基于改进粒子群独立分量分析算法研究.docVIP

基于改进粒子群独立分量分析算法研究 　　摘要：针对传统粒子群优化（PSO）算法对目标函数进行优化时，粒子容易陷入局部最优及收敛速度慢的缺陷，提出了一种基于改进PSO算法的独立分量分析（ICA）算法.该算法通过随机分段选择调节PSO算法中的惯性因子ω，使粒子具有一定的自适应能力，以快速找到最优粒子；然后，将ICA中的互信息作为目标函数，通过改进的PSO算法优化ICA中的目标函数，使独立分量中的各个成分相互统计独立.仿真实验结果表明，本算法可明显提高全局搜索能力，有效地实现混合信号的分离，改善盲源信号的分离效果. 　　Abstract：In order to solve the problems such as easy falling into local optimum particle and slow convergence speed in traditional particle swarm optimization（PSO） algorithm，an independent component analysis（ICA） algorithm based on the improved PSO algorithm was proposed.The method chose the value of the inertia weight factor ω randomly in the section to make the particle have adaptive ability.Because of this，the improved PSO algorithm could search the optical particle quickly.Meanwhile，it used the mutual information in ICA as the objective function，and the improved PSO algorithm to optimize the objective function，which made the components to be independent among each other.Simulation results showed the proposed method inproved the global search ability，could separate the mixed signal effectively and improved the result of the blind source separation. 　　0引言 　　独立分量分析（ICA）是一种分离混合信号（由统计独立的信号源混合而成）的主要方法，属于盲信号分离方法之一[1-2].该算法最初是为了解决鸡尾酒会的语音信号分离问题而提出来的，随着对ICA研究的逐渐加深，现已成功地运用于信号处理、人脸识别、图像处理等方面[3]. 　　ICA主要由优化准则和优化算法构成，优化准则对ICA算法的统计特性有影响，而优化算法对ICA的收敛速度有影响[4].根据不同的优化准则，学者们提出了不同的ICA算法，如T.W.Lee等[5]提出了信息极大化的ICA算法（Ext＼|ICA），A.Hyvarinen等[6]提出了ICA的不动点算法（Fast＼|ICA）. 　　不同的优化准则都可以用概率论的相关知识统一解释，所以本文主要分析ICA中的优化算法.由于 　　传统ICA算法具有依赖梯度信息、局部搜索等特点[7]，学者们提出了利用粒子群优化（PSO）算法[8]优化ICA目标函数的设想.文献[9]中提出可利用惯性因子线性递减的LDIW＼|PSO算法来优化ICA中的目标函数，以获得全局最优解.但该算法存在易陷入局部最优，收敛速度慢的缺陷，本文拟提出一种基于改进PSO的ICA算法，通过改进后的PSO算法来优化ICA中的目标函数，以期提高独立分量的分离效果. 　　1独立分量分析 　　ICA是从混合信号X（t）中分解得到N个统计独立分量y1（t），…，yN（t）的过程.其中， 　　三阶累计量k3=m3，四阶累计量k4=m4-3m22. 　　若式④中I（y）=0，则表示混合信号y中的各个信号分量相互独立.为优化ICA中输入输出信号之间的互信息量关系，本文采用包含随机分段选择惯性因子的改进PSO算法来优化目标函数，以获得ICA中的解混矩阵B. 　　2改进PSO算法 　　PSO算法是通过模拟鸟类飞翔觅食行为而建立的智能优化算法[12].算法中，每一个粒子类似于鸟群中的独立个体，而种群则类似于鸟群.与鸟类寻找食物对其位置不断移动的过程相似，粒子群算法不断地更新种群中粒子的位置，粒子通