范围中， 每个优化问题的解称为"粒子"，每个粒子用位置、速度和适应度（fitnessvalue)三个指 标来表征，所有粒子依据自身的历史最优位置和整个粒子群体的最优位置来更新速度和位 置；通过计算粒子的目标函数值，以此适应度来衡量粒子的优劣程度。首先求出所有粒子 的平均适应度，根据评定要求将粒子群划分为两类，分别为优秀粒子和一般粒子。不同种群 的粒子采用不同的寻优算法：优秀粒子将采用混沌粒子群算法，对陷入早熟的粒子进行混 沌迭代，找到该种群的全局最优解；一般粒子采用云模型粒子群算法，通过云模型找到该种 群的全局最优解，云模型（Cloudmodel)是一种新型的定性与定量之间不确定转换模型，通 过将模糊数学与概率论模型相结合，采用泛正态分布来表示很难用确切数值表示的不确定 描述；云模型由三个数学特征（Ex，En，Hj表示，其中Ex是期待值，表示云滴在论域上的期望 值；En是熵值，表示云滴的不确定性；He是超熵，是熵的不确定性度量，由熵的模糊性和随机 性共同决定；云模型粒子群算法是在给定的云模型的三个数字特征的控制下，按照正态特 性自适应调整惯性权重，搜寻出最优解。最后通过比较，找到全局最优解。将此最优解作为 分离矩阵与混合信号相乘，得到分离出