CN106534009A - 一种改进的变步长等变自适应盲源分离方法 - Google Patents
一种改进的变步长等变自适应盲源分离方法 Download PDFInfo
- Publication number
- CN106534009A CN106534009A CN201611074254.3A CN201611074254A CN106534009A CN 106534009 A CN106534009 A CN 106534009A CN 201611074254 A CN201611074254 A CN 201611074254A CN 106534009 A CN106534009 A CN 106534009A
- Authority
- CN
- China
- Prior art keywords
- particle
- cock
- chicken
- hen
- signal
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种改进的变步长等变自适应盲源分离方法,在传统等变自适应盲源分离方法的分离矩阵迭代更新公式中采用一种新的无需改变参数值的非线性函数,利用鸡群算法优化分离矩阵迭代更新公式中步长,使步长不断变化,将源信号经过非奇异矩阵A得到的观测信号进行白化处理得到预处理信号,根据得到的预处理信号,利用改进的分离矩阵迭代更新公式得到最佳分离矩阵从而完成混合信号的分离。本发明方法解决了收敛速度和稳态误差之间的矛盾,提升运算速度,简化算法复杂度,在信号处理、无线通信等领域具有广泛的应用前景。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种改进的变步长等变自适应盲源分离方法。
背景技术
盲源分离(Blind Source Separation,BSS)是在源信号和混叠参数未知的情况下,仅仅根据混合信号恢复源信号的过程,在通信、生物信号处理、故障诊断、图像处理、语音识别等领域有突出作用。
等变自适应盲源分离方法是目前应用较为广泛的一种盲源分离方法,但是传统等变自适应盲源分离方法采用固定步长,当步长较大时,收敛速度快,但稳态误差较大,当步长较小时,可获得较小的稳态误差,但所需时间较长,且传统等变自适应盲源分离方法选取的非线性函数大多很复杂,迭代很慢。
发明内容
为解决上述问题,本发明给出一种改进的变步长等变自适应盲源分离方法,在传统等变自适应盲源分离方法的分离矩阵迭代更新公式中采用一种新的无需改变参数值的非线性函数,利用鸡群算法优化分离矩阵迭代更新公式中步长,使步长不断变化,通过改进的分离矩阵更新公式迭代得到最佳分离矩阵,从而实现对混合观测信号的分离。该方法解决了收敛速度和稳态误差之间的矛盾,并且提升了运算速度,简化算法复杂度。
为达到上述目的,本发明提供如下技术方案:
1、一种改进的变步长等变自适应盲源分离方法,其特征在于,包括以下步骤:
(1)采集源信号s(t)=[s1(t),s2(t),...,sM(t)]T并随机产生非奇异混合矩阵A对源信号s(t)进行线性混合得到混合信x(t)=[x1(t),x2(t),...,xM(t)]T,x(t)=As(t),其中sM(t)是源信号s(t)的第M个分量,xM(t)是观测信号x(t)的第M个分量,t为时间序列,上标T表示共轭转置,M为正整数,A是M×M维矩阵;
(2)对混合信号进行白化得到预处理后的信号z(t),白化处理为现有成熟技术,此处不再赘述;
(3)根据得到的预处理信号z(t),利用改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵,将x(t)送至最佳分离矩阵得到最佳分离信号Y(t)=[Y1(t),Y2(t),...,YM(t)]T,Y(t)=Wx(t),完成混合信号的分离。
本发明的一种改进的变步长等变自适应盲源分离方法,所述步骤(3)中利用改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵的具体过程为:
初始化分离矩阵W,利用公式(1)
W(k+1)=W(k)+u(I-f(y(t))yT(t)+y(t)fT(y(t))-y(t)yT(t))W(k)……………(1)
对W进行迭代更新得到最佳分离矩阵,式(1)中,k为迭代次数,W(k)为第k次的分离矩阵,u为步长,I为单位矩阵,f(y)表示非线性函数,y(t)为源信号s(t)的估计,y(t)=W(k)z(t)。
本发明的一种改进的变步长等变自适应盲源分离方法,所述非线性函数f(y)为一种新的无需改变参数值的非线性函数:
其中β为参数,本文取β=2。
本发明的一种改进的变步长等变自适应盲源分离方法,在分离矩阵W的每次迭代更新中利用鸡群算法确定最佳步长u,使步长不断变化,具体步骤如下:
(4.1)初始化鸡群,设置最大迭代次数t1=M1,鸡群粒子数N,产生N个0到1之间的随机数分别作为鸡群粒子,定义公鸡粒子个数NR=0.15N,母鸡粒子个数NH=0.7N,小鸡粒子个数NC=0.25N,妈妈母鸡粒子个数NM=0.5NH;
(4.2)设置适应度函数fitness,根据适应度函数fitness计算鸡群粒子的适应度值,设定粒子当前最好位置和鸡群全局最好位置,鸡群算法迭代次数t1=1;
(4.3)如果t1/G=1(即当前为第一代),从小到大排序适应度值并根据公鸡、母鸡和小鸡粒子个数确定公鸡、母鸡和小鸡的划分,建立鸡群等级制度,将鸡群分成数个子群并确定母鸡粒子和小鸡粒子的对应母子关系(每个子群中有一个公鸡粒子和若干母鸡粒子和小鸡粒子构成),其中,G表示开始更新等级制度、支配关系和母子关系的代数,G=10;
(4.4)根据公式(3):
xir,j(t1+1)=xir,j(t1)·(1+Φ(0,σ2))………………………………(3)
来更新公鸡粒子位置,其中,xir,j(t1),xir,j(t1+1)分别代表公鸡粒子ir在第t1次和t1+1次迭代中于第j维空间所处的位置;Φ(0,σ2)是一个方差为σ2的高斯分布,σ2表达式为:
其中,fir和fkr代表公鸡粒子ir和公鸡粒子kr的适应度值,ε是一个极小的常数,用来保证分母有意义,NR为整个鸡群公鸡粒子数目,kr为所有公鸡粒子中除去ir后的任一个体,当公鸡粒子ir的适应度值好于公鸡粒子kr的适应度值,方差σ2为1,公鸡粒子ir的搜索空间变大,反之σ2降低,公鸡粒子ir的搜索空间缩小;
(4.5)母鸡粒子将跟随其子群的公鸡粒子进行搜索,同时也跟随其他子群的公鸡粒子进行搜索,根据公式(5)
xih,j(t1+1)=xih,j(t1)+C1·θ·(xr1,j(t1)-xih,j(t1))+C2·θ·(xr2,j(t1)-xih,j(t1))……(5)
更新母鸡粒子位置,其中,xr1,j(t1),xr2,j(t1)分别代表母鸡粒子所属子群的公鸡粒子和其他子群公鸡粒子的位置信息,θ为0到1之间均匀分布的随机数,C1和C2分别代表母鸡粒子参考自身子群和其他子群权重,根据公式(6)、(7)
C1=exp((fih-fr1)/(abs(fir+ε))…………………………………(6)
C2=exp((fr2-fir))……………………………………(7)
得到,其中,fih和fr1分别代表母鸡粒子ih和所属子群公鸡粒子r1的适应度值,fr2代表随机选取的其他子群公鸡粒子的适应度值;
(4.6)小鸡粒子不仅跟随其子群的妈妈母鸡粒子进行搜索,同时向所在子群公鸡学习,根据式(8)
xic,j(t1+1)=xic,j(t1)+F·(xm,j(t1)-xic,j(t1))…………………………(8)
更新小鸡位置,其中,xm,j(t1)代表小鸡粒子所跟随妈妈母鸡粒子的位置信息,xr,j(t1)代表妈妈母鸡粒子自身所在子群中的公鸡粒子位置信息,F为跟随系数,表示小鸡粒子跟随妈妈母鸡粒子寻找食物;
(4.7)利用公式(3)~(8)更新公鸡、母鸡和小鸡粒子位置后计算每个粒子的适应度值,更新鸡群的粒子当前最好位置和鸡群全局最好位置;
(4.8)t1=t1+1,若达到迭代次数,则停止迭代,得到最优位置(最优解),即最佳步长u,否则转到步骤(4.3)。
本发明的一种改进的变步长等变自适应盲源分离方法,所述鸡群算法中适应度函数fitness为:
式(9)中,||·||为Frobenius范数,ΔW(k)定性上表示为信号的分离状态,若信号的分离状态差,则ΔW(k)值越大,反之ΔW(k)值越小表示分离状态越好,当ΔW(k)=0时,信号完全分离。
本发明的有益效果:分离矩阵的每次迭代更新过程中利用鸡群算法确定最佳步长u,使步长不断变化,解决了收敛速度和稳态误差之间的矛盾,同时采用一种新的无需改变参数值的非线性函数,提高运算速度,简化算法复杂度,改进后的变步长等变自适应分离方法收敛速度更快,精度更高,在信号处理等领域具有广泛的应用前景。
附图说明
图1是一种改进的变步长等变自适应盲源分离方法整体流程图
图2是分离矩阵迭代更新过程框图
具体实施方式
本发明提供一种改进的变步长等变自适应盲源分离方法,该方法较好地解决了收敛速度和稳态误差之间的矛盾,并且提升了运算速度,简化算法复杂度。
为达成上述目的,本发明的具体实施方式如下:
(1)采集源信号s(t)=[s1(t),s2(t),...,sM(t)]T并随机产生非奇异混合矩阵A对源信号s(t)进行线性混合得到混合信x(t)=[x1(t),x2(t),...,xM(t)]T,x(t)=As(t),其中sM(t)是源信号s(t)的第M个分量,xM(t)是观测信号x(t)的第M个分量,t为时间序列,上标T表示共轭转置,M为正整数,A是M×M维矩阵;
(2)对混合信号进行白化得到预处理后的信号z(t),白化处理为现有成熟技术,此处不再赘述;
(3)根据得到的预处理信号z(t),利用改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵,将x(t)送至最佳分离矩阵得到最佳分离信号Y(t)=[Y1(t),Y2(t),...,YM(t)]T,Y(t)=Wx(t),完成混合信号的分离。
改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵的具体过程为:
初始化分离矩阵W,利用公式(1)
W(k+1)=W(k)+u(I-f(y(t))yT(t)+y(t)fT(y(t))-y(t)yT(t))W(k)……………(1)
对W进行迭代更新得到最佳分离矩阵,式(1)中,k为迭代次数,W(k)为第k次的分离矩阵,u为步长,I为单位矩阵,f(y)表示一种新的无需改变参数值的非线性函数:其中β为参数,β=2,y(t)为源信号s(t)的估计,y(t)=W(k)z(t)。
在分离矩阵W的每次迭代更新中利用鸡群算法确定最佳步长u,使步长不断变化,具体步骤如下:
(4.1)初始化鸡群,设置最大迭代次数t1=M1,鸡群粒子数N,产生N个0到1之间的随机数分别作为鸡群粒子,定义公鸡粒子个数NR=0.15N,母鸡粒子个数NH=0.7N,小鸡粒子个数NC=0.25N,妈妈母鸡粒子个数NM=0.5NH;
(4.2)设置适应度函数fitness:
其中,||·||为Frobenius范数,ΔW(k)定性上表示为信号的分离状态,若信号分离状态差,则ΔW(k)值越大,反之ΔW(k)值越小表示分离状态越好,当ΔW(k)=0时,信号完全分离。根据适应度函数fitness计算鸡群粒子的适应度值,设定粒子当前最好位置和鸡群全局最好位置,鸡群算法迭代次数t1=1;
(4.3)如果t1/G=1(即当前为第一代),从小到大排序适应度值并根据公鸡、母鸡和小鸡粒子个数确定公鸡、母鸡和小鸡的划分,建立鸡群等级制度,将鸡群分成数个子群并确定母鸡粒子和小鸡粒子的对应母子关系(每个子群中有一个公鸡粒子和若干母鸡粒子和小鸡粒子构成),其中,G表示开始更新等级制度、支配关系和母子关系的代数,G=10;
(4.4)根据公式(3):
xir,j(t1+1)=xir,j(t1)·(1+Φ(0,σ2))………………………………(3)
来更新公鸡粒子位置,其中,xir,j(t1),xir,j(t1+1)分别代表公鸡粒子ir在第t1次和t1+1次迭代中于第j维空间所处的位置;Φ(0,σ2)是一个方差为σ2的高斯分布,σ2表达式为:
其中,fir和fkr代表公鸡粒子ir和公鸡粒子kr的适应度值,ε是一个极小的常数,用来保证分母有意义,NR为整个鸡群公鸡粒子数目,kr为所有公鸡粒子中除去ir后的任一个体,当公鸡粒子ir的适应度值好于公鸡粒子kr的适应度值,方差σ2为1,公鸡粒子ir的搜索空间变大,反之σ2降低,公鸡粒子ir的搜索空间缩小;
(4.5)母鸡粒子将跟随其子群的公鸡粒子进行搜索,同时也跟随其他子群的公鸡粒子进行搜索,根据公式(5)
xih,j(t1+1)=xih,j(t1)+C1·θ·(xr1,j(t1)-xih,j(t1))+C2·θ·(xr2,j(t1)-xih,j(t1))……(5)
更新母鸡粒子位置,其中,xr1,j(t1),xr2,j(t1)分别代表母鸡粒子所属子群的公鸡粒子和其他子群公鸡粒子的位置信息,θ为0到1之间均匀分布的随机数,C1和C2分别代表母鸡粒子参考自身子群和其他子群权重,根据公式(6)、(7)
C1=exp((fih-fr1)/(abs(fir+ε))…………………………………(6)
C2=exp((fr2-fir))……………………………………(7)
得到,其中,fih和fr1分别代表母鸡粒子ih和所属子群公鸡粒子r1的适应度值,fr2代表随机选取的其他子群公鸡粒子的适应度值;
(4.6)小鸡粒子不仅跟随其子群的妈妈母鸡粒子进行搜索,同时向所在子群公鸡学习,根据式(8)
xic,j(t1+1)=xic,j(t1)+F·(xm,j(t1)-xic,j(t1))………………………………(8)
更新小鸡位置,其中,xm,j(t1)代表小鸡粒子所跟随妈妈母鸡粒子的位置信息,xr,j(t1)代表妈妈母鸡粒子自身所在子群中的公鸡粒子位置信息,F为跟随系数,表示小鸡粒子跟随妈妈母鸡粒子寻找食物;
(4.7)利用公式(3)~(8)更新公鸡、母鸡和小鸡粒子位置后计算每个粒子的适应度值,更新鸡群的粒子当前最好位置和鸡群全局最好位置;
(4.8)t1=t1+1,若达到迭代次数,则停止迭代,得到最优位置(最优解),即最佳步长u,否则转到步骤(4.3)。
以上实施例仅为说明本发明的技术思想,不能一次限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方法基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种改进的变步长等变自适应盲源分离方法,其特征在于,包括以下步骤:
(1)采集源信号s(t)=[s1(t),s2(t),...,sM(t)]T并随机产生非奇异混合矩阵A,用混合矩阵A对源信号s(t)进行线性混合,得到混合信号x(t)=[x1(t),x2(t),...,xM(t)]T,x(t)=As(t),其中sM(t)是源信号s(t)的第M个分量,xM(t)是观测信号x(t)的第M个分量,t为时间序列,上标T表示共轭转置,M为正整数,A是M×M维矩阵;
(2)对混合信号进行白化得到预处理后的信号z(t),白化处理为现有成熟技术,此处不再赘述;
(3)根据得到的预处理信号z(t),利用改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵,将x(t)送至最佳分离矩阵得到最佳分离信号Y(t)=[Y1(t),Y2(t),...,YM(t)]T,Y(t)=Wx(t),完成混合信号的分离。
2.如权利要求1所述的一种改进的变步长等变自适应盲源分离方法,其特征在于,所述步骤(3)中利用改进的变步长等变自适应盲源分离方法迭代更新分离矩阵W得到最佳分离矩阵的具体过程为:初始化分离矩阵W,利用公式(1)
W(k+1)=W(k)+u(I-f(y(t))yT(t)+y(t)fT(y(t))-y(t)yT(t))W(k)………(1)
对W进行迭代更新得到最佳分离矩阵,式(1)中,k为迭代次数,W(k)为第k次的分离矩阵,u为步长,I为单位矩阵,f(y)表示非线性函数,y(t)为源信号s(t)的估计,y(t)=W(k)z(t)。
3.如权利要求2所述的一种改进的变步长等变自适应盲源分离方法,其特征在于,所述非线性函数f(y)为一种新的无需改变参数值的非线性函数:
式(2)中β为参数,β=2。
4.如权利要求2所述的一种改进的变步长等变自适应盲源分离方法,其特征在于,在分离矩阵W的每次迭代更新中利用鸡群算法确定最佳步长u,使步长不断变化,具体步骤如下:
(4.1)初始化鸡群,设置最大迭代次数t1=M1,鸡群粒子数N,产生N个0到1之间的随机数分别作为鸡群粒子,定义公鸡粒子个数NR=0.15N,母鸡粒子个数NH=0.7N,小鸡粒子个数NC=0.25N,妈妈母鸡粒子个数NM=0.5NH;
(4.2)设置适应度函数fitness,根据适应度函数fitness计算鸡群粒子的适应度值,设定粒子当前最好位置和鸡群全局最好位置,鸡群算法迭代次数t1=1;
(4.3)如果t1/G=1(即当前为第一代),从小到大排序适应度值并根据公鸡、母鸡和小鸡粒子个数确定公鸡、母鸡和小鸡的划分,建立鸡群等级制度,将鸡群分成数个子群并确定母鸡粒子和小鸡粒子的对应母子关系(每个子群中有一个公鸡粒子和若干母鸡粒子和小鸡粒子构成),其中,G表示开始更新等级制度、支配关系和母子关系的代数,G=10;
(4.4)根据公式(3):
xir,j(t1+1)=xir,j(t1)·(1+Φ(0,σ2))……………………………(3)
来更新公鸡粒子位置,其中,xir,j(t1),xir,j(t1+1)分别代表公鸡粒子ir在第t1次和t1+1次迭代中于第j维空间所处的位置;Φ(0,σ2)是一个方差为σ2的高斯分布,σ2表达式为:
其中,fir和fkr代表公鸡粒子ir和公鸡粒子kr的适应度值,ε是一个极小的常数,用来保证分母有意义,NR为整个鸡群公鸡粒子数目,kr为所有公鸡粒子中除去ir后的任一个体,当公鸡粒子ir的适应度值好于公鸡粒子kr的适应度值,方差σ2为1,公鸡粒子ir的搜索空间变大,反之σ2降低,公鸡粒子ir的搜索空间缩小;
(4.5)母鸡粒子将跟随其子群的公鸡粒子进行搜索,同时也跟随其他子群的公鸡粒子进行搜索,根据公式(5)
xih,j(t1+1)=xih,j(t1)+C1·θ·(xr1,j(t1)-xih,j(t1))+C2·θ·(xr2,j(t1)-xih,j(t1))……(5)
更新母鸡粒子位置,其中,xr1,j(t1),xr2,j(t1)分别代表母鸡粒子所属子群的公鸡粒子和其他子群公鸡粒子的位置信息,θ为0到1之间均匀分布的随机数,C1和C2分别代表母鸡粒子参考自身子群和其他子群权重,根据公式(6)、(7)
C1=exp((fih-fr1)/(abs(fir+ε))…………………………(6)
C2=exp((fr2-fir))…………………………(7)
得到,其中,fih和分别代表母鸡粒子ih和所属子群公鸡粒子r1的适应度值,代表随机选取的其他子群公鸡粒子的适应度值;
(4.6)小鸡粒子不仅跟随其子群的妈妈母鸡粒子进行搜索,同时向所在子群公鸡学习,根据式(8)
xic,j(t1+1)=xic,j(t1)+F·(xm,j(t1)-xic,j(t1))……………………(8)
更新小鸡位置,其中,xm,j(t1)代表小鸡粒子所跟随妈妈母鸡粒子的位置信息,xr,j(t1)代表妈妈母鸡粒子自身所在子群中的公鸡粒子位置信息,F为跟随系数,表示小鸡粒子跟随妈妈母鸡粒子寻找食物;
(4.7)利用公式(3)~(8)更新公鸡、母鸡和小鸡粒子位置后计算每个粒子的适应度值,更新鸡群的粒子当前最好位置和鸡群全局最好位置;
(4.8)t1=t1+1,若达到迭代次数,则停止迭代,得到最优位置(最优解),即最佳步长u,否则转到步骤(4.3)。
5.如权利要求3所述的一种改进的变步长等变自适应盲源分离方法,其特征在于,所述鸡群算法中适应度函数fitness为:
式(9)中,||·||为Frobenius范数,ΔW(k)定性上表示为信号的分离状态,若信号的分离状态差,则ΔW(k)值越大,反之ΔW(k)值越小表示分离状态越好,当ΔW(k)=0时,信号完全分离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611074254.3A CN106534009A (zh) | 2016-11-29 | 2016-11-29 | 一种改进的变步长等变自适应盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611074254.3A CN106534009A (zh) | 2016-11-29 | 2016-11-29 | 一种改进的变步长等变自适应盲源分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106534009A true CN106534009A (zh) | 2017-03-22 |
Family
ID=58354013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611074254.3A Pending CN106534009A (zh) | 2016-11-29 | 2016-11-29 | 一种改进的变步长等变自适应盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106534009A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107293305A (zh) * | 2017-06-21 | 2017-10-24 | 惠州Tcl移动通信有限公司 | 一种基于盲源分离算法改善录音质量的方法及其装置 |
CN107682117A (zh) * | 2017-09-11 | 2018-02-09 | 天津工业大学 | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819782A (zh) * | 2010-03-10 | 2010-09-01 | 重庆邮电大学 | 一种变步长自适应盲源分离方法及盲源分离系统 |
CN103124245A (zh) * | 2012-12-26 | 2013-05-29 | 燕山大学 | 基于峭度的变步长自适应盲源分离方法 |
CN103763230A (zh) * | 2014-01-17 | 2014-04-30 | 南京信息工程大学 | 一种改进的自适应盲源分离方法 |
-
2016
- 2016-11-29 CN CN201611074254.3A patent/CN106534009A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819782A (zh) * | 2010-03-10 | 2010-09-01 | 重庆邮电大学 | 一种变步长自适应盲源分离方法及盲源分离系统 |
CN103124245A (zh) * | 2012-12-26 | 2013-05-29 | 燕山大学 | 基于峭度的变步长自适应盲源分离方法 |
CN103763230A (zh) * | 2014-01-17 | 2014-04-30 | 南京信息工程大学 | 一种改进的自适应盲源分离方法 |
Non-Patent Citations (6)
Title |
---|
DINGHUI WU,FEI KONG,WENZHONG GAO,YANXIA SHEN,ZHICHENG JI: "Improved chicken swarm optimization", 《2015 IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》 * |
XIANBING MENG,YU LIU,XIAOZHI GAO,HENGZHEN ZHANG: "A New Bio-inspired Algorithm: Chicken Swarm Optimization", 《INTERNATIONAL CONFERENCE IN SWARM INTELLIGENCE》 * |
刘婷: "自适应变步长盲源分离算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孔飞,吴定会: "一种改进的鸡群算法", 《江南大学学报(自然科学版)》 * |
季策,汤宝成,朱立春: "基于变步长自然梯度算法的语音信号盲分离", 《中南大学学报(自然科学版)》 * |
裴学广: "基于变步长自然梯度算法的盲源分离", 《舰船电子对抗》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107293305A (zh) * | 2017-06-21 | 2017-10-24 | 惠州Tcl移动通信有限公司 | 一种基于盲源分离算法改善录音质量的方法及其装置 |
CN107682117A (zh) * | 2017-09-11 | 2018-02-09 | 天津工业大学 | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
CN110705041B (zh) * | 2019-09-12 | 2022-12-23 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778809A (zh) | 一种基于改进鸡群算法的盲源分离方法 | |
CN106534009A (zh) | 一种改进的变步长等变自适应盲源分离方法 | |
Upadhyay et al. | Dynamics of a three species food chain model with Crowley–Martin type functional response | |
CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
Zhou et al. | Pinning synchronization of directed networks with delayed complex-valued dynamical nodes and mixed coupling via intermittent control | |
Chen et al. | On the stability in a discrete two-species competition system | |
CN107784353A (zh) | 一种基于布谷鸟搜索算法的函数优化方法 | |
CN109799703A (zh) | 一种粒子群自抗扰控制方法、装置及存储介质 | |
Yu et al. | Adaptive neural control for a class of uncertain stochastic nonlinear systems with dead-zone | |
CN105930307A (zh) | 一种新型群智能优化算法-鸽群算法 | |
Zhang | A discrete-time switched linear model of the particle swarm optimization algorithm | |
CN104200227A (zh) | 一种用于人类认知模式识别的特征归一化方法及系统 | |
CN106575986A (zh) | 有限注水:用于调节用于基于特征值的波束形成的传输功率的方法 | |
CN112036453B (zh) | 一种基于量子犀牛搜索机理的盲源分离方法 | |
Mwisomba et al. | Fast sparse image reconstruction method in through-the-wall radars using limited memory Broyden–Fletcher–Goldfarb–Shanno algorithm | |
CN103903631B (zh) | 基于变步长自然梯度算法的语音信号盲分离方法 | |
CN105844094A (zh) | 基于梯度下降法和牛顿法的欠定盲源分离源信号恢复方法 | |
CN115437319A (zh) | 用于围巾面料的智能化生产控制方法及其系统 | |
Nanda et al. | Improved identification of nonlinear MIMO plants using new hybrid FLANN-AIS model | |
CN113095464A (zh) | 强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 | |
CN110009111A (zh) | 一种机器学习逆过程中生成最优训练集的方法 | |
Zhou et al. | Nonorthogonal approximate joint diagonalization with well-conditioned diagonalizers | |
CN106997486A (zh) | 一种基于空间分割的高维多目标优化算法 | |
Sun et al. | A kind of decay-curve inertia weight particle swarm optimization algorithm | |
Niu et al. | A multi-population cooperative particle swarm optimizer for neural network training |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |