[发明专利]基于量子遗传算法的时源盲分离的时延优选方法

说明书

本发明公开了一种遗传算法的时源盲分离的时延优选方法。本发明采用量子编码表征染色体，量子坍塌的随机观察结果与时延相结合形成种群，对若干时延二阶相关矩阵同时近似对角化，利用分离信号的负熵构造适应度函数，通过量子旋转门算子来实现染色体的演化更新，从而实现时延的优化组合。本发明用分离信号的负熵构造适应度函数，通过量子旋转门算子来实现染色体的演化更新，从而实现时延的优化组合。

技术领域

本发明涉及领域，更具体地说，是涉及基于量子遗传算法的时源盲分离 的时延优选方法。

背景技术

在许多实际应用中，观测信号往往是由时间源信号，而不是随机变量混 合而成。这种情况下，独立成分的自协方差(即在不同时延下的协方差)就 成为了很有意义的统计量。当源信号是平稳的，且独立成分具有不同的自协 方差(且它们全都不为零)时，通常以信号的二阶相关矩阵作为目标函数(优 化判据)，通过正交或非正交联合对角化方法对目标函数进行优化，得到基 于二阶统计量的平稳源盲分离方法。由于该类算法利用了源信号的时间相关 性，因此这类方法常被简称为时源盲分离方法。

时源盲分离和基于高阶统计量的独立分量分析相比较，时源盲分离方法 可以分离具有时间相关性的多个高斯信号的混合，且具有较好的鲁棒性，而 后者要求源信号中最多只能有一个高斯信号。时源盲分离方法的局限性在于 独立成分不能具有相同的自相关函数(即相同的功率谱)，否则它们将不能 单纯使用时延协方差的方法进行估计。基于高阶统计量的独立分量分析方法 允许独立成分具有相同的分布。

在时源盲分离方法中，需要计算一个或几个时间延迟(时延)的协方差 矩阵，为此首先必须选取时延。典型的时源盲分离算法有“多重未知信号提 取算法”(Algorithm forMultiple Unknown Signals Extraction)(简称AMUSE算法)和“去时间相关源分离算法”(Temporal Decorrelation source Separation algorithm)算法(简称TDSEP算法)。前者是选用一个时延， 而后者是选用多个时延。时延的优化选择是时源盲分离方法的一个重要方面， 目前有效解决这个问题的方法很少，已有研究采用“常规遗传算法”(StandardGenetic Algorithm，SGA)对时源盲分离的时延优化选择进行了初步探讨。

遗传算法(Genetic Algorithm，GA)是模拟达尔文的遗传选择和自然淘 汰等生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的 方法。理论上已经证明GA能从概率的意义上以随机的方式寻求到问题的最优 解，但自然进化和生命现象的不可知性却导致了GA的本质缺陷。GA最明显 的缺点就是它的收敛问题，其中包括收敛速度慢和未成熟收敛。针对这些缺 陷和不足，虽然已有很多方法进行了改进，但很难有本质上的突破。

目前，量子遗传算法的研究主要集中在两类模型上：一类是基于量子多 宇宙特征的多宇宙量子衍生遗传算法(Quantum Inspired Genetic Algorithm)，另一类是基于量子比特和量子态叠加特性的遗传量子算法 (Genetic Quantum Algorithm，GQA)。前者的贡献在于将量子多宇宙的概 念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间 的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法 中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属 于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门 实现染色体的演化，实现了比常规遗传算法更好的效果，但编码方案和量子 旋转门的演化策略不具有通用性，该算法主要用来解决0-1背包问题。