JOURNAL OF LIGHT INDUSTRY

CN 41-1437/TS  ISSN 2096-1553

基于改进粒子群的独立分量分析算法研究

李巧燕 ,  全海燕

downloadPDF
李巧燕, 全海燕. 基于改进粒子群的独立分量分析算法研究[J]. 轻工学报, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
引用本文: 李巧燕, 全海燕. 基于改进粒子群的独立分量分析算法研究[J]. 轻工学报, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
shu
LI Qiao-yan and QUAN Hai-yan. Independent component analysis algorithm research based on improved particle swarm[J]. Journal of Light Industry, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
Citation: LI Qiao-yan and QUAN Hai-yan. Independent component analysis algorithm research based on improved particle swarm[J]. Journal of Light Industry, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
shu

基于改进粒子群的独立分量分析算法研究

  • 昆明理工大学信息工程与自动化学院, 云南昆明 650500

  • 基金项目: 国家自然科学基金项目(41364002)
    昆明理工大学人才培养基金项目(KKZ3201103022)
    云南省自然科学基金项目(2009ZC048M)

  • 中图分类号: TN911.7

Independent component analysis algorithm research based on improved particle swarm

  • Institute of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China

  • Received Date: 2015-05-11
    Available Online: 2016-03-15

    CLC number: TN911.7

  • 摘要: 针对传统粒子群优化(PSO)算法对目标函数进行优化时,粒子容易陷入局部最优及收敛速度慢的缺陷,提出了一种基于改进PSO算法的独立分量分析(ICA)算法.该算法通过随机分段选择调节PSO算法中的惯性因子ω,使粒子具有一定的自适应能力,以快速找到最优粒子;然后,将ICA中的互信息作为目标函数,通过改进的PSO算法优化ICA中的目标函数,使独立分量中的各个成分相互统计独立.仿真实验结果表明,本算法可明显提高全局搜索能力,有效地实现混合信号的分离,改善盲源信号的分离效果.
    Abstract: In order to solve the problems such as easy falling into local optimum particle and slow convergence speed in traditional particle swarm optimization(PSO) algorithm, an independent component analysis(ICA) algorithm based on the improved PSO algorithm was proposed.The method chose the value of the inertia weight factor ω randomly in the section to make the particle have adaptive ability.Because of this, the improved PSO algorithm could search the optical particle quickly.Meanwhile, it used the mutual information in ICA as the objective function, and the improved PSO algorithm to optimize the objective function, which made the components to be independent among each other.Simulation results showed the proposed method inproved the global search ability, could separate the mixed signal effectively and improved the result of the blind source separation.
    1. [1]

      JUTTEN C,HERAULT J.Blind of sources(Part I):an adaptive algorithm based on neuromimetic architecture[J].Signal processing,1991,24(1):1.

    2. [2]

      张银雪,王学民.基于改进PSO-ICA的地震信号去噪方法[J].石油地球物理勘探,2012,47(1):56.

    3. [3]

      马建仓,牛亦龙,陈海洋.盲信号处理[M].北京:国防工业出版社,2006:1-7.

    4. [4]

      孙路路.基于ICA的混合图像盲分离算法研究[D].南京:南京邮电大学,2010.

    5. [5]

      LEE T W,GIROLAMI M,SEJNOWSKI T J.Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and super-Gaussian sources[J].Neural computation,1999,11(2):417.

    6. [6]

      HYVARINEN A,OJA E.A fast fixed-point algorithm for independent component analysis[J].Neural computation,1997,9(7):1483.

    7. [7]

      李刚磊.基于改进粒子群的ICA算法[J].科技信息,2011(26):81.

    8. [8]

      KENNEDY J,EBERHART R.Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks,Piscataway:IEEE,1995(4):1942.

    9. [9]

      张文希,郑茂.基于粒子群优化的独立分量分析算法研究[J].科学技术与工程,2010,10(8):1866.

    10. [10]

      杨福生,洪波.独立分量分析的原理与应用[M].北京:清华大学出版社,2006:26-27.

    11. [11]

      REJU V G,KOH S N,SOON I Y.Partial separation method for solving permutation problem in frequency domain blind source separation of speech signals[J].Neurocomputing,2008,71(10/12):2098.

    12. [12]

      李丽,牛奔.粒子群优化算法[M].北京:冶金工业出版社,2009:27-29.

    1. [1]

      吕金羚 , 傅亮 , 陈永生 . 红茶-花生蛋白复合饮品工艺优化及其营养特性研究. 轻工学报, 2024, 0(0): -.

    2. [2]

      吕金羚 , 傅亮 , 陈永生 . 红茶-花生蛋白复合饮品工艺优化及其营养特性研究. 轻工学报, 2024, 39(5): 9-17. doi: 10.12187/2024.05.002

  • 加载中
WeChat 点击查看大图
计量
  • PDF下载量:  39
  • 文章访问数:  1056
  • 引证文献数: 0
文章相关
  • 收稿日期:  2015-05-11
  • 刊出日期:  2016-03-15
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索
李巧燕, 全海燕. 基于改进粒子群的独立分量分析算法研究[J]. 轻工学报, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
引用本文: 李巧燕, 全海燕. 基于改进粒子群的独立分量分析算法研究[J]. 轻工学报, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
shu
LI Qiao-yan and QUAN Hai-yan. Independent component analysis algorithm research based on improved particle swarm[J]. Journal of Light Industry, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
Citation: LI Qiao-yan and QUAN Hai-yan. Independent component analysis algorithm research based on improved particle swarm[J]. Journal of Light Industry, 2016, 31(2): 103-108. doi: 10.3969/j.issn.2096-1553.2016.2.014
shu

基于改进粒子群的独立分量分析算法研究

  • 昆明理工大学信息工程与自动化学院, 云南昆明 650500
  • 收稿日期: 2015-05-11
  • 网络出版日期: 2016-03-15
基金项目:  国家自然科学基金项目(41364002)昆明理工大学人才培养基金项目(KKZ3201103022)云南省自然科学基金项目(2009ZC048M)

摘要: 针对传统粒子群优化(PSO)算法对目标函数进行优化时,粒子容易陷入局部最优及收敛速度慢的缺陷,提出了一种基于改进PSO算法的独立分量分析(ICA)算法.该算法通过随机分段选择调节PSO算法中的惯性因子ω,使粒子具有一定的自适应能力,以快速找到最优粒子;然后,将ICA中的互信息作为目标函数,通过改进的PSO算法优化ICA中的目标函数,使独立分量中的各个成分相互统计独立.仿真实验结果表明,本算法可明显提高全局搜索能力,有效地实现混合信号的分离,改善盲源信号的分离效果.

English Abstract

参考文献 (12) 相关文章 (2)

目录

/

返回文章

网站版权 © 轻工学报编辑部

地址：河南省郑州市科学大道136号邮编：450001

本系统由北京仁和汇智信息技术有限公司开发 技术支持： info@rhhz.net