基于種群分類與粒子濃度的改進粒子群盲源分離算法.pdf

1、信號處理技術在這個信息化時代已變得越來越重要,隨著信息化程度的不斷加深,通信環(huán)境的不斷復雜化,信號處理面臨的困難也隨之增加。在實際情況下我們所關心的信號都是疊加著噪聲的,而且有相當大的一部分是對源信號與傳輸信道所知甚少,比起傳統(tǒng)的信號處理技術盲源分離技術就顯示出了無法替代的優(yōu)勢。經(jīng)過二十多年的研究與發(fā)展,盲源分離技術無論是在理論上還是在應用上都取得了顯著的成果。
　　 與實際問題結合緊密的盲源分離技術以其自身獨特的優(yōu)勢博得了眾多

2、研究者的關注,大量的盲源分離算法脫穎而出,這些算法各具千秋但又都有不足?；诹Ｗ尤核惴ǖ拿ぴ捶蛛x技術以其所設參數(shù)少、易于實現(xiàn)等優(yōu)點一度被廣泛應用,但是其極易陷入局部最優(yōu)及收斂速度慢的缺陷嚴重影響了算法的性能。
　　 為了改善一般粒子群算法的收斂速度慢和極易陷入局部最優(yōu)的缺陷,本文提出了兩種改進的粒子群算法,并將其應用到盲源分離中。一種是基于動態(tài)因子與種群分類的粒子群算法。此算法的主要思想是:針對每次迭代中適應值很好與很差的兩種粒

3、子,可以利用社會模型及認知模型的特性,采用不同的進化模型,這個過程是通過對學習因子的動態(tài)調整來實現(xiàn)的;另一種是基于粒子濃度與動態(tài)因子的粒子群算法。此算法的主要思想是:針對一般粒子群算法沒有充分利用適應值差的粒子導致群體的多樣性喪失的缺陷,用全體粒子的局部最優(yōu)值的加權平均來代替單一粒子的局部最優(yōu);另外為了避免算法陷入局部最優(yōu),通過粒子的濃度來控制學習因子,從而使局部最優(yōu)與全局最優(yōu)達到平衡。這兩種算法都用到了盲源分離技術中,本文給出了詳細的