基于蚁群算法优化的盲信号分离

在过程信号的去噪中,应用较新的盲信号神经网络分离(BSS)的方法,但盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点.为此进一步采用蚁群算法(Ant Colony Algorithm ,简称ACA)优化盲信号分离神经网络权值的初值,将蚁群算法与神经网络(HJNN)结合形成AC-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪.仿真实验表明:用AC-HJNN算法,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

基于卷积盲分离神经网络的过程信号去噪算法

研究了一种基于卷积混叠盲信号分离的简约神经网络算法,简称RCMNN.可使线性静态或动态传输通道中混叠的多源信号实现分离,从而可有效应用于传输通道中过程信号上的去噪,是控制工程中去噪的新方法.对多类不同信号组合仿真表明,该算法是有效的,网络性能是稳定的.     

基于混合型神经网络的自适应盲信号分离算法

不同的神经网络模型及其算法对信号分离的效能会产生不同的影响,寻找高效简便的神经网络自适应盲信号分离算法是目前的研究方向.根据控制系统传输信号在线监测控制的要求,提出一种基于前馈与反馈混合型神经网络模型的自适应盲信号分离算法,并应用于传输信号的分离.计算机仿真实验的结果表明该算法的有效性和快速性.     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

盲信号分离技术研究与算法综述

盲信号分离技术是从接收信号中恢复未知源信号的有效方法,已经成为神经网络和信号处理等领域新的研究热点。首先介绍盲信号分离的发展状况,然后在介绍了盲信号分离的线性瞬时模型、线性卷积模型和非线性模型的基础上,对相应模型求解算法的基本原理、特点进行了阐述,接着还对与盲信号分离紧密相关的盲信号抽取技术进行了综述,最后指出盲信号分离技术的研究方向和广阔的应用前景。     

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。     

一种时域盲信号分离系统的DSP实现

盲信号分离是当前信号处理研究的热点课题之一,在无线数据通信、医学、语音以及地震信号处理等领域有着广阔的应用前景.本文基于一种可用于真实环境中的盲信号分离算法,采用TI公司的浮点DSP芯片(TMS320C6701)EVM板实现了一个语音信号的盲信号分离系统.经现场验证,该系统不仅达到了实时处理的要求,而且对真实房间中的两路语音信号的盲分离得到了较好的效果.     

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。     

基于最小二乘方的语音信号实时盲分离

研究语音信号盲分离的实时算法.盲信号分离技术在视频会议系统、语音信号预处理以及生物医学信号处理中都得到广泛应用.在本文中,利用最小二乘方原理并结合语音信号非平稳的特点,对混合语音信号进行实时分离.实验结果表明,基于最小二乘方的算法是非常有效的实时盲信号分离算法.     

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。     

面向Stacking集成的改进分类算法及其应用

为了提高Stacking集成算法的分类性能,充分利用Stacking学习机制产生的先验信息和贝叶斯网络丰富的概率表达能力,提出一种基于属性值加权朴素贝叶斯算法的Stacking集成分类算法AVWNB-Stacking(Stac-king based Attribute Value Weight Naive Bayes)...     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

基于模糊认知网络的改进非线性Hebbian算法

针对难以用机理模型准确描述的非线性系统,研究基于模糊认知网络(fuzzy cognitive networks,FCN)的非线性系统建模和参数辨识问题.首先,建立非线性系统的具有数值推理和模糊信息表达的模糊认知网络模型,利用包含节点、权值和反馈的有向图表示系统.其次,由于模型的精确性取决于权值参数,提出了一种带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL).该算法在权值的学习过程中引入了FCN模型中节点的系统实际值,在原更新机制的基础上,增加了包含反馈值与预测值差值的修正项,然后归一化得到最终权值迭代公式.该算法具有收敛速度快、学习结果精准等优点,解决了传统非线性Hebbian算法对初始值依赖性强的缺点.最后将所提出的方法运用到水箱控制系统,仿真结果说明了基于FCN的非线性Hebbian学习算法的有效性.     

向量空间模型中完全加权关联规则的挖掘

项目加权关联规则挖掘是通过对具体项目赋予一定的权值来挖掘人们更加感兴趣的关联规则,其中具体项目的权值在数据库中是固定不变的。但现实数据库中,存在着所有项目权值会发生变化的问题。针对此类问题,文章提出新的加权关联规则模型,并提出了完全加权关联规则的挖掘算法。实验结果表明该算法是有效的。     

基于Red5服务器集群负载均衡调度算法研究

基于动态负反馈的机制,参考现有的加权最小连接数调度和轮转调度算法,设计出了改进后的负载均衡调度算法。通过负反馈机制计算每台服务器的综合负载权重值,而综合负载权重值直接体现着服务器的当前处理能力。调度服务器根据综合负载权重值分配工作负载,实现负载的均衡分布。     

含有动态自适应惯性权重的蜘蛛猴优化算法

蜘蛛猴算法（Spider Monkey Optimization，SMO）是受蜘蛛猴觅食行为启发提出的一种群集智能优化算法，为增强蜘蛛猴算法的局部搜索性能，提出一种基于动态自适应惯性权重的SMO算法（DWSMO）。通过在惯性权重中引入目标函数值，使得惯性权重随着目标函数值的变化而动态改变，从而减少惯性权重变化的盲目性，有效平衡算法的全局探索能力以及局部开发能力。将改进的蜘蛛猴算法在函数优化问题上进行测试，仿真实验结果表明，改进的蜘蛛猴算法可有效提高函数寻优精度，加快收敛速度，且具有较强的稳定性。     

基于Taylor展开的UWB井下定位算法研究与实现

针对无线信号在煤矿巷道中传播时由于多径效应明显,而导致定位精度不高的问题,通过对UWB定位模型进行分析,提出一种基于Taylor级数展开的UWB（Ultra Wide-Band）定位算法。考虑Taylor级数迭代算法对初始值依赖性很高的问题,首先采用三点直接定位算法对目标节点进行粗定位,然后通过阈值筛选和权重计算产生Taylor定位的初始值,再进行迭代求解,进行第二次精确定位。一个基于UWB无线定位系统平台对该算法进行了验证,结果表明该算法可以保证最大定位误差为0.4 m,基本满足井下定位的需要。     

基于WFSOA的2D-Otsu钢轨缺陷图像分割方法

针对二维最大类间方差阈值法(2D-Otsu)抗噪性较弱、计算时间较长的问题,文中提出了一种基于随机权重及异步价值因子取值的人群搜索算法,并将其应用于2D-Otsu中对钢轨缺陷图像进行分割。该算法采用随机权重加快收敛速度,采用异步价值因子提高搜索能力,有利于全局收敛到最优值。根据测试函数分析,WFSOA算法能够快速收敛,寻优值结果精度高,收敛时间短,算法稳定性好。在钢轨缺陷图像分割中,将2D-Otsu的迹函数作为WFSOA的目标函数,实验结果表明图像检测实时性高,对表面灰度不匀或生锈的钢轨缺陷分割结果清晰,有效降低了钢轨缺陷误检率和漏检率,在计算时间上仅占2D-Otsu算法的2%,可满足实际工程对实时性的需求。     

基于密度权重Canopy的改进K-medoids算法

为了提高K-medoids算法的精度和稳定性,并解决K-medoids算法的聚类数目需要人工给定和对初始聚类中心点敏感的问题,提出了基于密度权重Canopy的改进K-medoids算法。该算法首先计算数据集中每个样本点的密度值,选择密度值最大的样本点作为第1个聚类中心,并从数据集中删除这个密度簇;然后通过计算剩下样本点的权重,选择出其他聚类中心;最后将密度权重Canopy作为K-medoids的预处理过程,其结果作为K-medoids算法的聚类数目和初始聚类中心。UCI真实数据集和人工模拟数据集上的仿真实验表明,该算法具有较高的精度和较好的稳定性。