[发明专利]一种基于改进鸡群算法的盲源分离方法

说明书

技术领域

本发明涉及信号处理领域，尤其涉及一种基于改进鸡群算法的盲源分离方法。

背景技术

盲源分离(blind source separation,BSS)是指在源信号和传递信道等先验信息未知的前提下，根据信号的统计独立特性将源信号从观测到的混合信号中恢复出来。

盲源分离的核心问题是分离矩阵的学习算法，其基本思想是以统计独立的特征作为输入的表示，使目标函数达到极大(或极小)。常用盲源分离方法如InforMax算法、FastICA算法等大多涉及非线性函数的选取问题，这些函数模型的选择主要取决于源信号的概率密度性质，然而实际应用中源信号的概率密度性质在信号分离前是未知的，非线性函数的选取极大地影响了算法的分离能力。

发明内容

为解决上述问题，本发明给出一种基于改进鸡群算法的盲源分离方法，将信号峭度绝对值和负熵加权平均后的负值作为目标函数，通过改进鸡群算法最小化目标函数，得到最优解即最佳分离矩阵，从而实现对混合观测信号的分离。该方法对源信号概率密度性质没有依赖，适用于各种类型混合信号的分离，收敛速度快，精度高，不易陷入局部最优。

为达到上述目的，本发明提供如下技术方案：

一种基于改进鸡群算法的盲源分离方法，包括以下步骤(1)～(3)：

(1)采集源信号S(t)＝[s₁(t),s₂(t),...,s_M(t)]^T，随机产生非奇异混合矩阵A，混合矩阵A对源信号S(t)进行线性混合得到观测信号X(t)＝[x₁(t),x₂(t),...,x_M(t)]^T，X(t)＝AS(t)；其中s_M(t)是源信号S(t)的第M个分量，x_M(t)是观测信号X(t)的第M个分量，t为时间序列，上标T表示共轭转置，M为正整数，A是M×M维矩阵；

(2)对步骤(1)中得到的观测信号X(t)进行中心化和白化后得到预处理信号Z(t)，中心化和白化为现有成熟技术，具体原理此处不再赘述；

(3)随机产生分离矩阵作为改进鸡群算法初始粒子,根据得到的预处理信号Z(t)，利用改进鸡群算法迭代更新得到最优解即最佳分离矩阵W，将X(t)送至W得到最佳分离信号Y(t)＝[y₁(t),y₂(t),...,y_M(t)]^T，Y(t)＝WX(t)，完成混合信号的分离。

本发明的一种基于改进鸡群算法的盲源分离方法，所述步骤(3)中利用改进鸡群算法得到最优解即最佳分离矩阵W的具体步骤如下：

(3.1)初始化鸡群，设置最大迭代次数t₁＝M₁，鸡群粒子数N＝100，随机产生分离矩阵作为鸡群粒子，定义公鸡粒子个数N_R＝0.15N,母鸡粒子个数N_H＝0.7N，小鸡粒子个数N_C＝0.25N，妈妈母鸡粒子个数N_M＝0.5N_H；

(3.2)设置适应度函数fitness，将预处理后的信号Z(t)送至随机产生的分离矩阵(鸡群粒子)得到初始分离信号，对初始分离信号进行中心化、白化操作，带入适应度函数fitness计算鸡群粒子的适应度值，设定粒子当前最好位置和鸡群全局最好位置，鸡群算法迭代次数t₁＝1；

(3.3)如果t₁/G＝1(即当前为第一代)，从小到大排序适应度值并根据公鸡、母鸡和小鸡粒子个数确定公鸡、母鸡和小鸡的划分，建立鸡群等级制度，将鸡群分成数个子群并确定母鸡粒子和小鸡粒子的对应母子关系(每个子群中有一个公鸡粒子和若干母鸡粒子和小鸡粒子构成)，其中，G表示开始更新等级制度、支配关系和母子关系的代数，G＝10；

(3.4)根据公式(1)：

x_ir,j(t₁+1)＝x_ir,j(t₁)·(1+Φ(0,σ²))………………………………(1)