搜索

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
  • 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

  • 引用本文:
    Citation:
计量
  • 文章访问数:  2376
  • PDF下载量:  883
  • 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