论文部分内容阅读
盲源分离(Blind Source Separation,BSS)是在源信号和传输信道先验信息未知的情况下,仅通过观测信号恢复出源信号的方法。由于实际中的混合信号大多数是在非平稳环境下混叠的,这就需要将智能算法应用到盲源分离领域中或者对传统算法进行改进。然而智能算法在收敛速度、全局寻优等方面存在问题;传统算法的改进主要集中在以自然梯度算法和EASI(Equivariant Adaptive Separation via Independence)算法为代表的LMS(Least Mean Squares)算法上。本论文将主要对粒子群(Particle Swarm Optimization,PSO)算法和LMS算法的改进型展开研究,包括下面几点:(1)针对传统算法非线性激活函数选取的难题,以及收敛速度慢易陷入局部最优的缺点,研究了一种自适应惯性权重粒子群盲源分离算法。该算法根据粒子群适应度间的差值自适应调整惯性权重,消除无效迭代对全局寻优的影响,收敛速度和寻优能力强于粒子群算法并解决了激活函数选取难题;在平稳环境下对多跳频信号进行盲分离处理,分离效果优于传统算法。(2)针对非平稳环境下动态混合信号难以分离的问题,研究了一种引入了遗传杂交机制的自适应惯性权重粒子群算法。该算法有效提高了粒子种群的多样性,避免陷入局部最优;同时采用正交矩阵参数化表示的方式,降低了算法的复杂度。对动态混合的机械故障信号成功分离,达到了故障检测的目的。(3)针对传统算法收敛速度慢,稳态误差大,并且在非平稳环境下的信号分离性能差等问题,研究了带自适应动量因子的变步长盲源分离算法。在自然梯度和EASI算法基础上依靠分离信号评价指标PI(Performance Index)构造函数,选取不同的经验参数取代步长和动量因子,根据分离情况同时自适应调整算法步长和动量因子大小。在平稳和非平稳环境下分别对混沌信号进行盲分离处理。在借鉴同行研究成果的基础上,本论文对PSO和LMS盲源分离算法进行了新的改进型研究。从理论和仿真上对研究的改进算法做了说明,各算法在分离性能方面各有优势,对盲源分离领域的研究具有一定的借鉴意义。