排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
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. 相似文献
2.
利用阵列信号处理时域与空域等效的关系,以平面阵为基础,采用阵列协方差矩阵的奇异值分解和广义特征值分解估计接收信号的频率,通过分析阵列模型,提出一种抗原和抗体的亲和力函数;利用量子免疫进化的特性,估计出信号的俯仰角和方位角,从而完成阵列信号的多维参数估计,改善了多维参数估计的抗噪性能、数值稳定性和运行时间。通过计算机仿真,证明了该算法的有效性。 相似文献
3.
针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整.仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好. 相似文献
1