CN111865452A - 一种基于自适应细菌觅食的单通道盲源分离方法 - Google Patents

一种基于自适应细菌觅食的单通道盲源分离方法 Download PDF

Info

Publication number
CN111865452A
CN111865452A CN202010606879.XA CN202010606879A CN111865452A CN 111865452 A CN111865452 A CN 111865452A CN 202010606879 A CN202010606879 A CN 202010606879A CN 111865452 A CN111865452 A CN 111865452A
Authority
CN
China
Prior art keywords
signal
value
bacteria
bacterium
channel
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
Application number
CN202010606879.XA
Other languages
English (en)
Other versions
CN111865452B (zh
Inventor
高敬鹏
王甫
项建弘
王旭
高路
白锦良
江志烨
张然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010606879.XA priority Critical patent/CN111865452B/zh
Publication of CN111865452A publication Critical patent/CN111865452A/zh
Application granted granted Critical
Publication of CN111865452B publication Critical patent/CN111865452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明属于辐射源信号分离技术领域，具体涉及一种基于自适应细菌觅食的单通道盲源分离方法。本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离的问题，将单通道观测信号进行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的MDL‑AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。本发明相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确性低和需要已知源数目的问题，提升此方法准确性。

Description

一种基于自适应细菌觅食的单通道盲源分离方法
技术领域
本发明属于辐射源信号分离技术领域，具体涉及一种基于自适应细菌觅食的单通道盲源 分离方法。
背景技术
盲源分离(Blind Source Separation,BSS)是指在源信号与信道参数未知的条件下，仅依靠 观测信号实现源信号数目估计与分离的方法，广泛应用于无线通信、图像处理及生物医学等 领域。当前主流的BSS方法是建立在源数目已知的前提下，而多数实际情况是源数目未知， 为解决该问题M.Wax和T.Kailath最早提出结合信息论准则来解决该问题，并利用最小描 述长度(Minimum Description Length,MDL)准则和Akaike信息准则(Akaike Information theoretic Criteria,AIC)进行源数目估计。鉴于在低信噪比情况下该方法估计效果较差，H.T.Wu 等人提出利用盖尔圆定理(Gerschgorin DiskEstimator,GDE)对源信号进行数目估计的算法，该 方法在低信噪比的情况下具有较好的估计效果。
由于信号环境趋于复杂和接收设备日益微型化，使得观测信号的数目往往小于源信号的 数目，即欠定盲源分离问题，特别是当观测信号为一维信号时的单通道盲源分离(Single Channel Blind Source Separation,SCBSS)是当下研究的热点。针对该问题应用最为广泛的是虚 拟多通道技术，即借助由Huang等人提出的经验模态分解(EmpiricalMode Decomposition, EMD)或由Dragomiretskiy等人提出的变分模态分解(VariationalMode Decompoisition,VMD) 等算法将单通道转为多通道，再应用多通道盲源分离技术处理信号。EMD以递归的方式将源 信号分解为若干个本征模态函数(Intrinsic ModeFunction，IMF)分量，该分量包含了原信号不 同时间尺度的局部特征信号，因此适用于处理非线性、非平稳的时间序列。但在处理间断信 号时会出现模态混叠现象，使分离效果大打折扣。VMD作为一种新的自适应信号处理方法， 将信号的分解问题转换成约束模型求取最优解的问题，可以有效克服EMD的模态混叠现象， 但该方法人为预设分解层数和惩罚因子的随机性大且耗费资源多，导致分离的准确性较低。 利用自适应细菌觅食算法(Adaptive Bacterial Foraging Algorithm，ADBFA)对VMD的参数进行 最优值求解，在一定程度上可以降低人为预设参数的资源损耗，提高VMD分离效果。
发明内容
本发明的目的在于提供解决针对现有的SCBSS方法存在准确性低和无法在未知源数目 情况下进行准确分离的问题的一种基于自适应细菌觅食的单通道盲源分离方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：从辐射源中获取线性混合的单通道观测信号x(t)，将x(t)进行虚实分解得到信 号I(t)和信号Q(t)；
Figure BDA0002559500290000021
步骤2：获取信号I(t)对应的最优分解层数
Figure BDA0002559500290000022
最优惩罚参数
Figure BDA0002559500290000023
及最优估计源数目
Figure BDA0002559500290000024
获取信号Q(t)对应的最优分解层数
Figure BDA0002559500290000025
最优惩罚参数
Figure BDA0002559500290000026
及最优估计源数目
Figure BDA0002559500290000027
其中，获取信号Q(t)对应的最优分解层数
Figure BDA0002559500290000028
最优惩罚参数
Figure BDA0002559500290000029
及最优估计源数目
Figure BDA00025595002900000210
的 方法与获取信号I(t)对应的最优分解层数
Figure BDA00025595002900000211
最优惩罚参数
Figure BDA00025595002900000212
及最优估计源数目
Figure BDA00025595002900000213
的方法 相同；所述的获取信号I(t)对应的最优分解层数
Figure BDA00025595002900000214
最优惩罚参数
Figure BDA00025595002900000215
及最优估计源数目
Figure BDA00025595002900000216
的 方法具体包括以下步骤：
步骤2.1：初始化自适应的细菌觅食算法种群参数和细菌位置信息；
设定种群大小S、趋向操作最大次数Nc、复制操作最大次数Nre、迁徙最大次数Ned、一次趋向中种群个体的最大转向次数Ns、迁徙概率Ped、优化空间维数D、优化区间的最小值θmin与最大值θmax；初始种群位置信息为：
θi＝θmin+rand(0,1)·(θmax-θmin)
其中，θi＝[Ki,αi]表示初始化第i个细菌个体的位置信息，i＝1,2,···,S；rand(0,1)表示 0～1之间的随机数；初始化迁徙操作次数l＝1，复制操作次数z＝1，趋向操作次数g＝1；
步骤2.2：计算细菌i在第g次趋向操作、第z次复制操作、第l次迁徙操作中对应信号I(t) 的适应度值JI(t)(i,g,z,l)，具体包括以下步骤：
步骤2.2.1：根据细菌i的位置信息θi＝[Ki,αi]，将Ki作为VMD分解所需的分解层数， αi作为惩罚因子，构造VMD分解器；将信号I(t)输入到构造的VMD分解器中，得到信号I(t) 的K个IMF分量
Figure BDA00025595002900000217
步骤2.2.2：对单通道观测信号x(t)进行M倍抽样得到M通道信号 X＝[x(1),x(2),···,x(M)]T，其中[·]T表示转置；计算M通道信号的协方差矩阵R；
Figure BDA00025595002900000218
步骤2.2.3：对协方差矩阵R进行特征值分解；
EVD(R)＝QMAΛMAQMA H
其中，ΛMA＝diag(γ1,γ2,···,γM)为R的特征值；diag(·)表示对角矩阵；
Figure BDA0002559500290000031
为R的特征向量；
Figure BDA0002559500290000032
表示QMA中的第f个分量，f＝1,2,…,M；H表 示矩阵的共轭转置；
步骤2.2.4：计算M通道信号进行源数目估计值a1，当MA(a)取极小值时所对应的a值即 为源数目估计值a1；
Figure BDA0002559500290000033
Figure BDA0002559500290000034
其中，SNR表示M通道信号X的信噪比；μ为常数；L表示R中的数据矢量的长度；
Figure BDA0002559500290000038
是R的第
Figure BDA0002559500290000039
个特征值；
步骤2.2.5：对协方差矩阵R进行分块，得到协方差矩阵R前M-1行、前M-1列组成的方阵R1；
Figure BDA0002559500290000035
其中，r＝[r1,M,r2,M,···,r(M-1),M]T，由R的最后一列的前M(M-1)行元素组成；
步骤2.2.6：对方阵R1进行特征值分解；
EVD(R1)＝QGDEΛGDEQGDE H
其中，ΛGDE＝diag(κ1,κ2,···,κM-1)为R1的特征值；
Figure BDA0002559500290000036
为R1的特征 向量，
Figure BDA0002559500290000037
表示QGDE中的第p个分量，p＝1,2,…,M-1；
步骤2.2.7：对协方差矩阵R进行酉变换，得到矩阵Ru；
Figure BDA0002559500290000041
其中，
Figure BDA0002559500290000042
ηs表示以|νs|为半径的盖尔圆对应的特征值，s＝1,2,…,a；δ2表 示半径为0的盖尔圆对应的特征值；
Figure BDA0002559500290000043
表示νs的共轭；
步骤2.2.8：计算M通道信号进行源数目估计值a2，当GDE(a)首次取负值时所对应的a 值减去1即为源数目估计值a2；
Figure BDA0002559500290000044
其中，σs＝|νs|表示盖尔圆的半径；Dis(L)是与L有关的减函数，是GDE的调整因子，取值为0～1；
步骤2.2.9：计算信号I(t)与其IMF分量
Figure BDA0002559500290000045
的相关系数，选取对应相关性系数最大的 前a1个IMF分量，重建多路信号
Figure BDA0002559500290000046
选取对应相关性系数最大的前a2个IMF分量，重建 多路信号
Figure BDA0002559500290000047
Figure BDA0002559500290000048
其中，
Figure BDA0002559500290000049
表示I(t)的第b个IMF分量；
Figure BDA00025595002900000410
表示I(t)与其第b个IMF分量之间相关系 数；cov(·)表示计算协方差；var(·)表示计算方差；
步骤2.2.10：计算细菌i在第g次趋向操作、第z次复制操作、第l次迁徙操作中对应信 号I(t)的适应度值JI(t)(i,g,z,l)；
Figure BDA00025595002900000411
Figure BDA00025595002900000412
Figure BDA0002559500290000051
其中，
Figure BDA0002559500290000052
为信号I(t)与信号
Figure BDA0002559500290000053
的相关系数；
Figure BDA0002559500290000054
为信号I(t)与信号
Figure BDA0002559500290000055
的相关系 数；
步骤2.3：计算细菌之间的感应值之和Jcc(θ,P(g,z,l))，并更新种群适应度值JI(t)last；
Figure BDA0002559500290000056
JI(t)last＝JI(t)(i,g,z,l)+Jcc(θ,P(g,z,l))
其中，P(g,z,l)表示在第g次趋向、第z次复制、第l次迁徙操作种群S中每个细菌的位 置信息，P(g,z,l)＝{θi(g,z,l)|i＝1,2,…,S}；θ＝[θ1,θ2,…,θD]T是优化域上的一个点；
Figure BDA0002559500290000059
是 第i个细菌位置的第m个元素；θm表示种群中每个细菌位置的第m个元素；dattact为引力的深 度，wattact为引力的宽度，hrep为斥力的高度，wrep为斥力的宽度；
步骤2.4：计算细菌i游动的方向Φ(i)和游动的步长C(i,g)，并执行细菌i的游动；
Figure BDA0002559500290000057
Figure BDA0002559500290000058
其中，Δ(i)为随机方向向量，Δ(i)中的每一个元素都是分布在-1～1之间的随机数；游 动后的细菌i的位置信息为θi(g+1,z,l)＝θi(g,z,l)+C(i,g)Φ(i)；
步骤2.5：初始化e＝1，计算游动后细菌i对应信号I(t)的适应度值JI(t)(i,g+1,z,l)；
步骤2.6：若e＜Ns，则令e＝e+1，并执行步骤2.7；若e≥Ns，则i＝i+1，并返回步骤2.2；
步骤2.7：若JI(t)(i,g+1,z,l)≤JI(t)last，则令e＝Ns，执行步骤2.8；
若JI(t)(i,g+1,z,l)＞JI(t)last，则令JI(t)last＝JI(t)(i,g+1,z,l)，更新细菌i对对应信号I(t)的 适应度值JI(t)last后返回步骤2.4；
步骤2.8：若g＜Nc，则令g＝g+1，并返回步骤2.2；若g≥Nc，则执行复制操作，并 执行步骤2.9；所述的复制操作具体为：计算每一个细菌的能量值
Figure BDA00025595002900000612
后进行排序，淘汰能 量值差的半数细菌，剩余的半数细菌各自复制一个与父代位置相同的细菌取代淘汰的细菌；细菌i的能量值的计算方法为：
Figure BDA0002559500290000061
步骤2.9：若z＜Nre，则令z＝z+1，并返回步骤2.2；若z≥Nre，则执行迁徙操作，并执行步骤2.10；所述的迁徙操作具体为：对每一个细菌生成一个0～1之间的随机数rand(0,1)； 若rand(0,1)≥Ped，则该细菌位置不变；若rand(0,1)＜Ped，则该细菌淘汰并随机生成一个细 菌取代该淘汰细菌；
步骤2.10：若l＜Ned，则令l＝l+1，并返回步骤2.2；若l≥Ned，则结束计算，根据当前细菌个体的位置信息，输出信号I(t)对应的最优分解层数
Figure BDA0002559500290000062
最优惩罚参数
Figure BDA0002559500290000063
根据当前细菌个体的适应度值，输出信号I(t)对应的
Figure BDA0002559500290000064
Figure BDA0002559500290000065
步骤3：构造以K0为分解层数，以α0为惩罚参数的VMD分解器，将信号I(t)和Q(t)分别输入到VMD分解器中，得到I(t)分解的K0个IMF分量
Figure BDA0002559500290000066
和Q(t)分解的K0个IMF分 量
Figure BDA0002559500290000067
其中，
Figure BDA0002559500290000068
[·]为取整函数；
步骤4：组建K0个IMF分量yc(t)，
Figure BDA0002559500290000069
计算yc(t)与单通道观测信 号x(t)的相关系数，选取相关系数最大的前a0个yc(t)重新组建多路信号，实现对单通道辐射 源信号的分离；其中，
Figure BDA00025595002900000610
所述的yc(t)与单通道观测信号x(t)的相关系数ρ的计 算方法为：
Figure BDA00025595002900000611
其中，cov(·)表示计算协方差；var(·)表示计算方差。
本发明还可以包括：
步骤3中所述的VMD分解器分解信号的方法具体为：
步骤3.1：初始化
Figure BDA0002559500290000071
λ1、n为0，最大迭代次数为N；其中，
Figure BDA0002559500290000072
为第k个初始化后的IMF分量；
Figure BDA0002559500290000073
为第k个初始化后的中心频率；λ1为初始化后的拉格朗日乘子；n为循环次数；
步骤3.2：令n＝n+1，k＝1
步骤3.3：计算第k个模态经过n次迭代后的模态分量
Figure BDA0002559500290000074
Figure BDA0002559500290000075
其中，上标
Figure BDA00025595002900000714
表示取共轭形式；
Figure BDA0002559500290000076
表示第n-1次迭代后的拉格朗日乘子；
Figure BDA0002559500290000077
表示第 n-1次迭代后的中心频率；
Figure BDA0002559500290000078
表示待分解信号的正半轴频谱；ω表示瞬时频率；
步骤3.4：计算第n次迭代后IMF的中心频率
Figure BDA0002559500290000079
Figure BDA00025595002900000710
步骤3.5：计算第n次迭代后的拉格朗日乘子
Figure BDA00025595002900000711
Figure BDA00025595002900000712
其中，ξ表示噪声容忍度；
步骤3.6：若k＜K，则令k＝k+1，并返回步骤3.3；否则，执行步骤3.7；
步骤3.7：若n＜N且
Figure BDA00025595002900000713
则输出最终的K个IMF分量；否则，返回步骤3.2；其中||·||2表示2-范数；ε表示收敛因子。
本发明的有益效果在于：
本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离 的问题，提出一种基于自适应细菌觅食的单通道盲源分离方法。本发明将单通道观测信号进 行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的 MDL-AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估 计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚 因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。本发明相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确 性低和需要已知源数目的问题，提升此方法准确性。
附图说明
图1是本发明的方案设计图。
图2是VMD的原理图。
图3是基于信息论准则的MDL-AIC组合源数目估计流程框图。
图4是基于GDE的源数目估计流程框图。
图5是在-9dB～9dB高斯白噪声条件下平均相似度的仿真对比图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离 的问题，提出一种基于自适应细菌觅食的单通道盲源分离方法。该方法将单通道观测信号进 行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的 MDL-AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估 计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚 因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。该方法相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确 性低和需要已知源数目的问题，提升此方法准确性。
本发明上述目的主要是通过如下技术方案实现的：
步骤一：从辐射源中获取线性混合的单通道观测信号x(t)，并进行虚实分解得到两路待 分解信号I(t)和Q(t)，分别进行分离。
步骤二：初始化自适应细菌觅食算法种群参数并生成初始种群的位置信息。以VMD分 解所需分解层数K、惩罚因子α作为种群个体的位置信息θ，即θ＝[K,α]作为优化空间。
步骤三：将步骤二生成的位置信息四舍五入取整后作为VMD的输入参数，对步骤一中 的待分解信号进行分解，得到I(t)和Q(t)分解的IMF分量IMFI和IMFQ。
步骤四：对步骤一中的单通道观测信号x(t)进行M倍抽样得到M通道信号 X＝[x(1),x(2),···,x(M)]T，其中[·]T表示转置，利用基于信息论准则的MDL-AIC组合算法和基于GDE定理对其进行源数目估计，并将两种方法估计的源数目分别记为a1和a2。
步骤五：计算步骤三得到的IMF分量与对应待分解信号的相关系数，并选取相关性较大 的前a1和前a2个IMF分量，利用FastICA算法重建多路信号
Figure BDA0002559500290000091
和
Figure BDA0002559500290000092
其中
Figure BDA0002559500290000093
表示利用IMFI重建的信号；
Figure BDA0002559500290000094
利用IMFQ重建的信号。
步骤六：将每一路待分解信号与步骤五中重建信号对应计算，分别得到与I(t)和Q(t)对 应的相关系数为
Figure BDA0002559500290000095
和
Figure BDA0002559500290000096
选择
Figure BDA0002559500290000097
中较大相关系数和
Figure BDA0002559500290000098
中较大相关 系数分别作为I(t)和Q(t)对应细菌觅食算法中细菌的适应度值，并将其存储为最优值，由此 设定自适应细菌觅食算法的适应度函数。
步骤七：开始细菌觅食算法的趋向循环。对于每一个细菌首先根据步骤三至步骤六计算 适应度值J(i,g,z,l)并保存为Jlast；然后产生一个随机方向向量Δ(i)并在该方向上以自适应步 长C(i,g)进行游动；最后计算新位置的适应度值J(i,g+1,z,l)，在未达最大转向次数Ns的条 件下更新适应度值，反之则进行下一个细菌的操作。
步骤八：判断g＜Nc是否成立，若是则g＝g+1返回步骤七继续执行趋向操作，反之执 行复制操作。根据
Figure BDA0002559500290000099
计算每个细菌在一次趋向操作中所经历位置的适应度 值之和作为细菌的能量值，其中
Figure BDA00025595002900000910
表示细菌i的能量值。之后对每一个细菌进行排序，淘 汰能量值差的半数细菌，剩余的半数细菌各自复制一个位置相同的细菌取代淘汰的细菌。
步骤九：判断z＜Nre是否成立，若成立则z＝z+1返回步骤七，反之执行迁徙操作。对每 一个细菌生成一个0～1之间的随机数rand(0,1)；判断rand(0,1)≥Ped是否成立，如果成立则 该细菌位置不变，反之则该细菌淘汰并随机生成一个细菌取代。
步骤十：判断l＜Ned是否成立，若成立则l＝l+1返回步骤七，反之细菌觅食算法终止并 输出I(t)和Q(t)的最优分解层数
Figure BDA00025595002900000911
和
Figure BDA00025595002900000912
最优惩罚参数
Figure BDA00025595002900000913
和
Figure BDA00025595002900000914
及最优估计源数目
Figure BDA00025595002900000915
和
Figure BDA0002559500290000101
并对应取均值后四舍五入取整得到自适应细菌觅食算法的输出最优分解层数K0、最优惩 罚参数α0及最优估计源数目a0。
步骤十一：VMD利用步骤十输出的K0和α0对两路单通道观测信号I(t)和Q(t)进行分解，分别得到I(t)分解的K0个IMF分量
Figure BDA0002559500290000102
和Q(t)分解的K0个IMF分量
Figure BDA0002559500290000103
步骤十二：根据
Figure BDA0002559500290000104
组建新的IMF分量yc(t)，其中，j表示虚数单 位；c＝1,2,…,K0。选取相关系数较大的前a0个yc(t)，利用FastICA算法重建多路信号yo(t)＝Io(t)+jQo(t)，其中Io(t)和Qo(t)分别表示重建信号yo(t)的实部和虚部； o＝1,2,…,a0，最终实现对单通道辐射源信号的分离。
本发明还包括这样一些结构特征：
1.步骤一中的待分解信号依据Re{x(t)}和Im{x(t)}分别取单通道观测信号x(t)的实部和 虚部生成。其中，Re{·}和Im{·}分别表示取实部和虚部。
2.步骤六中适应度函数的设置具体为：
首先根据步骤三中VMD算法依据细菌的位置信息提供的分解层数和惩罚因子，对步骤 一中的单通道观测信号进行分解，得到IMF分量。
然后依据步骤四中基于信息论的MDL-AIC准则源数目估计算法对单通道观测信号进行 数目估计，估计的源数目记为a1。MDL-AIC准则估计公式为：
Figure BDA0002559500290000105
其中L表示数据矢量的长度；a表示要估计的源 信号数目；
Figure BDA0002559500290000106
SNR表示M通道信号X的信噪比；MA(a)表示应用MDL-AIC组合方法进行源数目估计；μ为常数；R表示M通道观测信号的 协方差矩阵；
Figure BDA0002559500290000107
是R的第
Figure BDA0002559500290000108
个特征值。
同时依据步骤四中基于GDE定理源数目估计算法对单通道观测信号进行数目估计，估计 的源数目记为a2。估计公式为：
Figure BDA0002559500290000111
其中Dis(L)是与L有关的减函 数，是GDE的调整因子，取值为0～1；σs表示盖尔圆的半径。
最后计算步骤三得到的IMF分量与每一路待分解信号的相关系数，分别选取相关系数较 大前a1个和前a2个IMF分量利用FastICA算法重建多路信号，并计算其与待分解信号的相关 系数为
Figure BDA0002559500290000112
选取其中的最大值作为适应度函数，即
Figure BDA0002559500290000113
或
Figure BDA0002559500290000114
或
Figure BDA0002559500290000115
3.步骤七中自适应细菌觅食游动的步长为：
Figure BDA0002559500290000116
其中Nc是细菌的最大趋向次数；g是细菌当前的趋向次数。
本发明与现有应用技术相比有如下有益效果
1.本发明匹配源数目估计与VMD算法，利用细菌觅食算法的目标函数设置解决源数目 与VMD分离的匹配问题，增强SCBSS的可靠性。
2.本发明利用虚实分解方法，将单通道观测信号分解为两路待分解信号，解决VMD分 解信号复杂的问题，提升VMD分离的准确性。
3.本发明利用细菌觅食算法的参数构建一种自适应调节细菌游动步长的函数，增加跳出 局部极值的概率，解决细菌觅食算法中易陷入局部极值的问题，进一步提高SCBSS的准确性。
仿真结果表明，本发明所提出的基于自适应细菌觅食的SCBSS方法在相同信噪比下，大 多数情况比VMD分离算法可以获得更高的相关系数，说明本方法具有一定的优越性。
结合图1～图5基于自适应细菌觅食的单通道盲源分离方法具体过程如下：
步骤一：(技术特征一)从辐射源中获取线性混合的单通道观测信号x(t)，根据式(1)进行 虚实分解得到两路新的观测信号I(t)和Q(t)，分别进行分离。
Figure BDA0002559500290000117
备注：步骤一的现有技术：直接从辐射源中获取线性混合的单通道观测信号x(t)进行分 离。
步骤二：初始化自适应的细菌觅食算法种群参数和细菌位置信息。
(2a)设定种群大小S、趋向操作最大次数Nc、复制操作最大次数Nre、迁徙最大次数Ned、 一次趋向中种群个体的最大转向次数Ns、迁徙概率Ped、优化空间维数D及优化区间的最小 值θmin与最大值θmax等参数。以VMD分解所需分解层数K、惩罚因子α作为种群个体的位置信息θ，即θ＝[K,α]作为优化空间。
(2b)初始化种群。根据式(2)生成初始种群位置信息。
θi＝θmin+rand(0,1)·(θmax-θmin) (2)
式中θi表示初始化第i个细菌个体的位置信息，其中i＝1,2,···,S；rand(0,1)表示0～1之间的 随机数。
步骤三：对种群位置信息四舍五入取整后作为VMD的输入参数对步骤一中的I(t)和 Q(t)分别进行分解，得到各自IMF分量。IMF分量被定义为调频-调幅信号，其表达式如式(3)所示。
Figure BDA0002559500290000121
式中uk表示定义的IMF分量，k＝1,2,···,K；Ak为uk的瞬时幅值，
Figure BDA0002559500290000122
为uk的瞬时相位。VMD 算法处理信号的方式是构建并求解约束变分问题，将单通道观测信号自适应的分解为指定个 数且围绕在中心频率ωk的IMF分量。其分解步骤为：
(3a)初始化
Figure BDA0002559500290000123
λ1、n为0，最大迭代次数为N。其中
Figure BDA0002559500290000124
为第k个初始化后的IMF分量；
Figure BDA0002559500290000125
为第k个初始化后的中心频率；λ1为初始化后的拉格朗日乘子；n为循环次数。
(3b)令n＝n+1，开始循环。
(3c)令k＝1，根据式(4)更新模态分量；
Figure BDA0002559500290000126
式中
Figure BDA0002559500290000127
表示第k个模态经过n次迭代后模态分量的频域表达式，上标^表示取共轭形式；
Figure BDA0002559500290000129
表示第n-1次迭代后的拉格朗日乘子；
Figure BDA00025595002900001210
表示第n-1次迭代后的中心频率；
Figure BDA00025595002900001211
表 示待分解信号的正半轴频谱；ω表示瞬时频率。
根据式(5)更新ωk；
Figure BDA0002559500290000131
式中
Figure BDA0002559500290000132
表示第n次迭代后IMF的中心频率；|·|表示取绝对值。
根据式(6)更新拉格朗日乘子；
Figure BDA0002559500290000133
式中
Figure BDA0002559500290000134
表示第n次迭代后的拉格朗日乘子；ξ表示噪声容忍度。
(3d)令k＝k+1重复(3c)直到k＝K。
(3e)若不满足n＜N且
Figure BDA0002559500290000135
则返回(3c),反之迭代结束输出最终的K个 IMF分量。其中||·||2表示2-范数；ε表示收敛因子。
I(t)和Q(t)分别进行(3a)～(3e)，得到VMD分解的IMF分量IMFI和IMFQ。
步骤四：对步骤一中的单通道观测信号进行M倍抽样得到M通道信号 X＝[x(1),x(2),···,x(M)]T，其中T表示转置。然后分别使用基于信息论准则的MDL-AIC组 合算法和基于GDE定理进行源数目估计，其步骤如下。
基于信息论准则的MDL-AIC组合源数目估计：
首先根据式(7)计算M通道观测信号的协方差矩阵R；
Figure BDA0002559500290000136
然后根据式(8)对R进行特征值分解；
EVD(R)＝QMAΛMAQMA H (8)
式中EVD(·)表示进行特征值分解；ΛMA＝diag(γ1,γ2,···,γM)为R的特征值，diag(·)表示对角 矩阵；
Figure BDA0002559500290000137
为R的特征向量，
Figure BDA0002559500290000138
表示QMA中的第f个分量，f＝1,2,…,M； H表示矩阵的共轭转置。
最后应用基于信息论准则的MDL-AIC组合方法进行源数目估计；
Figure BDA0002559500290000141
当MA(a)取极小值时所对应的a值即为估计的源数目，记为a1。
基于GDE的源数目估计：
首先根据式(6)对M通道信号X计算协方差矩阵R，并依据式(10)对其进行分块；
Figure BDA0002559500290000142
式中R1为R前M-1行、前M-1列组成的方阵；r＝[r1,M,r2,M,···,r(M-1),M]T由R的最后一列的 前M(M-1)行元素组成。
然后根据式(11)对R1进行特征值分解；
EVD(R1)＝QGDEΛGDEQGDE H (11)
式中ΛGDE＝diag(κ1,κ2,···,κM-1)为R1的特征值；
Figure BDA0002559500290000143
为R1的特征向量，
Figure BDA0002559500290000144
表示QGDE中的第p个分量，p＝1,2,…,M-1。
之后令
Figure BDA0002559500290000145
据式(12)对R进行酉变换并化简得到变换后的矩阵Ru；
Figure BDA0002559500290000146
式中ηs表示以|νs|为半径的盖尔圆对应的特征值，s＝1,2,…,a；δ2表示半径为0的盖尔圆对 应的特征值；
Figure BDA0002559500290000147
表示νs的共轭。
最后利用基于GDE的方法进行源数目估计。
Figure BDA0002559500290000148
其中σs＝|νs|表示盖尔圆的半径，对式(13)从a＝1开始计算，首次取负时所对应的值减去1为 估计的源数目，记为a2。
步骤五：(技术特征二)根据式(14)计算步骤三得到IMF分量与待分解信号的相关系数。
Figure BDA0002559500290000151
式中
Figure BDA0002559500290000152
分别表示I(t)、Q(t)的第b个IMF分量；
Figure BDA0002559500290000153
分别表示I(t)、Q(t)与 对应的IMF分量之间的第b个相关系数，b＝1,2,…,K；cov(·)表示计算协方差；var(·)表示 计算方差。对于每一路待分解信号，分别选取相关性较大的前a1和前a2个IMF分量，利用 FastICA算法重建多路信号
Figure BDA0002559500290000154
和
Figure BDA0002559500290000155
步骤六：(技术特征二)将每一路待分解信号与步骤五中重建信号对应计算，分别得到与 I(t)和Q(t)对应的相关系数为
Figure BDA0002559500290000156
和
Figure BDA0002559500290000157
选择
Figure BDA0002559500290000158
和
Figure BDA0002559500290000159
中较大的相关 系数作为I(t)和Q(t)对应细菌觅食算法中细菌的适应度值。
备注：步骤五和步骤六的现有技术：直接计算步骤三得到的IMF分量的熵作为细菌觅食 算法的适应度函数，对VMD所需分解层数K和惩罚因子α进行寻优。
步骤七：令l＝1、z＝1、g＝1开始趋向操作，对每一个细菌进行如下操作。
(7a)依据式(15)计算适应度值；
Figure BDA00025595002900001510
或
Figure BDA00025595002900001513
或
Figure BDA00025595002900001514
(15)
式中max(·)表示取最大值；J(i,g,z,l)表示细菌i在第g次趋向操作、第z次复制操作、第l次 迁徙操作中的适应度值。考虑到细菌间互相吸引的情况，根据式(16)计算细菌之间的感应值 之和。
Figure BDA00025595002900001511
式中Jcc(θ,P(g,z,l))表示考虑细菌间互相影响的感应值之和；
Figure BDA00025595002900001512
表示第i个细 菌在第g次趋向操作、第z次复制操作、第l次迁徙操作中与其他细菌的感应值；P(g,z,l)表 示在第g次趋向、第z次复制、第l次迁徙操作种群S中每个细菌的位置信息，P(g,z,l)＝{θi(g,z,l)|i＝1,2,…,S}；θ＝[θ1,θ2,…,θD]T是优化域上的一个点；
Figure BDA0002559500290000161
是第i个细菌 位置的第m个元素；θm表示种群中每个细菌位置的第m个元素；dattact为引力的深度，wattact为 引力的宽度，hrep为斥力的高度，wrep为斥力的宽度，一般情况下取dattact＝hrep。
根据式(17)计算种群适应度值。
J(i,g,z,l)＝J(i,g,z,l)+Jcc(θ,P(g,z,l)) (17)
(7b)令Jlast＝J(i,g,z,l)保存用于后续比较，其中Jlast为当前种群最大适应度值。
(7c)细菌i生成一个随机方向向量Δ(i)，其中的每一个元素都是分布在-1～1之间的随机 数。
首先根据式(18)确定细菌游动的方向；
Figure BDA0002559500290000162
式中Φ(i)表示归一化后细菌i游动的方向。
然后根据式(19)生成细菌i游动的步长；
Figure BDA0002559500290000163
式中，C(i,g)表示细菌i在第g次趋向操作中的游动步长。
最后根据式(20)细菌i进行游动；
θi(g+1,z,l)＝θi(g,z,l)+C(i,g)Φ(i) (20)
(7d)初始化e＝1，将细菌游动后新位置信息代入式(16)计算新的适应度值J(i,g+1,z,l)。 判断e＜Ns是否成立，若成立则e＝e+1并进行下一步的判断，反之则令i＝i+1进行下一个细 菌的操作；判断J(i,g+1,z,l)＞Jlast是否成立，若是则执行Jlast＝J(i,g+1,z,l)更新适应度值后 返回(7c)进行下一个步长的游动，反之令e＝Ns。
步骤八：判断g＜Nc是否成立，若是则g＝g+1返回(7a)继续执行趋向操作，反之执行复 制操作。根据式(21)计算每一个细菌在一次趋向操作中经历所有位置的适应度值之和。
Figure BDA0002559500290000164
式中
Figure BDA0002559500290000165
表示细菌i的能量值。
对每一个细菌进行排序，淘汰能量值差的半数细菌，剩余的半数细菌各自复制一个与父 代位置相同的细菌取代淘汰的细菌。
步骤九：判断z＜Nre是否成立，若成立则z＝z+1返回(7a)，反之执行迁徙操作。对每一 个细菌生成一个0～1之间的随机数rand(0,1)；判断rand(0,1)≥Ped是否成立，如果成立则该 细菌位置不变，反之则该细菌淘汰并根据式(1)随机生成一个细菌取代。
步骤十：判断l＜Ned是否成立，若成立则l＝l+1返回(7a)，反之细菌觅食算法终止并输 出I(t)和Q(t)的最优分解层数
Figure BDA0002559500290000171
和
Figure BDA0002559500290000172
最优惩罚参数
Figure BDA0002559500290000173
和
Figure BDA0002559500290000174
及最优估计源数目
Figure BDA0002559500290000175
和
Figure BDA0002559500290000176
并对应取均值后四舍五入取整得到自适应细菌觅食算法的输出最优分解层数K0、最优惩罚参 数α0及最优估计源数目a0。
步骤十一：VMD利用步骤十输出的K0和α0对两路单通道观测信号I(t)和Q(t)进行分解，分别得到I(t)分解的K0个IMF分量
Figure BDA0002559500290000177
和Q(t)分解的K0个IMF分量
Figure BDA0002559500290000178
步骤十二：根据式(22)组建新的IMF分量yc(t)，
Figure BDA0002559500290000179
选取相关系数较大的前a0个yc(t)，利用FastICA算法重建多路信号yo(t)＝Io(t)+jQo(t)，最 终实现对单通道辐射源信号的分离。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员 来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等 同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于自适应细菌觅食的单通道盲源分离方法，其特征在于，包括以下步骤：
步骤1：从辐射源中获取线性混合的单通道观测信号x(t)，将x(t)进行虚实分解得到信号I(t)和信号Q(t)；
Figure FDA0002559500280000011
步骤2：获取信号I(t)对应的最优分解层数
Figure FDA0002559500280000012
最优惩罚参数
Figure FDA0002559500280000013
及最优估计源数目
Figure FDA0002559500280000014
获取信号Q(t)对应的最优分解层数
Figure FDA0002559500280000015
最优惩罚参数
Figure FDA0002559500280000016
及最优估计源数目
Figure FDA0002559500280000017
其中，获取信号Q(t)对应的最优分解层数
Figure FDA0002559500280000018
最优惩罚参数
Figure FDA0002559500280000019
及最优估计源数目
Figure FDA00025595002800000110
的方法与获取信号I(t)对应的最优分解层数
Figure FDA00025595002800000111
最优惩罚参数
Figure FDA00025595002800000112
及最优估计源数目
Figure FDA00025595002800000113
的方法相同；所述的获取信号I(t)对应的最优分解层数
Figure FDA00025595002800000114
最优惩罚参数
Figure FDA00025595002800000115
及最优估计源数目
Figure FDA00025595002800000116
的方法具体包括以下步骤：
步骤2.1：初始化自适应的细菌觅食算法种群参数和细菌位置信息；
设定种群大小S、趋向操作最大次数Nc、复制操作最大次数Nre、迁徙最大次数Ned、一次趋向中种群个体的最大转向次数Ns、迁徙概率Ped、优化空间维数D、优化区间的最小值θmin与最大值θmax；初始种群位置信息为：
θi＝θmin+rand(0,1)·(θmax-θmin)
其中，θi＝[Ki,αi]表示初始化第i个细菌个体的位置信息，i＝1,2,···,S；rand(0,1)表示0～1之间的随机数；初始化迁徙操作次数l＝1，复制操作次数z＝1，趋向操作次数g＝1；
步骤2.2：计算细菌i在第g次趋向操作、第z次复制操作、第l次迁徙操作中对应信号I(t)的适应度值JI(t)(i,g,z,l)，具体包括以下步骤：
步骤2.2.1：根据细菌i的位置信息θi＝[Ki,αi]，将Ki作为VMD分解所需的分解层数，αi作为惩罚因子，构造VMD分解器；将信号I(t)输入到构造的VMD分解器中，得到信号I(t)的K个IMF分量
Figure FDA00025595002800000117
步骤2.2.2：对单通道观测信号x(t)进行M倍抽样得到M通道信号X＝[x(1),x(2),···,x(M)]T，其中[·]T表示转置；计算M通道信号的协方差矩阵R；
Figure FDA0002559500280000021
步骤2.2.3：对协方差矩阵R进行特征值分解；
EVD(R)＝QMAΛMAQMA H
其中，ΛMA＝diag(γ1,γ2,···,γM)为R的特征值；diag(·)表示对角矩阵；
Figure FDA0002559500280000022
为R的特征向量；
Figure FDA0002559500280000023
表示QMA中的第f个分量，f＝1,2,…,M；H表示矩阵的共轭转置；
步骤2.2.4：计算M通道信号进行源数目估计值a1，当MA(a)取极小值时所对应的a值即为源数目估计值a1；
Figure FDA0002559500280000024
Figure FDA0002559500280000025
其中，SNR表示M通道信号X的信噪比；μ为常数；L表示R中的数据矢量的长度；
Figure FDA0002559500280000029
是R的第
Figure FDA00025595002800000210
个特征值；
步骤2.2.5：对协方差矩阵R进行分块，得到协方差矩阵R前M-1行、前M-1列组成的方阵R1；
Figure FDA0002559500280000026
其中，r＝[r1,M,r2,M,···,r(M-1),M]T，由R的最后一列的前M(M-1)行元素组成；
步骤2.2.6：对方阵R1进行特征值分解；
EVD(R1)＝QGDEΛGDEQGDE H
其中，ΛGDE＝diag(κ1,κ2,···,κM-1)为R1的特征值；
Figure FDA0002559500280000027
为R1的特征向量，
Figure FDA0002559500280000028
表示QGDE中的第p个分量，p＝1,2,…,M-1；
步骤2.2.7：对协方差矩阵R进行酉变换，得到矩阵Ru；
Figure FDA0002559500280000031
其中，
Figure FDA0002559500280000032
ηs表示以|νs|为半径的盖尔圆对应的特征值，s＝1,2,…,a；δ2表示半径为0的盖尔圆对应的特征值；
Figure FDA0002559500280000033
表示νs的共轭；
步骤2.2.8：计算M通道信号进行源数目估计值a2，当GDE(a)首次取负值时所对应的a值减去1即为源数目估计值a2；
Figure FDA0002559500280000034
其中，σs＝|νs|表示盖尔圆的半径；Dis(L)是与L有关的减函数，是GDE的调整因子，取值为0～1；
步骤2.2.9：计算信号I(t)与其IMF分量
Figure FDA0002559500280000035
的相关系数，选取对应相关性系数最大的前a1个IMF分量，重建多路信号
Figure FDA0002559500280000036
选取对应相关性系数最大的前a2个IMF分量，重建多路信号
Figure FDA0002559500280000037
Figure FDA0002559500280000038
其中，
Figure FDA0002559500280000039
表示I(t)的第b个IMF分量；
Figure FDA00025595002800000310
表示I(t)与其第b个IMF分量之间相关系数；cov(·)表示计算协方差；var(·)表示计算方差；
步骤2.2.10：计算细菌i在第g次趋向操作、第z次复制操作、第l次迁徙操作中对应信号I(t)的适应度值JI(t)(i,g,z,l)；
Figure FDA00025595002800000311
Figure FDA00025595002800000312
Figure FDA0002559500280000041
其中，
Figure FDA0002559500280000042
为信号I(t)与信号
Figure FDA0002559500280000043
的相关系数；
Figure FDA0002559500280000044
为信号I(t)与信号
Figure FDA0002559500280000045
的相关系数；
步骤2.3：计算细菌之间的感应值之和Jcc(θ,P(g,z,l))，并更新种群适应度值JI(t)last；
Figure FDA0002559500280000046
JI(t)last＝JI(t)(i,g,z,l)+Jcc(θ,P(g,z,l))
其中，P(g,z,l)表示在第g次趋向、第z次复制、第l次迁徙操作种群S中每个细菌的位置信息，P(g,z,l)＝{θi(g,z,l)|i＝1,2,…,S}；θ＝[θ1,θ2,…,θD]T是优化域上的一个点；
Figure FDA0002559500280000049
是第i个细菌位置的第m个元素；θm表示种群中每个细菌位置的第m个元素；dattact为引力的深度，wattact为引力的宽度，hrep为斥力的高度，wrep为斥力的宽度；
步骤2.4：计算细菌i游动的方向Φ(i)和游动的步长C(i,g)，并执行细菌i的游动；
Figure FDA0002559500280000047
Figure FDA0002559500280000048
其中，Δ(i)为随机方向向量，Δ(i)中的每一个元素都是分布在-1～1之间的随机数；游动后的细菌i的位置信息为θi(g+1,z,l)＝θi(g,z,l)+C(i,g)Φ(i)；
步骤2.5：初始化e＝1，计算游动后细菌i对应信号I(t)的适应度值JI(t)(i,g+1,z,l)；
步骤2.6：若e＜Ns，则令e＝e+1，并执行步骤2.7；若e≥Ns，则i＝i+1，并返回步骤2.2；
步骤2.7：若JI(t)(i,g+1,z,l)≤JI(t)last，则令e＝Ns，执行步骤2.8；
若JI(t)(i,g+1,z,l)＞JI(t)last，则令JI(t)last＝JI(t)(i,g+1,z,l)，更新细菌i对对应信号I(t)的适应度值JI(t)last后返回步骤2.4；
步骤2.8：若g＜Nc，则令g＝g+1，并返回步骤2.2；若g≥Nc，则执行复制操作，并执行步骤2.9；所述的复制操作具体为：计算每一个细菌的能量值
Figure FDA0002559500280000051
后进行排序，淘汰能量值差的半数细菌，剩余的半数细菌各自复制一个与父代位置相同的细菌取代淘汰的细菌；细菌i的能量值的计算方法为：
Figure FDA0002559500280000052
步骤2.9：若z＜Nre，则令z＝z+1，并返回步骤2.2；若z≥Nre，则执行迁徙操作，并执行步骤2.10；所述的迁徙操作具体为：对每一个细菌生成一个0～1之间的随机数rand(0,1)；若rand(0,1)≥Ped，则该细菌位置不变；若rand(0,1)＜Ped，则该细菌淘汰并随机生成一个细菌取代该淘汰细菌；
步骤2.10：若l＜Ned，则令l＝l+1，并返回步骤2.2；若l≥Ned，则结束计算，根据当前细菌个体的位置信息，输出信号I(t)对应的最优分解层数
Figure FDA0002559500280000053
最优惩罚参数
Figure FDA0002559500280000054
根据当前细菌个体的适应度值，输出信号I(t)对应的
Figure FDA0002559500280000055
Figure FDA0002559500280000056
步骤3：构造以K0为分解层数，以α0为惩罚参数的VMD分解器，将信号I(t)和Q(t)分别输入到VMD分解器中，得到I(t)分解的K0个IMF分量
Figure FDA0002559500280000057
和Q(t)分解的K0个IMF分量
Figure FDA00025595002800000512
c＝1,2,···,K0；其中，
Figure FDA0002559500280000058
[·]为取整函数；
步骤4：组建K0个IMF分量yc(t)，
Figure FDA0002559500280000059
计算yc(t)与单通道观测信号x(t)的相关系数，选取相关系数最大的前a0个yc(t)重新组建多路信号，实现对单通道辐射源信号的分离；其中，
Figure FDA00025595002800000510
所述的yc(t)与单通道观测信号x(t)的相关系数ρ的计算方法为：
Figure FDA00025595002800000511
其中，cov(·)表示计算协方差；var(·)表示计算方差。
2.根据权利要求1所述的一种基于自适应细菌觅食的单通道盲源分离方法，其特征在于：步骤3中所述的VMD分解器分解信号的方法具体为：
步骤3.1：初始化
Figure FDA0002559500280000061
λ1、n为0，最大迭代次数为N；其中，
Figure FDA0002559500280000062
为第k个初始化后的IMF分量；
Figure FDA0002559500280000063
为第k个初始化后的中心频率；λ1为初始化后的拉格朗日乘子；n为循环次数；
步骤3.2：令n＝n+1，k＝1
步骤3.3：计算第k个模态经过n次迭代后的模态分量
Figure FDA0002559500280000064
Figure FDA0002559500280000065
其中，上标^表示取共轭形式；
Figure FDA0002559500280000066
表示第n-1次迭代后的拉格朗日乘子；
Figure FDA0002559500280000067
表示第n-1次迭代后的中心频率；
Figure FDA0002559500280000068
表示待分解信号的正半轴频谱；ω表示瞬时频率；
步骤3.4：计算第n次迭代后IMF的中心频率
Figure FDA0002559500280000069
Figure FDA00025595002800000610
步骤3.5：计算第n次迭代后的拉格朗日乘子
Figure FDA00025595002800000611
Figure FDA00025595002800000612
其中，ξ表示噪声容忍度；
步骤3.6：若k＜K，则令k＝k+1，并返回步骤3.3；否则，执行步骤3.7；
步骤3.7：若n＜N且
Figure FDA00025595002800000613
则输出最终的K个IMF分量；否则，返回步骤3.2；其中||·||2表示2-范数；ε表示收敛因子。
CN202010606879.XA 2020-06-29 2020-06-29 一种基于自适应细菌觅食的单通道盲源分离方法 Active CN111865452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010606879.XA CN111865452B (zh) 2020-06-29 2020-06-29 一种基于自适应细菌觅食的单通道盲源分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606879.XA CN111865452B (zh) 2020-06-29 2020-06-29 一种基于自适应细菌觅食的单通道盲源分离方法

Publications (2)

Publication Number Publication Date
CN111865452A true CN111865452A (zh) 2020-10-30
CN111865452B CN111865452B (zh) 2022-04-05

Family

ID=72989374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606879.XA Active CN111865452B (zh) 2020-06-29 2020-06-29 一种基于自适应细菌觅食的单通道盲源分离方法

Country Status (1)

Country Link
CN (1) CN111865452B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346989A (zh) * 2013-05-06 2013-10-09 中国人民解放军重庆通信学院 基于多路跳频的单通道盲源分离抗干扰通信系统及方法
US8958750B1 (en) * 2013-09-12 2015-02-17 King Fahd University Of Petroleum And Minerals Peak detection method using blind source separation
CN107172627A (zh) * 2017-05-31 2017-09-15 王振东 基于混沌优化细菌觅食算法的传感器节点部署策略
CN109946656A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于改进侦察模型的mimo雷达盲源分离技术研究
CN111079615A (zh) * 2019-12-10 2020-04-28 哈尔滨工程大学 一种基于莱维飞行细菌觅食进化的盲源分离方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346989A (zh) * 2013-05-06 2013-10-09 中国人民解放军重庆通信学院 基于多路跳频的单通道盲源分离抗干扰通信系统及方法
US8958750B1 (en) * 2013-09-12 2015-02-17 King Fahd University Of Petroleum And Minerals Peak detection method using blind source separation
CN107172627A (zh) * 2017-05-31 2017-09-15 王振东 基于混沌优化细菌觅食算法的传感器节点部署策略
CN109946656A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于改进侦察模型的mimo雷达盲源分离技术研究
CN111079615A (zh) * 2019-12-10 2020-04-28 哈尔滨工程大学 一种基于莱维飞行细菌觅食进化的盲源分离方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PRIYANKA DEY等: "Single channel blind source separation based on variational mode decomposition and PCA", 《IEEE》 *
李丹等: "基于细菌觅食的盲源分离算法研究", 《通信技术》 *
石和平等: "基于时频分布的非平稳信号盲分离算法", 《计算机应用》 *
胡君朋等: "基于EMD的单通道信源数估计方法", 《计算机测量与控制》 *
许佳奇等: "盖尔圆定理和最小描述长度准则相结合的信源数目估计方法研究", 《信号处理》 *

Also Published As

Publication number Publication date
CN111865452B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN109782231B (zh) 一种基于多任务学习的端到端声源定位方法及系统
Venkitaraman et al. Gaussian processes over graphs
CN111401565A (zh) 一种基于机器学习算法XGBoost的DOA估计方法
CN111046896B (zh) 一种跳频信号电台分选方法
Ferrari-Trecate et al. A new learning method for piecewise linear regression
US5469530A (en) Unsupervised training method for a neural net and a neural net classifier device
CN114189899B (zh) 一种基于随机聚合波束成形的用户设备选择方法
CN111865452B (zh) 一种基于自适应细菌觅食的单通道盲源分离方法
Ying et al. Underdetermined DOA estimation via multiple time-delay covariance matrices and deep residual network
Alshabrawy et al. Underdetermined blind source separation based on fuzzy c-means and semi-nonnegative matrix factorization
CN111523644A (zh) 一种基于lsfl组合模型的中长期径流预测方法
Stadlthanner et al. Hybridizing sparse component analysis with genetic algorithms for microarray analysis
Nakadai et al. Partially-shared convolutional neural network for classification of multi-channel recorded audio signals
Sawata et al. The extraction of individual music preference based on deep time-series CCA
Djioua et al. Deterministic and evolutionary extraction of delta-lognormal parameters: performance comparison
CN114282655B (zh) 基于深度学习的无网格波达方向估计方法
Akhavan et al. Learning overcomplete dictionaries from markovian data
Topolski et al. Modification of the Principal Component Analysis Method Based on Feature Rotation by Class Centroids.
CN115932732B (zh) 一种基于改进NMF和FastICA的联合水声多目标盲分离方法
CN117054968B (zh) 基于线性阵列麦克风的声源定位系统及其方法
Yang et al. Knowledge Distillation Based Lightweight Deep Neural Network for Automatic Modulation Classification
Elibol et al. Semi-supervised and population based training for voice commands recognition
He et al. DOA Estimation via Meta-Learning under Array Sensor Failures
Shi et al. Automatic High-Performance Neural Network Construction for Channel Estimation in IRS-Aided Communications
CN115908958A (zh) 一种基于遗传算法的fMRI约束独立成分分析学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant