基于改进PSO的盲源分离与重力固体潮信号分析

李巧燕; 全海燕

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进PSO的盲源分离与重力固体潮信号分析

更新时间：2026-09-04

- 基于改进PSO的盲源分离与重力固体潮信号分析
- Gravity Tide Signal Based on Blind Source Separation with Improved Particle Swarm Optimization
- 微电子学与计算机 2016年33卷第5期页码：137-141
- 作者机构：
  
  昆明理工大学机构信息工程与自动化学院,云南,昆明,650500
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 41364002云南省自然科学基金项目 2009ZC048M昆明理工大学校人才培养基金项目 KKZ3201103022
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
李巧燕, 全海燕. 基于改进PSO的盲源分离与重力固体潮信号分析[J]. 微电子学与计算机, 2016, 33(5): 137-141.

LI Qiao-yan, QUAN Hai-yan. Gravity Tide Signal Based on Blind Source Separation with Improved Particle Swarm Optimization[J]. 2016, 33(5): 137-141.
李巧燕, 全海燕. 基于改进PSO的盲源分离与重力固体潮信号分析[J]. 微电子学与计算机, 2016, 33(5): 137-141. DOI：

LI Qiao-yan, QUAN Hai-yan. Gravity Tide Signal Based on Blind Source Separation with Improved Particle Swarm Optimization[J]. 2016, 33(5): 137-141. DOI：

摘要

提出一种改进粒子群优化算法来优化独立分量分析中的目标函数.改进的粒子群优化算法通过将粒子进行分类

使得不同种类粒子可以根据自身特点进行寻优

这就保证了粒子具有一定的自适应能力

使得粒子可以跳出局部最优.同时

改进算法中加入的随机速度可以进一步确保粒子能够跳出局部最优

快速找到最优粒子.提出的算法

提高了算法的收敛速度及盲源分离效果.同时

由实验结果可知

此改进算法可将重力固体潮信号分解为相互独立的信号分量

具有一定的应用研究价值.

Abstract

This paper presents an improved particle swarm optimization algorithm to optimize the objective function of ICA. The improved PSO in the paper divides the particles into three kinds. According to their own characteristics

every kind of particles has different method to update their speed and position adaptively. The method proposed in the paper can search the optical target globally in ICA. Results of the simulation experiment show that the improved PSO can solve the objective function of the global optimization problem in ICA effectively

and improves the blind source signal effectively. From the results

we can see that the method proposed in the paper is useful to gravity tide signal.

关键词

Keywords

references

Common P. Independent component analysis, a new concept[J]. Signal Process. 1994, 36(8): 287-314. DOI: 287

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.

王谦身. 重力学[M]. 北京: 地震出版社, 2003.

Reju V G, Koh S N, Yann S I. Partial separation method for solving permutation problem in frequency domain blind source separation of speech signals[J]. Neurocomputing, 2008, 71(10/12): 2098-2112. DOI: 2098

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. DOI: 1

Kennedy J, Eberhart R. Particle swarm optimization[C]//IEEE International Conference on Neural Networks. Washington: Bur of Labor Stat, IEEE, 1995: 1942-1948.

郭武. 面向图像处理的独立分量分析方法[D]. 长沙: 国防科技大学, 2008.

张希文, 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): 1866-1873. DOI: 1866

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

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.

李刚磊. 基于改进粒子群的ICA算法[J]. 科技信息, 2011, 26(10): 81-82. DOI: 81

席志红, 边峦剑, 晋野. 基于改进粒子群的盲分离算法研究[J]. 应用科技, 2010, 37(1): 12-22. DOI: 12

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种恒定增益自适应连续时间线性均衡电路

基于AKAZE算子的抗翻拍自适应鲁棒性水印

基于数据相似度的自适应半监督随机森林算法

具有自适应特性的改进鸡群算法

一种快速最优自适应频率校准电路