[发明专利]基于入侵性杂草算法的有噪独立分量分析方法

说明书

技术领域

本发明属于信号处理技术领域，具体涉及到一种基于入侵性杂草算法的有噪独立分量分析方法。 

背景技术

独立分量分析(independent component analysis，简记为ICA)是指在只有观测数据且信号源混迭方法未知的情况下对信号源进行提取的一种统计方法。ICA作为有效的盲源分离技术，是信号处理领域的热点。近年来，ICA在无线通讯、生物医学、图像语音、流型识别、故障诊断等领域有着广泛的应用,具有显著的理论意义和实用价值。（参考文献:[1]Hyvarinen A.Fast and robust fixed-point algorithms for independent component analysis[J].Neural Networks,IEEE Transactions on,1999,10(3):626-634.） 

入侵性杂草优化（Invasive Weed Optimization，简记为IWO）算法是由Mehrabian和Lucas受自然界杂草入侵农作物启示提出来的一种新的优化智能算法。IWO算法模仿杂草入侵的种子空间扩散、占地生长、繁殖和竞争淘汰的基本过程，其稳定性和自适应性较强。IWO算法简单，易于实现，最大的优点是不需要遗传操作算子就可以简单且有效收敛到问题的全局最优解。（参考文献:[2]Mehrabian A R,Lucas C.A novel numerical optimization algorithm inspired from weed colonization[J].Ecological Informatics,2006,1(4):355-366.） 

ICA算法大都假设无噪声情况或把噪声看作一个独立信号，而在实际环境中，观测信号往往参杂了各种各样的噪声。传统ICA方法大多采用梯度算法和牛顿法来求解最优分离矩阵，容易陷入局部最优，很难获得理想的分离结果。 

发明内容

本发明的目的在于针对传统ICA算法在含噪情况下分离效果不好，容易陷入局部最优的问题，发明了一种基于入侵性杂草算法的有噪独立分量分析方法。本发明采用高斯型密度函数估计入侵性杂草算法的适应度函数，采用入侵性杂草算法估计分离矩阵，它具体内容包括以下步骤： 

步骤A：对x进行中心化处理，即其中x=[x₁(t),x₂(t),...,x_M(t)]^T是传感器测得的M个观测信号，E(x)是x的期望，然后对进行鲁棒白化处理，即其中为的协方差矩阵，Σ为高斯噪声的协方差矩阵； 

步骤B：根据白化处理后的信号应用入侵性杂草算法寻优得到最佳分离矩阵W_b； 

上述基于入侵性杂草算法的有噪独立分量分析方法，在步骤B根据白化处理后的信号应用入侵性杂草算法寻优得到最佳分离矩阵W_b中，具体过程包括以下步骤： 

B1、初始化参数，设定参数值：设置初始种群规模数n_ini、问题空间维数Dim、迭代最大值iter_max、最大种群数plant_max_no、每个个体可产生的最大种子数seedmax、每个个体可产生的最小种子数seedmin、非线性调制指数N、初始标准差σ_initial、标准差最终值σ_final以及初始搜索空间[xmin,xmax]，随机产生n_ini个分离矩阵W作为初始解集； 

B2、计算当代含噪分离信号y_m，公式为

B3、根据y_m计算每个个体的适应度函数值f,并将当代所有个体的最大适应度值记为f_max，当代所有个体的最小适应度值记为f_min； 

上述基于入侵性杂草算法的有噪独立分量分析方法，其特征在于步骤B3根据y_m计算每个个体的 适应度函数值f中，适应度函数值f具体计算过程包括以下步骤： 

B31、采用高斯型密度函数计算得其中，v是标准化了的高斯变量； 

B32、根据高斯矩计算得其中，ymi表示ym的第i路信号； 

B33、得到入侵性杂草算法的适应度函数f为

B4、按公式计算每个个体产生的后代种子数w_n，其中，f表示当代每个个体的适应度值；