[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

权利要求书

1.一种基于量子遗传算法的时源盲分离的时延优选方法，其特征是，

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，具体步骤如下：

首先，QGA使用一种基于量子比特的编码方式，即用一对复数定义一个量子比特位，一个量子比特的状态表示为|φ>＝α|0>+β|1>，|α|²+|β|²＝1，其中α，β为代表相应状态出现概率的两个复数，|α|²,|β|²分别表示量子比特处于状态0和状态1的概率，定义：P_i(0)＝|α_i|²,P_i(1)＝|β|_i|²，即P_i(0)表示第i个量子比特取值“0”的概率，P_i(1)表示其取值“1”的概率；

其次，QGA在第t代的染色体种群为，Q(t)＝{q₁^t,q₂^t,…,q_n^t}其中n和t分别为种群大小和进化代数，进化第t代的第j个染色体q_j^t定义如下：

其中m为量子比特染色体的比特位数。

在QGA中，每个染色体都拥有自己独立的“演化目标”，GA的计算流程如下：

(1)初始化进化代数：T＝0；

(2)初始化种群Q(t)，产生n个以量子概率幅对编码的染色体q_j^t,j＝1,2,…,n；

(3)Q(t)实施量子坍塌，得到确定解P(t)＝{p₁^t,p₂^t,…,p_n^t}；

(4)评价群体P(t)的适应度，保存最优解；

(5)停机条件判断：当满足时，输出当前最优个体，算法结束，否则继续；

(6)个体交叉、变异操作，生成新的P(t)；

(7)更新Q(t)，T＝T+1，转到步骤3，

最后，QGA采用量子门作用于量子基态的概率幅的方式使种群多样性得以保持；

根据量子遗传算法的计算特点，选择量子旋转门，量子旋转门U(θ)的调整操作如式(1)所示：

则第i个量子比特(α_i,β_i)的更新过程为：

其中旋转角θ_i＝s(α_i,β_i)Δθ_i，Δθ_i和s(α_i,β_i)分别为旋转角变化量和旋转方向

进行语音仿真实验，源信号选自Matlab软件自带的三个标准的语音信号：handel、chirp、gong，随机选取的混合矩阵如下：