TA的每日心情 | 开心
2020-9-2 15:04 |
|---|
签到天数: 3 天 [LV.2]偶尔看看I
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要： 自然梯度算法由于良好的分离性能在盲源分离中占有重要的地位，但该算法基于固定步长时，无法很 好兼顾收敛速度和稳态误差．本文借鉴自动化控制的 ＰＩＤ（ＰｒｏｐｏｒｔｉｏｎＩｎｔｅｇｒａｔｉｏｎＤｉｆｆｅｒｅｎｔｉａｔｉｏｎ）算法，提出一种与分离状态 紧密结合的变步长学习率算法．由于完成分离的信号峭度累积量是一个固有值，分离过程的信号峭度累积量与固有值 将有一个不断减小的误差值．该算法以指数函数值来体现该误差值．再利用该误差构成比例微分的变步长算法，其中 的步长初始值就相当于控制误差的比例值，而误差的微分项则得到加速的调整值．该算法仿真实验结果与固定步长自 然梯度盲源分离算法的仿真实验结果对比：对应于初始步长的一个最大值和一个最小值，该算法的两次迭代次数均低 于采用固定步长算法的迭代次数，并且对于不同类型信号在两次迭代次数间的差值约 １０～４０次，而两种算法的稳态 误差是相同的． * x' O7 K+ W6 z2 b( q& _
- @3 S J5 s2 G0 B$ c( a5 Y
关键词： 盲信号分离；峭度累积；比例微分控制；变步长学习率: q0 `- O+ k$ h) e, h/ @
& U4 X, o7 n; H: b/ x9 L$ U* t& d' H$ Z$ W7 d
' t- I( G8 |" M z7 |
独立分量分析是当前盲信源分离的主流方法．已经 有很多有效的算法，这些算法的形式不同，它们都可以 归类于 ＬＭＳ（ＬｅａｓｔＭｅａｎＳｑｕａｒｅ）型算法．这些算法都存在 一个学习率参数的优选问题，如何提高算法的收敛速度 和改进算法的稳态性能一直是盲源分离研究的热点之 一［１，６～１２］．
8 }. m, M: |2 z! L附件下载：
一种基于峭度累积量比例微分控制的盲源分离学习率.pdf
(462.59 KB, 下载次数: 0)
|
|
/1 
发表于 2021-2-9 15:40
收藏
淘帖
支持！
反对！