搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种基于人工蜂群算法的混沌信号盲分离方法

陈越 吕善翔 王梦蛟 冯久超

一种基于人工蜂群算法的混沌信号盲分离方法

陈越, 吕善翔, 王梦蛟, 冯久超
PDF
导出引用
导出核心图
  • 混沌信号所固有的非周期、宽带频谱和对初值极度敏感等特性使得对这类信号进行盲分离极为困难. 针对这一问题, 提出一种新的盲分离方法, 该方法通过相空间重构来构造代价函数, 将混沌信号的盲分离转化为一个无约束优化问题, 并利用人工蜂群算法进行求解. 不同于现有的独立成分分析方法仅使用混合信号的统计特性来解决分离问题, 该方法能充分利用混合信号内在的动态特性, 因而在处理混沌信号这种确定性信号时能获得更好的分离效果. 此外, 正交矩阵的参数化表示有效地降低了盲分离问题的复杂性, 使优化过程能快速收敛. 实验结果表明, 该方法具有较快的收敛速度和较高的数值精度, 在分离混沌信号时其整体性能优于现有的几种盲分离方法. 同时, 在分离混沌-高斯混合信号的实验中该方法也展现出优异良好的性能, 这表明该文的方法有应用潜力.
    • 基金项目: 国家自然科学基金(批准号: 60872123)、国家-广东省自然科学基金联合基金(批准号: U0835001)、中央高校基本科研业务费基金(2012ZM0025)和广东省高等学校高层次人才项目基金(批准号: N9101070)资助的课题.
    [1]

    Feng J C, Tse C K 2008 Reconstruction of Chaotic Signals with Applications to Chaos-based Communications (Beijing: Tsinghua University Press) pp3-20

    [2]

    Andreflev Y V, Dmitriev A S, Efremova E V, Anagnostopoulos A N 2003 IEEE Trans. Circ. Syst. I 50 613

    [3]

    Hu Z H, Feng J C 2010 Journal of Southwest University (Natural Science) 32 146 (in Chinese) [胡志辉, 冯久超 2010 西南大学学报 (自然科学版) 32 146]

    [4]

    Huang J W, Feng J C, L S X 2014 Acta Phys. Sin. 63 050502 (in Chinese) [黄锦旺, 冯久超, 吕善翔 2014 物理学报 63 050502]

    [5]

    Wang S Y, Feng J C 2012 Acta Phys. Sin. 61 170508 (in Chinese) [王世元, 冯久超 2012 物理学报 61 170508]

    [6]

    Chen H B, Feng J C, Fang Y 2008 Chin. Phys. Lett. 25 405

    [7]

    Kuraya M, Uchida A, Yoshimori S, Umeno K 2008 Optics Express 16 725

    [8]

    Gong Y R, He D, He C 2012 Acta Phys. Sin. 61 120502 (in Chinese) [宫蕴瑞, 何迪, 何晨 2012 物理学报 61 120502]

    [9]

    Comon P, Jutten C 2010 Handbook of Blind Source Separation (Waltham: Academic Press) pp6-15

    [10]

    Olsson R K, Hansen L K 2006 Journal of Machine Learning Research 7 2585

    [11]

    Galka A, Wong K, Ozaki T 2010 Modeling Phase Transitions in the Brain (Berlin:Springer) pp27-52

    [12]

    Galka A, Wong K, Stephani U, Ozaki T. Siniatchkin M 2013 International Journal of Bifurcation and Chaos 23 1350165

    [13]

    Wang B Y, Zheng W X 2006 IEEE Trans. Circ. Syst. II 53 143

    [14]

    Karaboga D, Basturk B 2007 Journal of Global Optimization 39 459

    [15]

    Karaboga D, Basturk B 2008 Applied Soft Computing 8 687

    [16]

    Takens F 1981 Lecture Notes in Mathematics (Berlin:Springer) pp366-381

    [17]

    L S X, Wang Z S, Hu Z H, Feng J C 2014 Chin. Phys. B 23 010506

    [18]

    Mavaddaty S, Ebrahimzadeh A 2012 20th Iranian Conference on Electrical Engineering Tehran, Iran May 15-17, 2012 p1172

    [19]

    Ebrahimzadeh A, Mavaddaty S 2014 Swarm and Evolutionary Computation 14 15

    [20]

    Schaub H, Tsiotras P, Junkins J L 1995 International Journal of Engineering Science 33 2277

    [21]

    Yang H H, Amari S I 1997 Neural Computation 9 1457

    [22]

    Cardoso J F 1999 Neural Computation 11 157

    [23]

    Hyvärinen A 1999 IEEE Trans. Neural Networks 10 626

    [24]

    Yang H H, Amari S 1997 Neural Computation 9 1457

  • [1]

    Feng J C, Tse C K 2008 Reconstruction of Chaotic Signals with Applications to Chaos-based Communications (Beijing: Tsinghua University Press) pp3-20

    [2]

    Andreflev Y V, Dmitriev A S, Efremova E V, Anagnostopoulos A N 2003 IEEE Trans. Circ. Syst. I 50 613

    [3]

    Hu Z H, Feng J C 2010 Journal of Southwest University (Natural Science) 32 146 (in Chinese) [胡志辉, 冯久超 2010 西南大学学报 (自然科学版) 32 146]

    [4]

    Huang J W, Feng J C, L S X 2014 Acta Phys. Sin. 63 050502 (in Chinese) [黄锦旺, 冯久超, 吕善翔 2014 物理学报 63 050502]

    [5]

    Wang S Y, Feng J C 2012 Acta Phys. Sin. 61 170508 (in Chinese) [王世元, 冯久超 2012 物理学报 61 170508]

    [6]

    Chen H B, Feng J C, Fang Y 2008 Chin. Phys. Lett. 25 405

    [7]

    Kuraya M, Uchida A, Yoshimori S, Umeno K 2008 Optics Express 16 725

    [8]

    Gong Y R, He D, He C 2012 Acta Phys. Sin. 61 120502 (in Chinese) [宫蕴瑞, 何迪, 何晨 2012 物理学报 61 120502]

    [9]

    Comon P, Jutten C 2010 Handbook of Blind Source Separation (Waltham: Academic Press) pp6-15

    [10]

    Olsson R K, Hansen L K 2006 Journal of Machine Learning Research 7 2585

    [11]

    Galka A, Wong K, Ozaki T 2010 Modeling Phase Transitions in the Brain (Berlin:Springer) pp27-52

    [12]

    Galka A, Wong K, Stephani U, Ozaki T. Siniatchkin M 2013 International Journal of Bifurcation and Chaos 23 1350165

    [13]

    Wang B Y, Zheng W X 2006 IEEE Trans. Circ. Syst. II 53 143

    [14]

    Karaboga D, Basturk B 2007 Journal of Global Optimization 39 459

    [15]

    Karaboga D, Basturk B 2008 Applied Soft Computing 8 687

    [16]

    Takens F 1981 Lecture Notes in Mathematics (Berlin:Springer) pp366-381

    [17]

    L S X, Wang Z S, Hu Z H, Feng J C 2014 Chin. Phys. B 23 010506

    [18]

    Mavaddaty S, Ebrahimzadeh A 2012 20th Iranian Conference on Electrical Engineering Tehran, Iran May 15-17, 2012 p1172

    [19]

    Ebrahimzadeh A, Mavaddaty S 2014 Swarm and Evolutionary Computation 14 15

    [20]

    Schaub H, Tsiotras P, Junkins J L 1995 International Journal of Engineering Science 33 2277

    [21]

    Yang H H, Amari S I 1997 Neural Computation 9 1457

    [22]

    Cardoso J F 1999 Neural Computation 11 157

    [23]

    Hyvärinen A 1999 IEEE Trans. Neural Networks 10 626

    [24]

    Yang H H, Amari S 1997 Neural Computation 9 1457

  • [1] 李广明, 胡志辉. 基于人工蜂群算法的混沌信号盲提取. 物理学报, 2016, 65(23): 230501. doi: 10.7498/aps.65.230501
    [2] 游荣义, 陈 忠, 徐慎初, 吴伯僖. 基于小波变换的混沌信号相空间重构研究. 物理学报, 2004, 53(9): 2882-2888. doi: 10.7498/aps.53.2882
    [3] 王世元, 冯久超. 一种新的参数估计方法及其在混沌信号盲分离中的应用. 物理学报, 2012, 61(17): 170508. doi: 10.7498/aps.61.170508
    [4] 黄锦旺, 冯久超, 吕善翔. 混沌信号在无线传感器网络中的盲分离. 物理学报, 2014, 63(5): 050502. doi: 10.7498/aps.63.050502
    [5] 黄锦旺, 李广明, 冯久超, 晋建秀. 一种无线传感器网络中的混沌信号重构算法. 物理学报, 2014, 63(14): 140502. doi: 10.7498/aps.63.140502
    [6] 汪芙平, 王赞基, 郭静波. 混沌背景下信号的盲分离. 物理学报, 2002, 51(3): 474-481. doi: 10.7498/aps.51.474
    [7] 李雪霞, 冯久超. 一种混沌信号的盲分离方法. 物理学报, 2007, 56(2): 701-706. doi: 10.7498/aps.56.701
    [8] 肖方红, 阎桂荣, 韩宇航. 混沌时序相空间重构参数确定的信息论方法. 物理学报, 2005, 54(2): 550-556. doi: 10.7498/aps.54.550
    [9] 马千里, 彭宏, 姜友谊, 张春涛. 基于条件熵扩维的多变量混沌时间序列相空间重构. 物理学报, 2011, 60(2): 020508. doi: 10.7498/aps.60.020508
    [10] 陈帝伊, 柳烨, 马孝义. 基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计. 物理学报, 2012, 61(10): 100501. doi: 10.7498/aps.61.100501
    [11] 吕善翔, 冯久超. 一种混沌映射的相空间去噪方法. 物理学报, 2013, 62(23): 230503. doi: 10.7498/aps.62.230503
    [12] 丛 蕊, 刘树林, 马 锐. 基于数据融合的多变量相空间重构方法. 物理学报, 2008, 57(12): 7487-7493. doi: 10.7498/aps.57.7487
    [13] 行鸿彦, 朱清清, 徐伟. 一种混沌海杂波背景下的微弱信号检测方法. 物理学报, 2014, 63(10): 100505. doi: 10.7498/aps.63.100505
    [14] 贾传荧, 杨绍清. 两种实用的相空间重构方法. 物理学报, 2002, 51(11): 2452-2458. doi: 10.7498/aps.51.2452
    [15] 行鸿彦, 程艳燕, 徐伟. 基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测. 物理学报, 2012, 61(10): 100506. doi: 10.7498/aps.61.100506
    [16] 李鹤, 杨周, 张义民, 闻邦椿. 基于径向基神经网络预测的混沌时间序列嵌入维数估计方法. 物理学报, 2011, 60(7): 070512. doi: 10.7498/aps.60.070512
    [17] 李广明, 吕善翔. 混沌信号的压缩感知去噪. 物理学报, 2015, 64(16): 160502. doi: 10.7498/aps.64.160502
    [18] 王文波, 张晓东, 汪祥莉. 基于独立成分分析和经验模态分解的混沌信号降噪. 物理学报, 2013, 62(5): 050201. doi: 10.7498/aps.62.050201
    [19] 陈越, 刘雄英, 吴中堂, 范艺, 任子良, 冯久超. 受污染混沌信号的协同滤波降噪. 物理学报, 2017, 66(21): 210501. doi: 10.7498/aps.66.210501
    [20] 杨东东, 马红光, 徐东辉, 冯晓伟. 单输入单输出系统故障检测中匹配混沌激励的设计. 物理学报, 2014, 63(12): 120508. doi: 10.7498/aps.63.120508
  • 引用本文:
    Citation:
计量
  • 文章访问数:  915
  • PDF下载量:  872
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-10-07
  • 修回日期:  2014-12-02
  • 刊出日期:  2015-05-05

一种基于人工蜂群算法的混沌信号盲分离方法

  • 1. 华南理工大学, 电子与信息学院, 广州 510641
    基金项目: 

    国家自然科学基金(批准号: 60872123)、国家-广东省自然科学基金联合基金(批准号: U0835001)、中央高校基本科研业务费基金(2012ZM0025)和广东省高等学校高层次人才项目基金(批准号: N9101070)资助的课题.

摘要: 混沌信号所固有的非周期、宽带频谱和对初值极度敏感等特性使得对这类信号进行盲分离极为困难. 针对这一问题, 提出一种新的盲分离方法, 该方法通过相空间重构来构造代价函数, 将混沌信号的盲分离转化为一个无约束优化问题, 并利用人工蜂群算法进行求解. 不同于现有的独立成分分析方法仅使用混合信号的统计特性来解决分离问题, 该方法能充分利用混合信号内在的动态特性, 因而在处理混沌信号这种确定性信号时能获得更好的分离效果. 此外, 正交矩阵的参数化表示有效地降低了盲分离问题的复杂性, 使优化过程能快速收敛. 实验结果表明, 该方法具有较快的收敛速度和较高的数值精度, 在分离混沌信号时其整体性能优于现有的几种盲分离方法. 同时, 在分离混沌-高斯混合信号的实验中该方法也展现出优异良好的性能, 这表明该文的方法有应用潜力.

English Abstract

参考文献 (24)

目录

    /

    返回文章
    返回