CN113095464B - 强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 - Google Patents
强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 Download PDFInfo
- Publication number
- CN113095464B CN113095464B CN202110357190.2A CN202110357190A CN113095464B CN 113095464 B CN113095464 B CN 113095464B CN 202110357190 A CN202110357190 A CN 202110357190A CN 113095464 B CN113095464 B CN 113095464B
- Authority
- CN
- China
- Prior art keywords
- quantum
- mucor
- signal
- matrix
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Complex Calculations (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法,基于分离信号的最大化峰度这一独立性判据设计目标函数,该方法先利用Givens旋转变换降低计算量,再在给出的搜索范围内对目标函数寻优,利用所设计的量子黏霉菌搜索机理在该范围之内搜索目标函数的最优解及其对应的分离矩阵,从而实现盲源分离。所设计的方法可以实现在强冲击噪声环境下且低信噪比情况下混叠信号的盲源分离,具有收敛速度快、分离精度高、性能稳定等优势,拥有着广泛的应用前景。
Description
技术领域
本发明涉及一种强冲击噪声环境下基于量子黏霉菌搜索机理的盲源分离方法,属于盲源分离领域。
背景技术
盲源分离研究的是在源信号和传输信道等先验知识均未知的情况下,仅从观测到的传感器混合信号中提取或恢复源信号各分量的一种信号处理方式。传统盲源分离方法的研究往往基于无噪声干扰的情况下,但当噪声的影响不可忽略时,传统盲源分离方法的性能往往会恶化甚至失效,并且很多噪声环境下的盲源分离方法的研究是在高斯噪声环境下或者均匀噪声环境下进行的,但是在实际应用中,例如传输的数字调制通信信号、雷达回波信号以及诱发电位的脑神经信号等信号,在其获取过程中不可避免的会混入强干扰的冲击噪声,会覆盖源信号甚至对盲信号分离造成影响。
经对现有文献的检索发现,张安清等在《通信学报》(2006,Vol.27,No.3,pp.37-41)发表的“分数低阶矩的信号盲分离方法”中,推导出一种基于分数低阶矩的信号盲分离算法,实现了冲击噪声环境下的盲信号分离,但是只能在弱冲击噪声环境下且高信噪比的情况下有效。龙俊波等在《生物医学工程学杂志》(2015,Vol.32,No.2,pp.269-274)发表的“基于分数低阶空间时频矩阵的脑电诱发电位盲提取”中,提出了一种新的可在冲击噪声环境下工作的分数低阶空间时频欠定盲分离方法,实现了对被EEG噪声干扰的EP信号的盲提取,但是所解决的问题是一个超定问题,且仅在弱冲击噪声环境下且高信噪比的情况下有效。Chuanchuan Wang等在《Physical Communication》(2020,Vol.43)发表的“Automaticdigital modulation recognition in the presence of alpha-stable noise”中,提出了一种基于分数低阶矩的FAST-ICA算法,可以在冲击噪声环境下实现对调制信号的盲提取并进一步进行调制信号的识别,但是此方法仅适用于弱冲击噪声环境下,同时FAST-ICA算法受初始参数设置影响较大且需要选取非线性函数,算法适用范围有限,鲁棒性不强。
已有的文献表明,目前对于冲击噪声环境下的盲源分离的研究取得很大的进展,但是在强冲击噪声环境下且低信噪比情况下的盲源分离精度有待提高,性能有待改善。另外,很少有研究将滤波系统引入冲击噪声环境下的盲源分离方法中,这是由于很多滤波方法为了更好的抑制强冲击噪声,往往需要噪声或者源信号的信息作为先验知识,如Myriad滤波方法需要设定理想信号,高斯拖尾非线性函数需要知道冲击噪声的分散系数标准差,双参数可变拖尾函数需要结合噪声和源信号情况设定合理的门限值等等,而这与盲源分离是相矛盾的,所以设计一个既可以更有效的抑制强干扰的冲击噪声,又不需要源信号或者噪声信息作为先验知识的滤波系统是一个有待解决的难题。同时,传统优化搜索策略受步长和初始值影响大且需选取非线性函数,适用范围受限分离精度低,虽然群智能搜索策略一定程度上弥补了传统优化搜索策略的不足,但群智能搜索策略在收敛速度、收敛精度和性能稳定等方面还有待改善,且含有较多参数,参数调节不当易降低盲源分离性能。
发明内容
本发明的目的是为了克服传统盲源分离方法所面临的当未知源信号受到强冲击且低信噪比噪声干扰时方法性能恶化甚至失效的工程难题,进而提供一种有效性和鲁棒性更高的基于量子黏霉菌搜索机理的盲源分离方法。本发明设计了一种基于移动平均滤波、双参数可变拖尾变换函数以及中值滤波的滤波系统,此滤波系统依靠移动平均滤波来确定双参数可变拖尾变换函数的线性区域门限值进而可以对强冲击噪声进行抑制,依靠中值滤波提升噪声抑制能力,从而不需要任何信号或者噪声的信息作为先验知识,并且可以很好的实现对观测信号中冲击噪声的抑制,以此实现高精度的盲源分离。进而设计了一种基于量子黏霉菌搜索机理的盲源分离方法,基于分离信号的最大化峰度这一独立性判据设计目标函数,该方法先利用Givens旋转变换降低计算量,再在给出的搜索范围内对目标函数寻优,利用所设计的量子黏霉菌搜索机理在该范围之内搜索目标函数的最优解及其对应的分离矩阵,从而实现盲源分离。所设计的方法可以实现在强冲击噪声环境下且低信噪比情况下混叠信号的盲源分离,具有收敛速度快、分离精度高、性能稳定等优势,拥有着广泛的应用前景。
本发明的目的是这样实现的:步骤如下:
步骤一:接收到待滤波的观测信号,并构建滤波系统对观测信号进行滤波;
步骤二:对滤波后的观测信号x(t)进行预处理,预处理包括中心化和白化两步,同时构建盲源分离的目标函数;
步骤三:构造和计算量子黏霉菌的适应度,确定全局最优量子位置和最差量子位置;
步骤四:更新量子黏霉菌种群中的每个量子黏霉菌的量子位置;
步骤五:将更新后的量子黏霉菌的量子位置映射成为量子黏霉菌的位置,根据适应度函数计算新的量子黏霉菌位置的适应度值,进而更新全局最优量子位置和最差量子位置;
本发明还包括这样一些结构特征:
1.步骤一具体为:D个观测信号即即其中A为D×D阶未知系统混合矩阵t=1,2,...,N,t为采样点数的标号,N为采样点数,s(t)=[s1(t),s2(t),...,sD(t)]T为D个相互独立的源信号,n(t)=[n1(t),n2(t),...,nD(t)]T为加在源信号上的冲击噪声;选用邻域窗口长度为h1的移动平均滤波器对进行滤波,滤波后的信号为将双参数可变拖尾变换函数的线性区域门限值设置为以指数函数作为拖尾的双参数可变拖尾非线性变换函数为通过调整c的值,非线性变换函数可实现对冲击噪声不同程度的抑制,X(t)=[X1(t),X2(t),...,XD(t)]T是经过变换后得到的信号,选用邻域窗口长度为h2的中值滤波器对X(t)进行滤波,滤波后的信号为x(t)=[x1(t),x2(t),...,xD(t)]T。
2.对观测信号进行中心化处理,此过程表示为即i=1,2,...,D;t=1,2,...,N,t为采样点数的标号,N为采样点数;E为数学期望,即得到零均值的观测信号对零均值观测信号白化,具体方法是对x(t)进行线性变换得到白化信号变换后得到的输出信号z(t)满足E(z(t)z(t)T)=I,式中V称为白化矩阵,I为单位矩阵;求经过中心化的观测信号的协方差矩阵t=1,2,...,N,然后对其特征值分解,即R=QUQT,正交矩阵Q由R的特征向量组成,对角矩阵U由与特征向量对应的特征值组成,为白化矩阵,得到则得到y(t)=Wz(t),W为D×D阶正交分离矩阵,y(t)=[y1(t),y2(t),...,yD(t)]T既是分离信号,也是源信号s(t)=[s1(t),s2(t),...,sD(t)]T的估计信号,对y(t)=Wz(t)同样进行预处理之后,得到信号为经过预处理后的分离信号对应的分离矩阵,为经过预处理后的分离信号对应的白化信号,计算其峰度绝对值且 为以预处理后的分离信号为自变量的峰度绝对值计算公式,为以预处理后的分离信号所对应的分离矩阵为自变量的峰度绝对值计算公式。
3.步骤三具体为:量子黏霉菌种群个体数为S,整个种群的最大迭代次数为Gmax,ε代表迭代次数,随机初始化第k个量子黏霉菌的量子位置为k=1,2,...,S,量子黏霉菌的量子位置再映射为量子黏霉菌的位置即映射规则为为量子黏霉菌位置第r维变量上限,为量子黏霉菌位置第r维变量下限,r=1,2,...,d;
分离矩阵W为一正交阵,利用Givens旋转变换表示成一系列旋转矩阵的乘积,即:
为旋转矩阵,I(ψ-1),(ψ-1)代表(ψ-1)×(ψ-1)维单位矩阵,I(l-ψ-1),(l-ψ-1)代表(l-ψ-1)×(l-ψ-1)维单位矩阵,I(D-l),(D-l)代表(D-l)×(D-l)维单位矩阵,1≤ψ<l≤D,D为分离矩阵最大维度,ψ,l表示含有旋转角度的元素在旋转矩阵中的行列数,τ代表的等号右端从左到右排列的旋转矩阵序号,即θτ是等号右端从左到右排列的第τ个旋转矩阵的旋转角度,τ=1,2,...,d;将旋转矩阵的旋转角度θ=[θ1,θ2,...,θd]作为量子黏霉菌位置信息,即由以及得到第k个量子黏霉菌的位置所对应的分离矩阵对由得到的分离信号进行预处理即可得到第k个量子黏霉菌位置的适应度值根据适应度函数进行计算;根据适应度函数对每个量子黏霉菌的位置进行适应度值计算并按照适应度值大小进行排序,找到至当前代为止量子黏霉菌种群中适应度值最大的量子位置和适应度最小的量子位置,确定其全局最优量子位置和最差量子位置
4.步骤四具体为:第k个量子黏霉菌的量子位置将以发现概率和p(k)随机地被选中并进行更新,且为此将产生[0,1]间服从均匀分布的随机数和若第k个量子黏霉菌的第r维量子位置更新为也为[0,1]间服从均匀分布的随机数;若则使用模拟的量子旋转门对第k个量子黏霉菌的的第r维量子位置进行更新,若且则第k个量子黏霉菌的第r维量子旋转角更新为v1为振荡权重系数,v1∈[-a,a],η和j为从种群中随机选取的两个个体标号,为第k个量子黏霉菌个体的质量,且
为量子黏霉菌个体标号按照适应度值大小从大到小排序后得到的标号序列矢量中的第q个元素,为[0,1]间服从均匀分布的随机数,则第k个量子黏霉菌的第r维量子位置更新为若则第k个量子黏霉菌的第r维量子旋转角更新为和均为服从标准正态分布的随机数,且v2为惯性权重系数,和分别为v2的最大值和最小值,则第k个量子黏霉菌的第r维量子位置更新为r=1,2,...,d。
5.步骤五具体为:将更新后的第k个量子黏霉菌的第r维量子位置映射为第k个量子黏霉菌的第r维位置即根据适应度函数计算第k个量子黏霉菌新生成位置的适应度值,再用贪婪选择策略对量子黏霉菌的量子位置进行选择,即若则将贪婪选择后的量子黏霉菌按照适应度值大小排序,找到适应度值最大的量子黏霉菌并记录其量子位置,即为至今为止的全局最优量子位置,更新为全局最优量子位置映射为全局最优位置为找到适应度值最小的量子黏霉菌并记录其量子位置,即为至今为止的最差量子位置,更新为最差量子位置映射为最差位置为
与现有技术相比,本发明的有益效果是:传统的冲击噪声环境下的盲源分离方法往往仅适用于弱冲击噪声环境,在强冲击噪声环境下且低信噪比情况下方法性能恶化甚至失效,而本发明所设计的方法不仅适用于高斯噪声及弱冲击噪声环境,也适用于强冲击且低信噪比噪声环境,可以在实现盲源分离的同时,恢复被噪声干扰的源信号,方法适用范围更广。传统的冲击噪声环境下的盲源分离方法很少引入滤波方法,这是由于目前对冲击噪声有良好抑制效果的滤波方法往往需要源信号或者噪声的信息作为先验知识,而本发明基于移动平均滤波、双参数可变拖尾变换函数以及中值滤波设计的滤波系统不需要任何先验知识即可实现良好的噪声抑制效果,进而消除噪声干扰对盲源分离的影响,简化了计算过程,减小了计算量。本发明设计了新颖的量子黏霉菌搜索机理作为演进策略,使用了单链量子编码和模拟量子旋转门,设计了新的量子位置更新方程,进而能对目标函数方程进行快速的高精度求解,所设计的方法具有收敛速度快、收敛精度高的优点。
附图说明
图1:强冲击噪声环境下基于量子黏霉菌搜索机理的盲源分离方法流程图。
图2:引入滤波系统后的盲源分离简化数学模型。
图3:未受噪声干扰的源信号波形图。
图4:未受噪声干扰的源信号频谱图。
图5:受到强冲击噪声干扰的源信号波形图
图6:混合信号波形图。
图7:经过滤波系统滤波后的混合信号波形图
图8:分离信号波形图。
图9:分离信号的频谱图
图10:平均最优目标函数值随迭代次数变化的曲线图。
图11:平均串音误差随混合信噪比变化的曲线图。
图12:源信号估计成功概率随混合信噪比变化的曲线图。
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。
所发明盲源分离方法总体流程如图1所示,盲源分离简化数学模型如图2所示,本发明技术方案包括如下步骤:
步骤一:接收到待滤波的观测信号,并构建滤波系统对观测信号进行滤波。s(t)=[s1(t),s2(t),...,sD(t)]T为D个相互独立的源信号,n(t)=[n1(t),n2(t),...,nD(t)]T为加在源信号上的冲击噪声,则得到D个观测信号即即其中A为D×D阶未知系统混合矩阵t=1,2,...,N,t为采样点数的标号,N为采样点数。由于是完全被冲击噪声覆盖的观测信号,因此仅仅根据难以设定双参数可变拖尾函数的线性区域门限值,随机确定一个固定的门限值易导致噪声抑制能力下降或者滤波后信号波形失真,因此先选用邻域窗口长度为h1的移动平均滤波器对进行滤波,滤波后的信号为将双参数可变拖尾变换函数的线性区域门限值设置为以指数函数作为拖尾的双参数可变拖尾非线性变换函数为通过调整c的值,非线性变换函数可以实现对冲击噪声不同程度的抑制,X(t)=[X1(t),X2(t),...,XD(t)]T是经过变换后得到的信号,为了提升滤波系统噪声抑制的能力,继续选用邻域窗口长度为h2的中值滤波器对X(t)进行滤波,滤波后的信号为x(t)=[x1(t),x2(t),...,xD(t)]T。
步骤二:对滤波后的观测信号x(t)进行预处理,预处理包括中心化和白化两步,同时构建盲源分离的目标函数。
对观测信号进行中心化处理,此过程可表示为即i=1,2,...,D;t=1,2,...,N,t为采样点数的标号,N为采样点数;E为数学期望,即得到零均值的观测信号对零均值观测信号白化,具体方法是对进行线性变换得到白化信号这样变换后得到的输出信号z(t)满足E(z(t)z(t)T)=I,式中V称为白化矩阵,I为单位矩阵。求经过中心化的观测信号的协方差矩阵t=1,2,...,N,然后对其特征值分解,即R=QUQT,正交矩阵Q由R的特征向量组成,对角矩阵U由与特征向量对应的特征值组成,为白化矩阵,可以得到则得到y(t)=Wz(t),W为D×D阶正交分离矩阵,y(t)=[y1(t),y2(t),...,yD(t)]T既是分离信号,也是源信号s(t)=[s1(t),s2(t),...,sD(t)]T的估计信号,由于源信号和传输信道特性都是未知的,y(t)在幅度和排列次序上具有随机性,这被称为盲源分离的模糊性。对y(t)=Wz(t)同样进行预处理之后,得到信号为经过预处理后的分离信号对应的分离矩阵,为经过预处理后的分离信号对应的白化信号,计算其峰度绝对值且 为以预处理后的分离信号为自变量的峰度绝对值计算公式,为以预处理后的分离信号所对应的分离矩阵为自变量的峰度绝对值计算公式。
步骤三:构造和计算量子黏霉菌的适应度,确定全局最优量子位置和最差量子位置。
量子黏霉菌种群个体数为S,整个种群的最大迭代次数为Gmax,ε代表迭代次数,随机初始化第k个量子黏霉菌的量子位置为k=1,2,...,S,量子黏霉菌的量子位置再映射为量子黏霉菌的位置即映射规则为为量子黏霉菌位置第r维变量上限,为量子黏霉菌位置第r维变量下限,r=1,2,...,d。
分离矩阵W为一正交阵,可以利用Givens旋转变换表示成一系列旋转矩阵的乘积,即这样可以减少计算量,即为旋转矩阵,I(ψ-1),(ψ-1)代表(ψ-1)×(ψ-1)维单位矩阵,I(l-ψ-1),(l-ψ-1)代表(l-ψ-1)×(l-ψ-1)维单位矩阵,I(D-l),(D-l)代表(D-l)×(D-l)维单位矩阵,1≤ψ<l≤D,D为分离矩阵最大维度,ψ,l表示含有旋转角度的元素在旋转矩阵中的行列数,τ代表的等号右端从左到右排列的旋转矩阵序号,即θτ是等号右端从左到右排列的第τ个旋转矩阵的旋转角度,τ=1,2,...,d。将旋转矩阵的旋转角度θ=[θ1,θ2,...,θd]作为量子黏霉菌位置信息,即由以及就可以得到第k个量子黏霉菌的位置所对应的分离矩阵对由得到的分离信号进行预处理即可得到基于上述过程以及目标函数,第k个量子黏霉菌位置的适应度值可根据适应度函数进行计算。
步骤四:更新量子黏霉菌种群中的每个量子黏霉菌的量子位置。
第k个量子黏霉菌的量子位置将以发现概率和p(k)随机地被选中并进行更新,且为此将产生[0,1]间服从均匀分布的随机数和若第k个量子黏霉菌的第r维量子位置更新为也为[0,1]间服从均匀分布的随机数;若则使用模拟的量子旋转门对第k个量子黏霉菌的的第r维量子位置进行更新,若且则第k个量子黏霉菌的第r维量子旋转角更新为v1为振荡权重系数,v1∈[-a,a],η和j为从种群中随机选取的两个个体标号,为第k个量子黏霉菌个体的质量,且 为量子黏霉菌个体标号按照适应度值大小从大到小排序后得到的标号序列矢量中的第q个元素,为[0,1]间服从均匀分布的随机数,则第k个量子黏霉菌的第r维量子位置更新为若则第k个量子黏霉菌的第r维量子旋转角更新为和均为服从标准正态分布的随机数,且v2为惯性权重系数,和分别为v2的最大值和最小值,则第k个量子黏霉菌的第r维量子位置更新为r=1,2,...,d。
步骤五:将更新后的量子黏霉菌的量子位置映射成为量子黏霉菌的位置,根据适应度函数计算新的量子黏霉菌位置的适应度值,进而更新全局最优量子位置和最差量子位置。
将更新后的第k个量子黏霉菌的第r维量子位置映射为第k个量子黏霉菌的第r维位置即根据适应度函数计算第k个量子黏霉菌新生成位置的适应度值,再用贪婪选择策略对量子黏霉菌的量子位置进行选择,即若则将贪婪选择后的量子黏霉菌按照适应度值大小排序,找到适应度值最大的量子黏霉菌并记录其量子位置,即为至今为止的全局最优量子位置,更新为全局最优量子位置映射为全局最优位置为找到适应度值最小的量子黏霉菌并记录其量子位置,即为至今为止的最差量子位置,更新为最差量子位置映射为最差位置为
本发明的滤波系统参数设置如下:c=0.8;移动平均滤波器的邻域窗口长度设置为h1=50;中值滤波器的邻域窗口长度设置为h2=10。
为便于叙述,将基于量子黏霉菌搜索算法的盲源分离方法简记为QSMA-BSS,将基于粒子群算法的盲源分离方法简记为PSO-BSS,基于分数低阶距的FAST-ICA算法简记为FLO-FAST-ICA。
QSMA-BSS的参数设置如下:量子黏霉菌种群规模S=30;Gmax=40,d=3,θ=[θ1,θ2,θ3]分别代表三个不同的旋转矩阵的旋转角度,θ1,θ2,θ3∈[0,2π);旋转角度搜索区间在0度和360度之间,所以发现概率
PSO-BSS相关参数见刘俊豪在《太原理工大学》(硕士学位论文)发表的“基于粒子群算法和鱼群算法的盲源分离的研究”,种群规模和迭代次数等其他参数均与QSMA-BSS中的相同。
FLO-FAST-ICA相关参数见Chuanchuan Wang等在《Physical Communication》(2020,Vol.43)发表的“Automatic digital modulation recognition in the presenceof alpha-stable noise”。
图3为二进制信号、低频正弦信号以及幅度调制信号的波形图,采样点数N=4000。本发明将上述三路信号作为盲源分离实验的源信号即D=3,源信号表达式为:s1(t)=sgn(cos(2π155t))、s2(t)=sin(2π90t)以及s3(t)=sin(2π9t)sin(2π300t)。
图5为将特征指数为0.9,混合信噪比为10dB的强冲击噪声加在低频正弦信号上后得到的受到强冲击噪声干扰的未知源信号波形图。由于冲击噪声服从的SαS分布没有二阶矩,所以定义冲击噪声的混合信噪比为代表第个高斯信号代表的功率,γ代表冲击噪声的离差。
通过图7可以看出噪声被抑制。
通过图8和图9可以看出得到的分离信号与源信号基本一致。
串音误差PI计算公式为 为系统矩阵,且表示取绝对值后的系统矩阵的第i行第i列元素,表示取绝对值后的系统矩阵第i行里处于第l列的行最大元素,表示取绝对值后的系统矩阵的第i行第i列元素,表示取绝对值后的系统矩阵第i列里处于第行的列最大元素,串音误差PI越小,说明盲源分离性能越好。
图10是QSMA-BSS和PSO-BSS的平均最优目标函数值随迭代次数变化情况的对比曲线,迭代次数均设置为500,实验次数设置为100次,冲击噪声的特征指数为0.9,混合信噪比为10dB,可以看出QSMA-BSS可以有更快的收敛速度,并且可以收敛到更大的目标函数值。
图11是QSMA-BSS和PSO-BSS的平均串音误差随混合信噪比变化情况的对比曲线,平均串音误差越小,则分离效果越好,迭代次数均设置为40,同一混合信噪比下实验次数设置为100次,冲击噪声的特征指数为0.9,可以看出QSMA-BSS可以实现更好的分离效果。
图12是QSMA-BSS和FLO-FAST-ICA的源信号估计成功概率随混合信噪比变化的对比曲线,得到的分离信号其实就是源信号的估计信号,同一混合信噪比下实验次数设置为100次,冲击噪声的特征指数为0.9,且设定当串音误差小于0.3时,源信号估计成功,可以看出QSMA-BSS方法更有效,鲁棒性更强,而FLO-FAST-ICA方法性能恶化甚至失效。
Claims (4)
1.强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法,其特征在于:步骤如下:
步骤一:接收到待滤波的观测信号,并构建滤波系统对观测信号进行滤波;
D个观测信号即即其中A为D×D阶未知系统混合矩阵t=1,2,...,N,t为采样点数的标号,N为采样点数,s(t)=[s1(t),s2(t),...,sD(t)]T为D个相互独立的源信号,n(t)=[n1(t),n2(t),...,nD(t)]T为加在源信号上的冲击噪声;选用邻域窗口长度为h1的移动平均滤波器对进行滤波,滤波后的信号为将双参数可变拖尾变换函数的线性区域门限值设置为以指数函数作为拖尾的双参数可变拖尾非线性变换函数为通过调整c的值,非线性变换函数可实现对冲击噪声不同程度的抑制,X(t)=[X1(t),X2(t),...,XD(t)]T是经过变换后得到的信号,选用邻域窗口长度为h2的中值滤波器对X(t)进行滤波,滤波后的信号为x(t)=[x1(t),x2(t),...,xD(t)]T;
步骤二:对滤波后的观测信号x(t)进行预处理,预处理包括中心化和白化两步,同时构建盲源分离的目标函数;
对观测信号进行中心化处理,此过程表示为即t为采样点数的标号,N为采样点数;E为数学期望,即得到零均值的观测信号对零均值观测信号白化,具体方法是对进行线性变换得到白化信号变换后得到的输出信号z(t)满足E(z(t)z(t)T)=I,式中V称为白化矩阵,I为单位矩阵;求经过中心化的观测信号的协方差矩阵然后对其特征值分解,即R=QUQT,正交矩阵Q由R的特征向量组成,对角矩阵U由与特征向量对应的特征值组成,为白化矩阵,得到则得到y(t)=Wz(t),W为D×D阶正交分离矩阵,y(t)=[y1(t),y2(t),...,yD(t)]T既是分离信号,也是源信号s(t)=[s1(t),s2(t),...,sD(t)]T的估计信号,对y(t)=Wz(t)同样进行预处理之后,得到信号 为经过预处理后的分离信号对应的分离矩阵,为经过预处理后的分离信号对应的白化信号,计算其峰度绝对值且 为以预处理后的分离信号为自变量的峰度绝对值计算公式,为以预处理后的分离信号所对应的分离矩阵为自变量的峰度绝对值计算公式;
步骤三:构造和计算量子黏霉菌的适应度,确定全局最优量子位置和最差量子位置;
步骤四:更新量子黏霉菌种群中的每个量子黏霉菌的量子位置;
步骤五:将更新后的量子黏霉菌的量子位置映射成为量子黏霉菌的位置,根据适应度函数计算新的量子黏霉菌位置的适应度值,进而更新全局最优量子位置和最差量子位置;
2.根据权利要求1所述的强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法,其特征在于:步骤三具体为:量子黏霉菌种群个体数为S,整个种群的最大迭代次数为Gmax,ε代表迭代次数,随机初始化第k个量子黏霉菌的量子位置为 量子黏霉菌的量子位置再映射为量子黏霉菌的位置即映射规则为 为量子黏霉菌位置第r维变量上限,为量子黏霉菌位置第r维变量下限,r=1,2,...,d;
分离矩阵W为一正交阵,利用Givens旋转变换表示成一系列旋转矩阵的乘积,即:
为旋转矩阵,I(ψ-1),(ψ-1)代表(ψ-1)×(ψ-1)维单位矩阵,I(l-ψ-1),(l-ψ-1)代表(l-ψ-1)×(l-ψ-1)维单位矩阵,I(D-l),(D-l)代表(D-l)×(D-l)维单位矩阵,1≤ψ<l≤D,D为分离矩阵最大维度,ψ,l表示含有旋转角度的元素在旋转矩阵中的行列数,τ代表的等号右端从左到右排列的旋转矩阵序号,即θτ是等号右端从左到右排列的第τ个旋转矩阵的旋转角度,τ=1,2,...,d;将旋转矩阵的旋转角度θ=[θ1,θ2,...,θd]作为量子黏霉菌位置信息,即由以及得到第k个量子黏霉菌的位置所对应的分离矩阵对由得到的分离信号进行预处理即可得到第k个量子黏霉菌位置的适应度值根据适应度函数进行计算;根据适应度函数对每个量子黏霉菌的位置进行适应度值计算并按照适应度值大小进行排序,找到至当前代为止量子黏霉菌种群中适应度值最大的量子位置和适应度最小的量子位置,确定其全局最优量子位置和最差量子位置
3.根据权利要求2所述的强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法,其特征在于:步骤四具体为:第k个量子黏霉菌的量子位置将以发现概率和p(k)随机地被选中并进行更新,且为此将产生[0,1]间服从均匀分布的随机数和若第k个量子黏霉菌的第r维量子位置更新为 也为[0,1]间服从均匀分布的随机数;若则使用模拟的量子旋转门对第k个量子黏霉菌的的第r维量子位置进行更新,若且则第k个量子黏霉菌的第r维量子旋转角更新为v1为振荡权重系数,v1∈[-a,a],η和j为从种群中随机选取的两个个体标号,为第k个量子黏霉菌个体的质量,且 为量子黏霉菌个体标号按照适应度值大小从大到小排序后得到的标号序列矢量中的第q个元素,为[0,1]间服从均匀分布的随机数,则第k个量子黏霉菌的第r维量子位置更新为若且则第k个量子黏霉菌的第r维量子旋转角更新为 和均为服从标准正态分布的随机数,且v2为惯性权重系数, 和分别为v2的最大值和最小值,则第k个量子黏霉菌的第r维量子位置更新为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357190.2A CN113095464B (zh) | 2021-04-01 | 2021-04-01 | 强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357190.2A CN113095464B (zh) | 2021-04-01 | 2021-04-01 | 强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095464A CN113095464A (zh) | 2021-07-09 |
CN113095464B true CN113095464B (zh) | 2022-08-02 |
Family
ID=76672918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110357190.2A Active CN113095464B (zh) | 2021-04-01 | 2021-04-01 | 强冲击噪声下基于量子黏霉菌搜索机理的盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095464B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959508A (zh) * | 2021-10-14 | 2022-01-21 | 安徽大学 | 基于目标函数最优估计的涡街传感器输出瞬态冲击干扰的识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5706402A (en) * | 1994-11-29 | 1998-01-06 | The Salk Institute For Biological Studies | Blind signal processing system employing information maximization to recover unknown signals through unsupervised minimization of output redundancy |
WO2002039682A2 (en) * | 2000-11-09 | 2002-05-16 | The University Of Sheffield | Signal processing method and system for blind source signal separation |
EP2430975A1 (en) * | 2010-09-17 | 2012-03-21 | Stichting IMEC Nederland | Principal component analysis or independent component analysis applied to ambulatory electrocardiogram signals |
CN103901394A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下的量子万有引力搜索动态doa估计方法 |
WO2016036806A1 (en) * | 2014-09-02 | 2016-03-10 | Vega Rolando E | Method and system for hours-ahead and day-ahead forecasting of solar energy |
CN106126479A (zh) * | 2016-07-07 | 2016-11-16 | 重庆邮电大学 | 基于遗传变异优化的二阶振荡粒子群盲源分离方法 |
CN109669156A (zh) * | 2019-02-21 | 2019-04-23 | 哈尔滨工程大学 | 冲击噪声下基于量子帝王蝶的圆阵模式空间动态测向方法 |
CN110940949A (zh) * | 2019-12-11 | 2020-03-31 | 哈尔滨工程大学 | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 |
CN112036453A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 一种基于量子犀牛搜索机理的盲源分离方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2012254B1 (en) * | 2007-07-06 | 2010-09-08 | PerkinElmer Cellular Technologies Germany GmbH | Method for quantifying an underlying property of a multitude of samples |
SG11201602428XA (en) * | 2013-10-11 | 2016-04-28 | Seno Medical Instr Inc | Systems and methods for component separation in medical imaging |
-
2021
- 2021-04-01 CN CN202110357190.2A patent/CN113095464B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5706402A (en) * | 1994-11-29 | 1998-01-06 | The Salk Institute For Biological Studies | Blind signal processing system employing information maximization to recover unknown signals through unsupervised minimization of output redundancy |
WO2002039682A2 (en) * | 2000-11-09 | 2002-05-16 | The University Of Sheffield | Signal processing method and system for blind source signal separation |
EP2430975A1 (en) * | 2010-09-17 | 2012-03-21 | Stichting IMEC Nederland | Principal component analysis or independent component analysis applied to ambulatory electrocardiogram signals |
CN103901394A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下的量子万有引力搜索动态doa估计方法 |
WO2016036806A1 (en) * | 2014-09-02 | 2016-03-10 | Vega Rolando E | Method and system for hours-ahead and day-ahead forecasting of solar energy |
CN106126479A (zh) * | 2016-07-07 | 2016-11-16 | 重庆邮电大学 | 基于遗传变异优化的二阶振荡粒子群盲源分离方法 |
CN109669156A (zh) * | 2019-02-21 | 2019-04-23 | 哈尔滨工程大学 | 冲击噪声下基于量子帝王蝶的圆阵模式空间动态测向方法 |
CN110940949A (zh) * | 2019-12-11 | 2020-03-31 | 哈尔滨工程大学 | 强冲击噪声环境下基于量子企鹅搜索机制的互质阵列doa估计方法 |
CN112036453A (zh) * | 2020-08-14 | 2020-12-04 | 哈尔滨工程大学 | 一种基于量子犀牛搜索机理的盲源分离方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095464A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095464B (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 | |
CN104614718B (zh) | 基于粒子群算法的激光雷达波形数据分解的方法 | |
CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN108550116A (zh) | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 | |
CN109696906B (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
CN112765550B (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN113050048A (zh) | Lfm-pc复合调制信号的正交波形优化设计方法 | |
CN112036453B (zh) | 一种基于量子犀牛搜索机理的盲源分离方法 | |
Chen et al. | Robust DoA estimation using denoising autoencoder and deep neural networks | |
Liu et al. | Jamming recognition based on feature fusion and convolutional neural network | |
CN109104215B (zh) | 一种基于小波变换的跳频信号码元速率盲估计方法 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN115514389B (zh) | 一种同步直扩信号的源数估计方法 | |
Zhang et al. | Blind source separation based on quantum slime mould algorithm in impulse noise | |
CN107103286B (zh) | 基于改进最短路径法的欠定盲源分离源信号恢复方法 | |
CN105717490A (zh) | 基于时频分析的lfm信号分离及参数估计方法 | |
CN111398912B (zh) | 基于张量低秩逼近的合成孔径雷达干扰抑制方法 | |
CN112115842A (zh) | 一种基于改进提升小波变换和高次自相关处理的微弱电信号检测系统及其方法 | |
Zhang et al. | PnP-Based ground moving target imaging network for squint SAR and sparse sampling | |
CN115859050B (zh) | 基于松弛稀疏性与子空间学习的相关信号盲源分离方法 | |
CN115932732B (zh) | 一种基于改进NMF和FastICA的联合水声多目标盲分离方法 | |
Xie et al. | An Improved Complex-valued FastICA Algorithm for Jamming Signals Sorting in Beidou Navigation Satellite System | |
CN117335836A (zh) | 一种多跳频信号二维doa估计方法 | |
Yang et al. | Knowledge Distillation Based Lightweight Deep Neural Network for Automatic Modulation Classification | |
CN109084743B (zh) | 一种光电跟踪系统光纤陀螺输出目标信息和扰动信号分离方法 |
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 |