一种盲源分离的优先进化自适应遗传算法

盲分离技术与独立分量分析(ICA)由于不需要知道信号的先验信息而得到广泛应用.ICA是信号处理的一种新技术.其基本目标是寻找线性变换矩阵,将观测的多维混合信号进行变换,变换后的输出信号各分量之间尽可能统计独立.将改进的遗传算法(GA)与ICA相结合,提出基于优先进化自适应GA的盲源分离算法,并与传统的遗传算法进行了比较,证实了其具有更好的收敛性和稳态性能.对3段声音信号进行了仿真,仿真结果证明了算法的有效性.     

基于细菌觅食优化的盲信号提取算法*

提出了一种新的基于细菌觅食优化的盲信号提取算法。采用负熵作为信号提取的目标函数,利用球坐标变换原理将对提取向量的求解转换为对旋转角度的求解。使用改进的细菌觅食优化算法对目标函数进行优化求解,从而实现对源信号的盲提取。通过多次提取和去相关消源过程,可以实现对所有源信号的成功提取。对多路语音信号混合后的盲提取实验验证了所提出算法的有效性。     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

基于遗传算法的盲源信号分离技术研究

提出一种采用遗传算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法基于迁移策略,应用交叉和变异方法,生成新一代的染色体,对由多个源信号混合而成的信号进行盲信号分离。实例表明了该方法的有效性。     

基于改进遗传算法的盲源分离算法研究

在传统盲源分离算法的基础上,提出了一种基于改进遗传算法的盲源分离算法。改进遗传算法可有效地抑制寻优陷入局部最小,防止了震荡,加快了权值的收敛速度,适用于非线性混叠情况。实验结果表明,将遗传算法和盲源分离相结合对于多路混叠语音信号具有较好的分离效果。     

联合时序结构和负熵的FECG盲提取算法

在提取胎儿心电信号时,利用时序结构的盲源提取算法对胎心率误差估计敏感;利用负熵的盲源提取算法存在提取出的信号具有不确定性问题.为克服这两种算法的缺点,利用时序结构和负熵构造了联合代价函数,利用梯度算法对该代价函数求偏导,提出了一种新的胎儿心电提取算法.该算法能确保每次提取出来的信号都是胎儿心电信号,并且在胎心率估计存在较大误差和胎心率变化的情况下,也能正常工作.计算机仿真和实际胎儿心电提取实验验证了该算法在提取胎儿心电信号时的稳定性和确定性.     

基于改进遗传算法的盲解卷积

针对时域盲解卷积存在求解变量多、收敛速度慢、容易陷入局部最优等问题进行了研究,提出一种防止遗传算法局部收敛的“监测策略”,可以实时监控算法向全局最优解靠近的情况;同时对交叉概率、变异概率等关键技术进行相应设计,该算法能够自动跳出局部最优,快速地收敛于全局最优解。在概率密度估计的基础上,得到时域盲解卷积的基于最小互信息的分离准则。以此最小互信息准则确定遗传算法的寻优标准,快速地实现了时域盲解卷积。使用Matlab软件仿真验证了该时域盲解卷积算法的有效性。     

基于遗传算法的盲源信号分离

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题.独立分量分析是解决该问题的新技术,而基于四阶累计量的联合对角化(JADE)算法是独立分量分析最常用的算法,但此算法在k＞2时得到近似解,且结果不精确.提出了一种基于遗传算法盲源信号分离的算法,此算法克服了JADE算法的不足,理论分析和仿真结果表明了该算法的可行性和有效性.     

基于高阶统计理论和量子遗传算法的非线性盲源分离算法研究

本文系统分析了非线性盲源分离的模型和现有算法,讨论了非线性盲源分离中解的存在性和唯一性,提出了基于高阶统计理论中联合累积量的非线性盲源分离算法,并采用量子遗传算法进行优化求解.仿真结果表明了算法的有效性.     

基于二阶统计量的非平稳源盲提取算法

利用非平稳信号自身的时序结构,采用一阶线性预测模型,提出了一种基于二阶统计量的批处理非平稳源盲提取算法。仿真实验表明该算法是有效的。     

基于邻域风险最小化概率密度估计的自适应盲分离算法*

为实现由不同统计特性和概率分布平滑特性信号得到混合信号的盲分离,对基于支持向量机的邻域风险最小化概率密度估计算法进行研究,提出一种邻域函数的构造方法,将其与自然梯度批处理算法相结合,形成一种新的自适应盲分离算法;利用广义高斯模型分析了分离算法的精确度。通过仿真实验,验证了该算法能分离统计特性不同的混合信号,相比于基于经验风险最小化的方法,该方法在收敛速度和精度方面的性能有很大提高。     

Atrial fibrillatory signal estimation using blind source extraction algorithm based on high-order statistics

The analysis and the characterization of atrial fibrillation （AF） requires, in a previous key step, the extraction of the atrial activity （AA） free from 12-lead electrocardiogram （ECG）. This contribution proposes a novel non-invasive approach for the AA estimation in AF episodes. The method is based on blind source extraction （BSE） using high order statistics （HOS）. The validity and performance of this algorithm are confirmed by extensive computer simulations and experiments on realworld data. In contrast to blind source separation （BSS） methods, BSE only extract one desired signal, and it is easy for the machine to judge whether the extracted signal is AA source by calculating its spectrum concentration, while it is hard for the machine using BSS method to judge which one of the separated twelve signals is AA source. Therefore, the proposed method is expected to have great potential in clinical monitoring.     

一种新的用于语音分离的盲源分离算法

提出了一种基于自然梯度的语音盲分离改进算法。该算法首先使用奇异值分解（SVD）的方法对观测信号进行预白化处理,而后使用自然梯度算法对预白化处理后的观测信号进行分离。通过计算机模拟试验,结果显示该算法能够有效地分离随机混合的自然语音信号。     

联合频域盲语音分离排序算法

提出了一种新的频域盲分离排序算法。算法对不同频率点采用不同的排序算法:频率较低部分采用比较分离信号相邻频率点和谐波频率点之间幅度相关性相结合的排序算法;中频部分采用基于语音信号方位估计的排序算法;频率较高部分采用相关比较和方位估计结合的排序方法。仿真结果表明,该排序算法的鲁棒性和精确性较现有的单纯利用分离信号相关性的排序算法或者基于语音信号定位的排序算法有了一定的增强。     

一种基于NPCA的自适应变步长盲源分离算法

收敛速度和稳定误差是在线盲源分离算法的两个重要的性能指标。为了加快算法的收敛速度,提高算法的跟踪性能,提出一种基于NPCA的自适应变步长盲源分离算法。该算法的迭代步长随着输入信号和混合矩阵的变化而变化,因而具有更好的跟踪性能。仿真结果表明,该算法提高了NPCA算法的收敛速度和跟踪性能。     

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。     

An efficient semi-blind source extraction algorithm and its applications to biomedical signal extraction

In many applications, such as biomedical engineering, it is often required to extract a desired signal instead of all source signals. This can be achieved by blind source extraction (BSE) or semi-blind source extraction, which is a powerful technique emerging from the neural network field. In this paper, we propose an efficient semi-blind source extraction algorithm to extract a desired source signal as its first output signal by using a priori information about its kurtosis range. The algorithm is robust t...     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

基于递阶遗传算法的未知源信号个数盲信号分离

为了解决在没有源信号个数信息条件下的盲信号分离问题,设计了一种基于递阶遗传算法的盲信号分离算法。用控制层、参数层分别表示分离阵有效行数和有效行数的具体数值,将非高斯性作为随机信号相互独立的度量,通过寻求观测信号的一个线性组合,使其峭度最大化或最小化来分离独立分量。计算机仿真验证了所提算法的有效性,对未知源个数盲信号处理有一定的指导意义。