基于遗传变异优化的二阶振荡粒子群盲源分离方法技术

本发明专利技术请求保护一种基于遗传变异优化的二阶振荡粒子群盲源分离方法，属于盲信号处理技术领域。该方法克服了传统盲源分离算法非线性激活函数选取难题，可在源信号先验知识未知情况下有效分离混合信号。以分离信号负熵作为目标函数，利用固定惯性权重均衡局部和全局搜索能力；学习因子二阶振荡环节的加入可在粒子数目不变情况维持种群多样性；引入遗传变异机制，有利于处改善由二阶振荡的加入而造成收敛速度降低的情况。对模拟振动信号和混沌映射信号的分离说明该方法能应用到机械信号故障检测领域以及处理确定的类噪声信号等方面。本方法为智能算法盲源分离的改进型理论研究提供了补充，对工程应用中未知混合信号的分离具有重要意义。

Blind source separation of two order oscillating particle swarm optimization based on genetic variation

The invention relates to a blind source separation method of two order oscillating particle swarm optimization based on genetic variation optimization, which belongs to the technical field of blind signal processing. The method overcomes the problem of selecting the nonlinear activation function of the traditional blind source separation algorithm, and can effectively separate the mixed signal without the prior knowledge of the source signal. In order to separate the signal of negative entropy as the objective function, the use of fixed inertia weight balance local and global search ability; learning with factor two order oscillation link in a constant number of particles to maintain the diversity of population; genetic variation mechanism, is conducive to the improvement by two order oscillation caused by adding convergence speed and lower case. This method can be applied to the field of mechanical signal fault detection and processing of certain noise signals. This method provides a supplement for the improvement of the blind source separation of the intelligent algorithm, and it is of great significance for the separation of unknown mixed signals in engineering applications.

【技术实现步骤摘要】

本专利技术属于未知混合信号盲分离处理领域，具体是在基本粒子算法基础上加入二阶振荡环节的同时引入遗传变异进行优化，在源信号先验知识未知情况下对混合信号分离的问题。
技术介绍
盲源分离算法研究的是统计独立的非高斯信号，在源信号和传输信道先验知识均未知情况下对混合信号进行分离，在信号盲处理领域起了极大的推动作用。在平稳、非平稳及含噪环境下将混合信号分离出来是盲源分离理论在应用中的重要研究课题，传统盲源分离算法大多是在平稳环境下处理混合观测信号的分离问题。由于传输信道会受到外界非平稳环境的干扰，也就是混合矩阵是随机动态时变的情况，这样就要求盲源分离算法在保证稳态误差较小的同时能快速收敛。盲源分离假设源信号为统计独立的，文献“邓灵.基于改进EASI算法的多跳频信号盲源分离.科学技术与工程，2014”提出了变步长EASI算法；文献“陈琛.基于自然梯度算法的变步长盲源分离.太原：太原理工大学,2010”提出了变步长自然黎曼梯度算法；文献“叶飞.基于独立分量分析的PCMA信号盲分离算法.电视技术,2015”提出了FastICA算法。这些经典的盲源分离算法在实现时，会涉及到根据源信号概率密度性质及峭度值选取非线性函数进行分离运算的情况，这与源信号及信道性质未知相矛盾；同时这些算法在分离运算时很难跳出局部最优，且收敛速度缓慢，影响到了分离效果。所以近年来研究倾向于将智能算法应用到盲源分离中，文献“M.H.Afshar.Extension of the constrained particle swarm optimization algorithm to optimal operation of multi-reservoirs system.Electrical Power and Energy Systems,2013”提出了基本PSO(Particle Swarm Optimization)算法，虽然解决了非线性函数选取问题，但在收敛速度和性能稳定等方面还有待改善。为克服传统盲源分离的缺陷，并对基本智能算法进行有效改进，本专利技术提出基于遗传变异优化的二阶振荡粒子群盲源分离方法。
技术实现思路
本专利技术所要解决的技术问题，针对经典的盲源分离算法在实现时会涉及到根据源信号概率密度性质及峭度值选取非线性函数进行分离运算的问题,这与源信号及信道性质未知相矛盾。同时,这些算法在分离运算时很难跳出局部最优,且收敛速度缓慢,影响到了分离效果,所以近年来研究倾向于将智能算法应用到盲源分离中。本专利技术提出一种基于遗传变异优化的二阶振荡粒子群算法可有效解决传统算法的不足并提升了基本粒子群算法的性能，收敛速度快，分离效果好，能做到不依赖任何混合信号先验知识的前提下可准确分离信号。本专利技术解决上述技术问题的技术方案是：对接收到的混合信号预处理和白化处理，确保混合信号符合盲源分离要求的信号间统计独立条件。将处理后的混合信号通过本专利技术所提出的方法，该方法的惯性权重选取固定参数确保分离过程的平稳有序。为了增加粒子种群的多样性本专利技术加入了二阶振荡环节，这样可有效改善算法全局收敛性能，提高信号分离效果；二阶振荡可使粒子在下一次迭代中向着较优的位置移动，增强了粒子全局搜索能力；粒子搜索范围的扩大又使算法可成功跳出局部最优。引入遗传变异机制后使一部分不能到达全局最优位置的粒子有机会通过变异后避免陷入局部最优。经过二阶振荡和遗传变异改进，该方法可适应更多的混合信号类型，增加了盲源分离算法的普遍适用性。本专利技术运用遗传变异优化的二阶振荡粒子群方法处理了模拟振动信号以及混沌映射信号，不仅克服了传统盲源分离算法非线性激活函数选取难题，也有效提高了分离性能，在分组散点图中可分映出盲源分离模糊性，但有用信息通常隐含在分离信号波形中，所以在研究盲源分离问题时可忽略模糊性影响。附图说明图1本专利技术盲源分离算法简化数学模型；图2本专利技术基于遗传变异优化的二阶振荡粒子群方法流程图；图3本专利技术模拟振动信号时域和频域波形图；图4本专利技术混合振动信号时域和频域波形图；图5本专利技术分离振动信号域和频域波形图；图6本专利技术振动信号分组散点图；图7本专利技术混沌映射源信号波形图；图8本专利技术混合混沌映射信号波形图；图9本专利技术分离混沌映射信号波形图；图10本专利技术混沌映射信号分组散点图；具体实施方式以下结合附图和具体实例，对本专利技术的实施作进一步的描述。图1给出盲源分离算法的简化数学模型。可以看出，盲源分离算法的关键是求取一个通过相应的算法确定分离矩阵W的过程，即混合矩阵A的逆矩阵。简化模型中没有考虑噪声对算法的影响，加入噪声后可表示为：y(t)＝Wx(t)＝WAs(t)+Wn(t) (1)分离信号y(t)是源信号s(t)的估计。通常，加性噪声n(t)的影响会被忽略。这样y(t)＝WAs(t)。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。Wx(t)＝WAs(t)＝ΛPs(t)，Λ为对角线上元素非零的非奇异对角矩阵，反映y(t)在幅度上不确定性；P为置换矩阵，反映y(t)排序上不确定性。图2给出了基于遗传变异优化的二阶振荡粒子群方法流程图。与基本粒子群算法相比本专利技术增添了二阶振荡环节和遗传变异机制，在一定程度上增加了算法的复杂度，但相较于计算机硬件的进步，复杂度的增加可以忽略。粒子群算法(Particle Swarm Optimization,PSO)先是初始化粒子种群，由目标函数计算适应度值，使粒子向最优位置移动。根据粒子运动状态和适应度函数不断迭代更新粒子的速度和位置，最终找到全局最优位置。速度和位置更新公式如下：Vi,j(t+1)＝ωVi,j(t)+c1r1[pi,j-Xi,j(t)]+c2r2[pg,j-Xi,j(t)] (2)Xi,j(t+1)＝Xi,j(t)+V(t+1),j＝1,2,…,D (3)式中，ω为惯性权重；c1和c2为学习因子；r1和r2是分布于[0,1]区间的随机数；D为粒子搜索空间维度；Xi＝(Xi,1,Xi,2,…,Xi,D)为第i个粒子位置；Vi＝(Vi,1,Vi,2,…,Vi,D)为第i个粒子速度；Pi＝(pi,1,pi,2,…,pi,D)为粒子个体最优位置；Pg＝(pg,1,pg,2,…,pg,D)为当前种群全局最优位置。由于二阶粒子群算法是渐近收敛的，本专利加入振荡环节来进一步提高粒子种群多样性，从而改善方法全局寻优和收敛性。二阶振荡粒子群速度更新公式可表示为：Vi,j(t+1)＝ωVi,j(t)+c1r1[pi,j-(1+ξ1)Xi,j(t)+ξ1Xi,j(t-1)]+c2r2[pg,j-(1+ξ2)Xi,j(t)+ξ2Xi,j(t-1)] (4)其中，ξ1，ξ2为随机数。在该方法迭代运行前期(小于最大迭代次数的1/2)选取可以使方法具有较强的全局搜索能力；迭代后期(大于等于最大迭代次数的1/2)选取可加快算法收敛速度。在PSO算法中，随着搜索迭代的进行，种群多样性不断减少，使得算法有可能出现“早熟”现象，即过早收敛。因此，当粒子种群进化到一定程度时，引入遗传变异机制以提高种群的多样性，而进行变异操作的这些粒子将进入其他区域进行搜索，在之后的迭代过程中，算法有可能发本文档来自技高网...

【技术保护点】
一种基于遗传变异优化的二阶振荡粒子群盲源分离方法，其步骤在于，通过对基本粒子群算法进行学习因子二阶振荡处理以及引入遗传变异机制改进，该方法克服传统盲源分离非线性激活函数选取难题，保障在源信号先验知识未知的情况下就可以有效对混合信号进行分离。由于基本粒子群算法存在易于陷入局部最优点以及收敛速度慢等问题，所以本专利技术在此基础上针对学习因子加入了二阶振荡环节，在粒子数目不变的情况下可维持粒子种群的多样性，有效提高全局搜索能力避免粒子寻不到全局最优点；同时，为了改善由于学习因子二阶振荡带来的收敛速度降低情况，本专利技术借鉴遗传算法中涉及到的变异机制，将该机制引入到二阶振荡粒子群算法中。将该方法应用到不同类型混合信号中，可看出其可行性和有效性。

【技术特征摘要】
1.一种基于遗传变异优化的二阶振荡粒子群盲源分离方法，其步骤在于，通过对基本粒子群算法进行学习因子二阶振荡处理以及引入遗传变异机制改进，该方法克服传统盲源分离非线性激活函数选取难题，保障在源信号先验知识未知的情况下就可以有效对混合信号进行分离。由于基本粒子群算法存在易于陷入局部最优点以及收敛速度慢等问题，所以本发明在此基础上针对学习因子加入了二阶振荡环节，在粒子数目不变的情况下可维持粒子种群的多样性，有效提高全局搜索能力避免粒子寻不到全局最优点；同时，为了改善由于学习因子二阶振荡带来的收敛速度降低情况，本发明借鉴遗传算法中涉及到的变异机制，将该机制引入到二阶振荡粒子群算法中。将该方法应用到不同类型混合信号中，可看出其可行性和有效性。2.根据权利要求1所述的盲源分离方法，其特征在...

【专利技术属性】
技术研发人员：张天骐，马宝泽，全盛荣，宋铁成，张刚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50