一種基于免疫算法的盲信號分離算法

1、一種基于免疫算法的盲信號分離算法一種基于免疫算法的盲信號分離算法盲源信號分離（blindsourcesignalseparation，BSS）是20世紀最后10年發(fā)展起來的一個新的研究領域，是人工神經網絡學界和信號處理學界共同關心的熱點領域。近年來，盲源分離在多領域獲得了快速發(fā)展，被廣泛應用于生物醫(yī)學、語音增強、雷達與通信系統(tǒng)、數據挖掘等領域[13]。信號分離是指從接收到的混合信號中恢復出原始信號。用于信號處理的各種濾波器，如時域濾波器

2、、頻域濾波器、空域濾波器和碼域濾波器都是一種信號分離器，能分離出人感興趣的信號。但濾波分離方法都需要建立在源信號和傳輸通道參數已知的情況下；當源信號和傳輸通道參數未知時，通過濾波根本無法完成信號的分離，這就需要采用盲信號分離技術。盲信號分離（BSS）是指在源信號和傳輸通道參數的先驗知識未知的情況下，根據源信號的統(tǒng)計特性，僅從觀測到的混合信號中恢復出原始信號的技術。術語盲的含義是：①源信號不能被觀測；②源信號如何混合未知。目前針對BSS問

3、題有多種算法。基于隨機梯度、自然梯度分離等梯度算法是較常見的算法，然而該方法的關鍵是需要計算非線性激活函數，使得算法復雜度增加，同時算法需要計算矩陣的產逆，計算量大，而且魯棒性較差，收斂性有待改進[12]。獨立分量分析（ICA）是最常見的盲信號分離算法，圍繞解決ICA問題已經提出了許多的算法[23]。大多數算法的基本思想是圍繞信號源的獨立性提出各種準則，然后結合各種優(yōu)化算法來尋找⑴其中hij為混合系數，ni（t）為加性傳感器噪聲。對于N

4、個觀測信號（混合信號），可以用矢量表示為：X（t）=HS（t）n（t）⑵其中H=[hij]，S（t）=[sj]Y（t）=WX（t）⑶其中Y（t）=[y1（t），y2（t），y3（t），，yN（t）]T表示對源信號的估計向量，WRNM表示分離矩陣。盲源分離主要建立在下列前提假設的基礎上：①源信號各分量相互統(tǒng)計獨立，且其中最多只能有一個分量服從高斯分布；②傳感器數目不小于源信號的數目[67]。在概率論中，獨立性是通過變量間的聯(lián)合概率密度與邊

5、緣概率密度之間的關系來衡量的，但計算變量的概率密度分布并非易事。事實上，并不直接用這種方法作為衡量變量獨立的標準，而是采用了其他的一些準則，如互信息、負熵等等，其中以互信息最為常用[89]。定義y1，y2，，yn變量的互信息為：⑷其中H（yi）為變量的熵，p（yi）為變量yi的概率密度函數。互信息度量了各個隨機變量之間的相互獨立性，互信息總是非負的，只有當y的各個隨機變量之間是相互獨立時，才有I（y1，y2，，yn）=0。對于線性變換Y