2.6 小结
上面主要介绍了本次课程设计用到的ppt的功能，利用上述功能相组合可以领课件更加直观、生动、形象。
3 神经网络设计课件的ppt实现
3.1 引言
早期人们对于盲源分离算法的研究中，为降低难度，多是在假定混合矩阵参数是固定不变的前提下进行的，这样得出的算法大都是批处理算法，不能跟踪时变系统。近年来，人们对于混合信号的在线盲分离问题逐渐研究出许多成熟有效的自适应学习算法，它们包括：信息最大化算法[14, 62-66]、自然梯度算法[66-67]、EASI算法[107]等，这些算法具有牢固的理论基础和可靠的分离性能，但其都存在一个步长因子的选取问题，也就是算法的收敛速度与其稳态性能之间矛盾的优化问题。上述几种自适应分离算法多采用固定数值的步长因子，因此不能兼顾系统对于时变系统跟踪能力、算法收敛速度和稳态误差的要求。为解决这一问题，人们相继提出了一些变步长盲源分离算法。
本章首先概括介绍了几种经典的固定步长自适应盲源分离算法，在此基础上归纳并分析了现存的变步长自适应盲源分离技术。然后针对变步长自适应盲源分离算法中步长因子的选取问题，基于分离性能指标与步长因子的对应关系，提出了一种新的变步长自适应盲源分离算法。该算法通过结合一个受限的辅助分离系统，重新构造系统分离性能指标，并根据该指标参数呈指数趋势下降的变化规律，来获取步长因子的自适应更新准则。数值实例表明：本文提出的算法相对于固定步长和新近的变步长自适应盲源分离算法，拥有更快的收敛速度和更小的稳态误差。
3.2 自适应盲源分离算法
3.2.1 定步长自适应盲源分离算法
人们处理数字信号的方式大致可以分为两类[61]，即批处理和自适应处理。批处理是指依据一批已经取得的数据来进行统计学处理，尽管较多的数据可以被反复循环使用，但系统却需要大量的空间来储存这些数据，并且处理系统无法适应时变的输入信号。而自适应处理则是指随着信号的不断输入作递归式的迭代处理，它无需太大的数据存储空间，所以信号的整个处理过程也被称为实时处理或在线处理。我们在设计一个信号处理系统时，都希望该系统在所处的环境条件下始终是最佳的，即使环境条件是随时间变化的，也可以根据自身的调剂来适应外界的变化，这就要求该系统具有自适应处理能力。一个性能良好的自适应处理系统需要具备以下特征[24]：⑴对系统所处的环境条件具有识别能力，能感知环境条件的变化，并作出相应的判断；⑵能依据事先确定的某种最优准则，调节系统本身的状态和参数，使系统达到最佳状态；⑶具有自组织能力，无需人为的调制过程。因此，也可以认为系统的自适应过程就是一个能在任何时候都能使系统趋于最佳性能的自动调整过程。
3.2.2 变步长自适应盲源分离算法
前节给出的自适应盲源分离算法具有良好的跟踪能力和一定的分离性能，但其都存在一个步长因子的选取问题，也就是算法的收敛速度与其稳态性能之间矛盾的优化问题。在分离的初始阶段或混合系统参数发生变化时，人们期望选取较大的步长因子，以便算法具有较快的收敛速度和对时变系统的跟踪能力；在分离的后期收敛阶段，则希望算法保持较小的步长以便系统获得较小的稳态误差。上述几种分离算法多采用固定数值的步长因子，因此不能兼顾系统对于时变系统跟踪能力、算法收敛速度和稳态误差的要求。为解决这一问题，人们相继提出了一些变步长盲源分离算法，如模拟退火算法、分阶段学习算法及峭度自适应变步长算法等。
3.3 结合辅助分离系统的变步长自适应盲源分离算法
前节给出的变步长算法可以有效地缓解分离系统跟踪性能与稳态误差相互矛盾的问题，但由于盲源分离算法是一种典型的无监督学习算法，算法在迭代过程中无法找到一个确切的能描述系统分离程度的参量。因此在设计步长的自适应变化规则时，这些算法多是通过采用其他信息，如分离信号之间的相关性、互信息的大小等来近似地表示当前时刻系统的分析程度。这些近似的参数虽可以用来调节步长参数的变化规律，但势必会带来一定的误差，从而影响系统的整体分离性能。本文尝试采用其他算法，通过结合一个受限制的辅助分离系统来构造系统的分离性能指标参数，并基于该参数的指数变化规律来获取步长因子的自适应调节准则。
3.3.1 系统分离性能指标
我们知道，对于一个分离矩阵W(k)迭代规则如下的自适应盲源分离系统
W?k?1??W?k????k???I?Q?k???W?k? (3.3.1)
3.3.2 重构系统分离性能指标
由于分离性能指标PI同LMS算法中误差函数的性质基本类似，其收敛曲线随迭代次[118]
数的增加呈现指数下降的趋势，故可参照LMS算法中的经典变步长算法来调节步长的更新公式，为
2??k???1?exp???PI?G?k????? (3.3.4)
??3.4 与其它几种典型算法的比较
下面通过数值实例来验证本文提出的变步长自适应盲源分离算法的收敛性能，并将其
相关推荐：
loading