一种非平稳环境下的自适应变步长盲源分离算法

提出一种基于不完整自然梯度的变步长约束算法,用来处理非平稳环境下的瞬时盲源分离问题.该算法利用系统上的扰动对代价函数进行约束,对算法中的约束因子采用自适应形式,根据分离情况对约束因子进行自适应调整,以加快收敛速度.同时,引入基于代价函数梯度的变步长,使其具有更好的跟踪性能.仿真结果表明,在非平稳环境下,所提出的算法在提高收敛速度的同时可以有效分离源信号而不产生严重的稳态误差.     

一种采用径向基神经网络的盲源分离算法

针对传统盲源分离算法的计算复杂问题,提出一种基于径向基(RBF)神经网络盲源分离算法,用K均值聚类算法对中心值和宽度值进行确定,用最大熵为代价函数来确定权值,所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离.仿真中,用于对线性混合信号进行盲源分离,并与最大熵(ME)算法进行比较.结果表明,盲源分离算法能减少分离时间和提高分离效率,并且能大大降低计算量,比ME算法更好.     

一种改进的自适应不完整自然梯度盲源分离算法

与自然梯度盲源分离算法相比,不完整自然梯度算法避免因源信号非平稳或幅值快速变化而引起的数值不稳定.在深入分析和推导该算法的基础上,针对其中非线性激活函数难以确定的困难,提出一种利用峰度对激活函数进行自适应选择的改进算法.该算法无需已知源信号的先验信息,既保留了不完整自然梯度算法恢复非平稳源信号的优势,又可使其适用于服从任意分布的源信号.仿真比较结果表明,该方法性能优于选择正切函数作为激活函数的不完整自然梯度算法,分离效果较好.     

一种基于核函数的杂系盲源分离算法

本文提出了一种基于核函数的杂系盲源分离算法,即KFBSS算法。该算法通过引入非线性核函数和平滑参数h,将分离信号进行非线性核映射,最优化平滑参数h,同时更新混合分离矩阵,通过不断迭代学习,对混合信号进行盲源分离。仿真结果表明,与EASI算法、白化算法、自然梯度算法相比,本文方法能更有效的分离同系混合或杂系混合信号,收敛速度更快,且能够适应于非平稳环境,具有一定的实用性。     

Lagrange优化前馈神经网络盲多用户检测算法

提出了一种前馈神经网络盲多用户检测算法.该算法利用恒模准则构造了一个代价函数,给出了该算法的约束条件.利用增广Lagrange函数方法对带约束的代价函数进行优化求解,获得前馈神经网络网络权值和参数的迭代公式,从而实现了盲多用户检测.利用计算机对增广Lagrange函数优化的前馈神经网络盲多用户检测算法进行仿真.仿真结果表明,新算法具有较好的误码率及收敛特性等性能.     

基于核估计的超定混合共轭盲信号分离方法

当混合信号的个数多于源信号时,盲源分离模型中的混合矩阵被描述为一个超定矩阵,因此不能直接通过估计逆矩阵的方法来得到分离矩阵。针对该线性超定混合情况提出了一种基于共轭梯度的盲源分离方法。该方法基于最小互信息准则,通过对行满秩分离矩阵的奇异值分解而引入了超定盲源分离的代价函数。利用共轭梯度优化算法推导出了迭代计算分离矩阵的更新公式。在每次迭代计算中,利用随机变量概率密度估计的核函数法在线估计分离信号的评价函数。避免了诸多传统盲分离算法中只能凭经验选取特定的非线性函数来代替评价函数的问题。仿真结果验证了所提算法的有效性。     

基于新阈值函数小波变换的噪声盲分离算法*

将一种基于偏差去除技术的自然梯度算法应用于噪声盲分离中,估计出分离矩阵,并采用一种新的小波阈值函数对已分离出的含噪信号进行去噪处理。通过计算机仿真验证,该算法分离效果良好,盲分离结果具有更高的信噪比。     

基于盲源分离技术的自适应电力谐波检测算法研究

将Fast-ICA盲源分离算法与自适应自然梯度算法相结合,构建了一种基于盲源分离技术的自适应电力谐波检测算法,并对算法进行了数学证明及仿真研究。结果表明,该算法对电网中的谐波信号测量是一种有效的方法。     

基于广义高斯分布模型的盲源分离算法

分析了盲源分离的自然梯度算法与常规梯度算法的差异，研究了在自然梯度算法中引入不完整基后的算法特性，严格剖析了不完整自然梯度方法的成因与机理，数学上论证了与自然梯度盲源分离算法相比，不完整自然梯度算法避免了因源信号非平稳或幅值快速变化而引起的数值不稳定，并利用广义高斯分布模型模拟不完整自然梯度算法中的非线性激活函数，根据高斯指数值的不同选择，使该算法适用于服从任意分布源信号的方法。分别选取非平稳语音信号、脑电和心电信号以及正弦波和脑磁波信号进行仿真实验，结果表明基于广义高斯分布模型的不完整自然梯度算法完全能够恢复出这些不同类型的源信号。     

一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析（ICA）的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离，并针对算法中的非线性函数与源信号概率分布密切相关，而源信号的分布却是未知的先验信息的问题，利用算法输出信号的峰度对非线性激活函数进行自适应选择，提出了一种改进的自适应不完整自然梯度算法，并将其应用于模糊图像的盲分离，分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比，计算耗时更少、性能指标明显优越。     

无线传感器网络中最大化网络寿命的数据聚合路由

针对数据聚合无线传感器网络寿命最大化问题,分析了网络流量和节点能耗,提出了数据聚合路由问题的网络流量模型,并将网络最大寿命与流量模型相结合设计了一组混合整数规划代价函数.采用对偶分解的方法,获得了近似最优的中继传输速率和路由.仿真实验表明,该算法能有效减少数据通信量,均衡各个节点的能量消耗,延长网络寿命.     

基于差分进化算法的移动传感器网络节点的分布优化

针对传感器节点的分布优化问题,研究了在保证网络连通性的前提下,极大化移动传感器网络的有效覆盖面积问题,提出了一种基于差分进化算法的移动传感器网络节点分布优化机制.仿真实验结果表明,该算法能以相对较小的代价快速完成移动传感器网络节点的分布优化,提高网络的有效覆盖率,实现移动传感器网络布局的全局优化.     

面向级联失效的加权网络负载容量非线性模型鲁棒性优化

在考虑网络负载容量关系的情况下,研究加权网络中的级联失效现象。提出了负载容量非线性模型,并针对模型参数的多目标优化问题,通过理论分析确定其影响因素。以级联失效前后网络连通性测度的比值作为鲁棒性测度,以网络容量与负载的比值平均数作为网络成本测度,采用基于拥挤距离排序的多目标粒子群优化算法(MOPSO-CD)对参数进行优化。最后通过在模拟网络和实际网络中进行的仿真比较,验证了优化后的负载容量非线性模型可以在有限的网络成本下更好地提高网络对级联失效的抵御能力。     

基于二元决策图的网络可靠性评估

提出一种改进-二元决策图(BDD)的网络可靠性评估方法.为了解决BDD构造中有效识别同构子图的问题,将边收缩/删除法应用于BDD的图分解中,并提出了BDD的宽度优先搜索算法,通过遍历BDD图对边进行排序,为布尔函数的不交化提供了一种新的高效途径.实验结果表明,该算法具有精确性高、时间复杂度低的优点,可以避免常规最小路算...     

基于数据融合的传感器网络寿命最优路由策略

引入数据融合率来定义传感器网络中节点的融合能力,并提出一种基于数据融合技术的分布式最优路由算法,最大化网络的寿命.将路由决策过程描述为线性规划问题,采用子梯度算法求取最优解,得到了分布式的优化算法.仿真结果表明,该算法可有效减少数据通信量,均衡各个节点的能量消耗,延长网络寿命.     

基于受控旋转门的量子神经网络模型算法及应用

提出一种量子神经网络模型及算法．首先借鉴受控非门的含义提出一种受控量子旋转门,基于该门的物理意义,提出一种量子神经元模型,该模型包含对输入量子比特相位的旋转角度和对旋转角度的控制量两种设计参数;然后基于上述量子神经元提出一种量子神经网络模型,基于梯度下降法详细设计了该模型的学习算法：最后通过模式识别和时间序列预测两个仿...     

基于改进的变分GAC模型矢量图像分割

在分析矢量图像颜色信息和动态曲线演化规律的基础上,将归一化传导率的非线性热方程约束项引入变分侧地活动轮廓矢量模型中,使水平集函数不用重新初始化即可快速稳定地保持符号距离函数的特性．改进算法减少了迭代次数和运行时间,改进了图像二维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性,提高了分割算法的鲁棒性．实...     

混沌对角递归神经网络的船舶横摇预报方法

船舶运动在一定条件下会出现混沌特性,因此可以利用混沌神经网络对其进行预报.对传统的混沌对角递归神经网络模型各权值的训练进行优化,给出了基于Lyapunov函数的各层权所通用的学习速率调整算法的收敛定理并加以证明.仿真结果表明,采用优化采样时刻可提高各权值的精确度,使收敛性得到改善,能有效提高预报精度和延长预报时间.与前向神经网络BP预测相对比,优化后的模型具有很好的预测效果.     

基于动态模糊粒神经网络算法的负荷辨识

针对电力负荷的时变、变结构和非线性等特点,提出一种动态模糊粒神经网络算法.该算法采用粒计算商空间理论和模糊神经网络技术对电力负荷进行建模.将椭圆基函数和模糊ζ-完备性作为在线参数分配机制,避免了初始化选择的随机性.根据模糊规则和输入变量的重要性,对每条规则的输入变量宽度实施在线自适应调整,从而实现了负荷参数和结构同时辨识.实验结果表明了所提出方法的可行性和有效性.