本文關(guān)鍵詞： 盲源分離(BSS) 學(xué)習(xí)速率 分階段學(xué)習(xí) 粒子群優(yōu)化　出處：《計算機科學(xué)與探索》2017年03期 　論文類型：期刊論文

【摘要】：盲源分離(blind source separation,BSS)是指在混合系數(shù)未知的情況下,從混合信號中恢復(fù)出源信號的過程。在實時盲源分離問題中,學(xué)習(xí)速率的選擇對于算法的性能有著至關(guān)重要的作用。為了得到合適的學(xué)習(xí)速率,提出了如下盲源分離的步長選擇算法:通過衡量當(dāng)前時刻輸出信號的依賴程度,將整個信號分離過程分為快速分離和精細分離兩個階段。在快速分離階段,應(yīng)用粒子群優(yōu)化算法確定學(xué)習(xí)速率,而在精細分離階段,采用分段函數(shù)來確定學(xué)習(xí)速率。仿真結(jié)果證實,新算法比使用固定或其他自適應(yīng)學(xué)習(xí)速率的算法有更快的收斂速度和更好的穩(wěn)態(tài)性能。
[Abstract]:Blind source separation (BSS) means that the mixing coefficient is unknown. The process of recovering the source signal from the mixed signal. In the real-time blind source separation problem, the selection of learning rate plays an important role in the performance of the algorithm. A step size selection algorithm for blind source separation is proposed as follows: by measuring the dependence of the output signal at the current time, the whole signal separation process is divided into two stages: fast separation and fine separation. Particle swarm optimization algorithm is used to determine the learning rate, while in the fine separation stage, the learning rate is determined by the piecewise function. The new algorithm has faster convergence rate and better steady-state performance than those with fixed or other adaptive learning rates.
【作者單位】： 天津大學(xué)電子信息工程學(xué)院;天津商業(yè)大學(xué)信息工程學(xué)院;天津大學(xué)精密儀器與光電子工程學(xué)院;
【基金】：國家自然科學(xué)基金No.61401307 國家博士后科學(xué)基金No.2014M561184 天津市應(yīng)用基礎(chǔ)與尖端技術(shù)研究項目No.15JCYBJC17100~~
【分類號】：TN911.7;TP18
【正文快照】： Grading Learning Based on Improved Particle Swarm Optimization Blind SourceSeparationWANG Zhe1,ZHANG Liyi1,2,CHEN Lei1,2,3+,LI Qiang11.School of Electronic and Information Engineering,Tianjin University,Tianjin 300072,China2.School of Information Enginee

【參考文獻】

相關(guān)期刊論文 前1條

1 張賢達,朱孝龍,保錚;Grading learning for blind source separation[J];Science in China(Series F:Information Sciences);2003年01期

【共引文獻】

相關(guān)期刊論文 前9條

1 CHENG Wei;LU Jian Tao;GAO Lin;ZHANG Jie;;An efficient equivariant adaptive separation via independence algorithm for acoustical source separation and identification[J];Science China(Technological Sciences);2016年12期

2 王哲;張立毅;陳雷;李鏘;;改進粒子群優(yōu)化的分段在線盲信號分離算法[J];計算機科學(xué)與探索;2017年03期

3 李震宇;;基于主分量的耦合聲源數(shù)量判別方法研究[J];艦船科學(xué)技術(shù);2015年10期

4 陸建濤;成瑋;訾艷陽;何正嘉;;變步長等變自適應(yīng)盲源分離算法[J];西安交通大學(xué)學(xué)報;2015年12期

5 張宇輝;段偉潤;汪利君;李哲;蘭華;;基于KDICA的間諧波分層提取方法[J];電測與儀表;2013年09期

6 張慶銳;;一種新的自適應(yīng)步長ICA算法[J];電子科技;2013年01期

7 余桐奎;王曉峰;韓德寶;張國鋒;;基于獨立分量的信號分離算法研究[J];測控技術(shù);2012年04期

8 ;Edge detection algorithm based on ICA-domain shrinkage in noisy images[J];Science in China(Series F:Information Sciences);2008年09期

9 王法松;李宏偉;李睿;;非參數(shù)GKNN估計的高效獨立成分分析算法[J];西安電子科技大學(xué)學(xué)報;2008年04期

【相似文獻】

相關(guān)期刊論文 前10條

1 蒙正中;;一種改進的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學(xué);2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進化粒子群優(yōu)化方法[J];計算機科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

相關(guān)會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運動目標(biāo)路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學(xué)會第八屆學(xué)術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學(xué)大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學(xué);2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學(xué);2013年

3 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

4 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

5 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學(xué);2005年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

7 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

8 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學(xué);2007年

9 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

10 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

5 鄭博;基于快速排序的多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

，

本文編號：1447459