埃及信息学杂志19（2018）101全文基于量子粒子群算法的独立分量分析Nidaa AbdulMohsin Abbasa，a，Hussein Mohammed Salmana，ba伊拉克巴比伦大学信息技术学院b伊拉克巴比伦大学材料工程学院阿提奇莱因福奥文章历史记录：2017年5月21日收到2017年10月26日修订2017年11月19日接受2017年11月27日在线发布保留字：ICA峰度负熵粒子群算法QPSOA B S T R A C T数字信号处理中的一个问题是盲源分离（Blind Source Separation，BSS）。有一些方法可以用来解决这个问题，即所谓的独立分量分析（ICA），它基于信号的统计分布。许多机制被用来改善ICA的神经网络，遗传算法和粒子群优化。本文提出了一种利用量子粒子群优化算法（QPSO）提高ICA性能的新该算法采用负熵作为适应度函数，最大化了混合信号统计分布的独立性，易于分离和恢复原始信号。该算法在一定条件下对多个语音信号进行了实现，如频率为8kHz，i.i.d.和良好的条件。该方法被认为是最好的从以前的方法，取决于一些测量，如SNR和SDR。该方法的性能已被测试的两个指标的信噪比（SNR）和信号失真比（SDR）。©2017制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍盲源分离（Blind Source Separation，BSS）是一种DSP，其目的是利用一组关于这些信号的可用统计特性来估计一组潜在源信号BSS出现于20世纪80年代，随后迅速发展。有许多书详细描述了BSS[1缩写：BSS，盲源分离; DSP，数字信号处理; ICA，独立分量分析; PCA，主分量分析;JADE，特征矩阵的联合近似对角化; EASI，通过独立的等变自适应分离; SOBI，二阶盲识别; RADCAL，鲁棒的，精确的，直接独立分量分析线性; i.i.d.，相同和独立分布; PSO，粒子群优化; QPSO，量子粒子群优化; SNR，信噪比; SDR，信号失真比; CE，对比度扩展。*通讯作者。电 子 邮 件 地 址 ： drnidaa_muhsin@ieee.org （ N.AbdulMohsin Abbas ） ，hus12ms@gmail.com（H.M.Salman）。开罗大学计算机和信息系负责同行审查。在BSS中，多个信号由传感器阵列获得并处理，以便恢复初始多个源信号。它假设观测数据是由潜变量之间的相互作用产生的。分析潜在数据最常用的机制是独立分量分析（ICA）。ICA是一种将多变量信号分离成可加子分量的概率统计方法，它假设源信号中的非高斯信号相互统计独立。ICA方法使用两个属性之一：非高斯性或样本依赖性[1，2]。独立性假设在大多数情况下是正确的，因此，混合信号的盲ICA分离给出了很好的结果。该方法利用信号的统计特性，通过最小化估计信号因子（分量）的统计相关性来找到独立分量。非高斯特征用于度量分量的独立性，通过峰度度量或负熵近似[4]。根据混合操作的不同，ICA有线性和非线性之分。在线性ICA中，有许多方法，如：非线性PCA[5]，JADE[6]，EASI[7，8]，SOBI[5]，FastICA[8] ， INFOMAX （ 也 称 为 Bell-Sejnowski ） [8] 和RADICAL[9]。还有其他方法，所有这些方法https://doi.org/10.1016/j.eij.2017.11.0011110-8665/©2017制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com102N.AbdulMohsin 阿巴斯， H.M. 萨勒曼语/埃及语 信息学 杂志 19 （2018）101-半]ð Þ2-假设源信号（观测值）是通过使用由独立恒等分布（i.i.d.）随机过程[2]。因此，所有ICA方法都遵循相同的预处理过程，即居中、白化和去噪过程。提出了一种基于量子粒子群优化算法（QPSO）的独立分量分析方法。QPSO算法是一种概率算法。它不需要粒子的速度矢量，所需参数少，易于实现。因此，它在解决广泛的优化问题方面具有良好的性能[10，11]。本文以峭度和负熵为适应度函数，采用量子粒子群优化算法对鸡尾酒会问题进行处理，以提高ICA算法的性能。结果表明，该方法的精度优于粒子群算法。因此，QPSO使用许多主观（如数字和播放）和客观度量（如SNR和SDR）进行测试。被测语音信号的特征：采样频率为8kHz，音乐信号有男有女第二部分介绍了ICA、PSO和QPSO算法的基本原理和算法背景。第三节，提出的技术是技术。第四节描述了实验结果，并对一些评价措施进行了评价。结论见第5节。最后是第6节中的参考文献。2. 文献复习Azad和Hatam[16]提出了一种结合遗传算法和PSO求解最大似然ICA问题的方法。该方法对ICA算法进行了一定的改进，但由于采用了遗传算法，计算量较大。Li等人。[17]提出了一种通过使用改进的粒子群优化（PSO）来减少BSS中的缺点的方法。他们的方法是基于更新粒子群算法的动态惯性权重，并引入基于盲源分离的粒子群算法的适应度函数Saikia等人。[18]提出了一种通过使用离散小波变换将信号变换为小波并应用各种收缩方法对信号进行降噪来解决BSS的算法。Krusienski和Jenkins[19]提出了一种利用PSO算法的优点来改进非参数独立分量分析的方法。3. 背景理论3.1. 独立成分分析（ICA）ICA是一种利用混合信号的统计特性来估计原始源信号的方法。它只假设混合源信号是统计独立的，而不需要关于观测信号的任何先验信息。不可观测信号和观测混合信号的数学模型：x其中s（t）表示源信号，x（t）表示观测信号，A表示混合系数矩阵，t表示时间索引。ICA的目的是估计混合矩阵Ai（W）的逆，其产生y，s的可能线性模型：y tWxt 2其中y（t）表示s（t）的估计，而W表示分离过程的估计矩阵。大多数ICA算法可以由两个步骤组成;第一个步骤称为白化处理，在该步骤中应用二阶统计量进行装饰。该步骤的目的是估计在第二步[1，2]中实现的独立性所必需的正交矩阵。独立性假设近似的结果是源的估计，该估计转化为由对比函数描述的最优化问题，当估计的源尽可能独立时，该对比函数最小。3.1.1. ICA的预处理居中：它包括计算观测信号的平均值，然后从观测源本身中减去该平均值x0¼x-E½x]3将均值向量与估计的源向量相加，随后：s½s0A-1E½x]4白化：它白化混合信号x。为了获得不相关且具有单位方差的观测信号，应用线性模型变换：~x¼KD-1=2KTx105mm其中K的列和对角线D分别是E xxT的特征向量和特征值。白化过程的目的是正交的混合矩阵。正交混合矩阵将估计参数的数量减半，因此，它具有n（n 1）/2个自由参数[2]。3.1.2. ICA中的对比度（目标）函数负熵（Negentropy）：变量的随机性由熵度量度量来衡量对于离散变量，熵为HY-XPYailogPYai6其中H表示混合信号的熵和源信号的估计。高斯变量比其他离散和连续变量具有更大的熵。用于测量分量的非高斯性的负熵，如以下模型：Jy HyG-Hy 7其中yG表示高斯变量。是非负的，对于高斯变量等于零。负熵具有统计稳健性，但计算量大，可能是非参数的。它的估计也是困难的，因此近似值-[2]第二种方法是：Jy /½EfGyg-EfGvg]28其中v和y表示没有均值（零均值）的高斯向量，G也表示非二次函数。峰度：非高斯性的另一种度量，是四阶累积量kurty峰度可以有任何符号（，+，0）：（负）亚高斯，（正）超高斯和（零）高斯。峰度的计算比其他测量方法更便宜●●●我●N.AbdulMohsin 阿巴斯， H.M. 萨勒曼语/埃及语 信息学 杂志 19 （2018）1011032. X X1个;i1X1;：;i23.2. 粒子群优化算法（PSO）Kennedy和Eberhart设计了一种新的优化方法，称为粒子群优化，该方法取自鸟类群集行为[12]。PSO算法从随机粒子开始，寻找比初始粒子更好的解，并根据自身的经验更新种群算法根据两个主要因素更新其参数在解决广泛的连续优化问题中表现出良好的性能它可以被说明为：它假设单个粒子在搜索空间中以d势在特定维度上围绕点pij搜索。简单地说，粒子被表示在一个指定的维空间中，以势的中心p为中心。对特定维d势阱求解薛定谔方程，可得到分布函数F和概率密度函数Q为：1每个粒子在n维中的速度和位置，QXijt1¼Lte-2jpijt-xijt1j=Lijt12所有粒子它重复搜索和更新n次迭代，如下所示：vit1wv itc1r 1tpbestit -xitc2r2tpbest it -xi tcð10Þxit1xitvit111其中v表示粒子P的速度，x表示P的位置，pbest表示当前P的最佳局部（个人）位置，gbest表示n维搜索空间中所有P的最佳全局位置，w表示惯性权重（用于收敛速度），c1和c2是表示加速度常数的两个在[0-1]，[10，12]范围内取值的随机参数IjFXijt1e-2jpijt-xijt1j=Lijt13其中，Lij_t_i表示通过使用如（14）中的蒙特卡罗方法的分布的标准偏差，粒子的位置为：Xijt1PijtLijtln1=uuran d0;11 4为了评估Lij;一个全局点m称为平均最佳位置的人口。m表示所有粒子的pbest位置的平均值mtm1t;m2t;：;mn t3.3. 量子粒子群优化算法1M¼Mi¼1MP t;M1/1MP t;M1/1别这样！ð15Þ正如（Jun Sun等人）在（论文和书籍）[10，11，13]中提到的，自2004年以来，QPSO方法代表了PSO方法的发展版本量子粒子群算法不需要速度矢量，参数少，易于实现.它可以其中M是群体大小，Pi是粒子的最佳位置i. Lijt的值为：Lijt¼2bω jmjt-Xijtj16表1绘制原始、混合和分离的语音信号。源语音信号原始语音混合语音分离的言语A-1A-2C-1C-2D-1D-2E-1E-2F-1F-2104N.AbdulMohsin 阿巴斯， H.M. 萨勒曼语/埃及语 信息学 杂志 19 （2018）101ð Þ ð Þn/1s n-sn表2表1中的演讲的测量标准的结果。其中，表示混合之前的原始源信号，并且表示估计信号。● 信号失真比（SDR）：计算如下：Psapon2不SDR ¼10log10P2分贝19分贝因此位置是：Xijt1Pij tbωjmjt-Xijtjωln1=u17其中b是收缩-膨胀系数，是控制算法的收敛性。粒子群算法与Eq。（17）是QPSO算法。3.4. 测量标准为了评估所提出的系统的性能，许多主观指标（如语音信号的绘制和播放这些语音）和客观指标（如SNR和SDR）被使用。语音信号的绘制在表1的图中完美地示出。这些图描述了原始信号与分离后的估计信号之间的精度。原始语音信号和分离的语音信号之间的测量度量，如在评估过程中使用的SNR和SDR，可以在表2中示出。SNR度量的最佳范围在0和1之间，SNR的最佳结果最接近0;而在SDR度量中，更高的值是好的和期望的[3，14，15]。● 信噪比（SNR）：计算如下：t~s其中st表示混合之前的原始源信号，并且表示估计信号。4. 拟议系统该系统由两个主要阶段组成：首先，它包括ICA，其次，它包括通过实施QPSO算法来增强第一阶段的结果该系统采用ICA方法处理鸡尾酒会问题，即如何分离多个传感器（麦克风）接收到的混合声音在第一阶段中，有许多步骤如下：1. 初始化自由噪声语音信号，至少两个信号，并且在i.i.d.（相同独立分布）属性，在相同的长度和相同的频率（系统处理声音8kHz）。2. 通过使用Eq. （1）初始化后的混合矩阵满足良好条件，得到最佳混合信号。3. 对步骤2的结果进行ICA预处理，预处理包括居中和白化（如第3.1.1节所述）4. 将负熵和峰度作为对比函数，ICA中分离混合信号的方法（如SNR10logP1ns2ndB18第3.1.2节）。1/410P1联系我们^2ð Þ ð Þ混合过程1.3：x（t）=As（t）1.2 ： 初 始 化 混 合 矩 阵A，并改变A的标准正态1.1：读取并初始化至少两个源语音1.4：ICA美白和居中的QPSO过程2.5 ： 重 复 步 骤 （ 2.2 至2.4），直到终止迭代并选择最佳值2.4：将QPSO的mbest参数设置（更新）为等式（十五）2.3：实现对中增白2.2：设置QPSO的适应度函数（使用负熵）2.1：初始化QPSO参数1.5 ： 实 现负 熵 和 峰 度 作 为ICA的对比度函数Fig. 1. 所提出的方法的框图的流程图。源语音信号发言时间（T）SNRSDRA-1、A-2500000.190013.8574C-1，C-2233230.015627.4347D-1、D-2215820.096521.2590E-1、E-2500000.154414.0834F-1、F-2500000.120614.6430N.AbdulMohsin 阿巴斯， H.M. 萨勒曼语/埃及语 信息学 杂志 19 （2018）101105第二阶段，也包括以下步骤：1. 将量子粒子群优化的参数初始化为：种群、最大迭代（maxiter）和参数（有时称为对比膨胀系数（CE））。其中population = 10，maxiter = 50。因此，在所提出的系统中，在QPSO算法中非常重要的参数2. 优化方法的适应度值和适应度函数的设置该方法采用负熵和峰度作为适应度函数。3. 中心化和白化在每次迭代中实现4. 设置（十五）、5. 在每次迭代过程中，算法根据适应度函数的结果更新适应度值，并选择最佳值。直到终止迭代。6. 在QPSO算法之后，对算法的结果进行了主观评价（如信号的描述和播放）和客观评价（如信噪比和SDR）。所提出的系统的上述步骤在图1中以图解说明。1.一、5. 仿真结果与分析为了实现所提出的系统的有效性，许多对语音信号进行了检查，这些语音中的大多数已经从数据库的链接用两种不同的语音信号模拟鸡尾酒根据测量指标，图表结果如表1所示。表2给出了原始语音信号和分离后语音信号之间的测量指标，如SNR和SDR，在评估过程中使用的SNR指标信噪比测量0.40.30.20.10阿、中、德、英、法拟定FastICA图二、信噪比测量所提出的方法和FastICA。SDR-测量6050403020100阿、中、德、英、法拟定FastICA图3.第三章。所提出的方法和FastICA的SDR测量在0和1之间，最佳结果最接近0;而SDR度量，更高的值是好的和期望的。为了分析算法实现的结果，应用了两个信号精度测量（SNR和SDR），如表2所示。将传统的FastICA算法应用于相同的语音和/或声音样本，并对两种方法的结果进行了比较，结果表明，该方法与FastICA算法相似，甚至优于FastICA算法，并且更稳定。如图2和36. 结论独立分量分析方法被应用于许多学科（信号分离、特征提取、图像压缩、图像加密等）。尤其是最近几年。此外，在优化领域，最近的方向集中在QPSO方法。本研究利用量子粒子群算法的优点，以提高ICA算法的性能，作为一种新的技术用于语音分离。研究了采样频率为8kHz的真实不同说话人、不同句子的不同语音信号的鸡尾酒会问题根据信号绘图、SNR和SDR评估指标，结果是优异的。引用[1] Comon P，Jutten C.盲源分离、独立分量分析及应用手册。牛津：学术出版社;2010.[2] 杨伟，王伟，王伟. 独立成分分析。John Wily&Son; 2007.[3] 放大图片作者：MakinoS，Lee TW，Sawada H. 语音盲分离Springer; 2007.[4] Muhsin NA.盲语音信号分离的自适应ICA算法比较：鸡尾酒会问题。论文伊拉克：技术大学; 2006年。[5] Sadkhan SB，Alnaji AJ，Muhsin NA.基于神经网络的性能评价算法。CSNDSP（第五届通信系统、网络和数字信号处理国际研讨会），希腊，2006年。[6] 张凯，田刚，田丽.基于JADE算法的盲源分离及其应用。第三届机电一体化，机器人和自动化国际会议（ICMRA 2015）。[7] 海瓦里宁独立成分分析：最新进展。英国皇家学会出版社; 2016年。 十二[8] Mutihac R，Van Hulle MM.独立分量分析自适应神经网络算法的比较研究布加勒斯特大学物理系，邮编76900罗马尼亚。[9] Krishnaveni V等人，用于从脑电图中去除眼伪影的独立分量分析算法的比较。Measur Sci Rev 2005;5.第2款.[10] 孙杰，赖春，吴晓.粒子群优化的经典和量子观点。CRC Press;2012.[11] 孙军，冯波，徐伟.具有量子行为粒子的粒子群优化算法。IEEE;2004年。[12] KennedyJ，Eberhart R. 粒子群优化算法在：IEEE神经网络国际会议论文集，珀斯，澳大利亚; 1995年p. 1942年到1948年[13] Xi M，Sun J，Xu W.一种改进的加权平均最优位置量子粒子群算法。应用数学计算2016;11（2）：121-32. Elsevier Inc..[14] Abbas Nidaa AbdulMohsin 。基 于独立分量分 析和Arnold 猫映射 的图像加密。EgyptianInfJ 2016;17（1）：139-46.出版商爱思唯尔。[15] Vincent E等人，盲音频源分离中的性能测量。IEEE Transactions on Audio，SpeechandLanguageProcessing ， InstituteofElectricalandElectronicsEngineers 2006;14（4）：1462[16] Azad H，Hatam M.最大似然独立成分分析的遗传算法和粒子群算法。2016年第24届伊朗电气工程会议（ICEE）。IEEE;2016.[17] 基于改进粒子群优化的盲源分离算法。2009年国际人工智能和计算智能会议。IEEE计算机协会;2009年。[18] SaikiaBetal.SpeechsignaldenoisingusingICA-DWTanddifferentshrinkagealgorithms. IJRSI2015;II（IV）.[19] 放大图片作者：Jenkins W.基于粒子群算法的独立分量分析非参数密度估计。ICASSP- 2005，IEEE 2005。
我的内容管理
展开
