基于IABC-ICA的随掘地震去噪方法

程久龙，程 鹏，李亚豪

(中国矿业大学(北京) 地球科学与测绘工程学院，北京 100083)

地下工程隧道和矿井巷道掘进过程中为了确定前方地质情况，需要使用钻探和地球物理方法进行超前探测。超前探测的地球物理方法主要有地震方法、直流电法、瞬变电磁法、地质雷达等，目前地震方法是超前探查断层等地质构造的主要方法，具有探测距离长，分辨率高，对地质构造定位准确的优点。传统的地震方法探测以炸药作为震源，需要掘进工作面停止生产，对巷道掘进进度有较大影响，且炸药震源需要施工炮孔，效率低，存在一定的危险性。随掘地震是以掘进机掘进过程中切割岩石产生的振动作为震源，在巷道布置检波器接收来自不同地质界面的地震信号进行探测，是在掘进生产进行过程中实施的探测，不影响正常掘进，具有成本低、效率高、安全性好、实时连续观测等优点。但随掘地震采集信号中存在强噪声干扰导致有效信号信噪比极低，采用合适有效的去噪方法可以提高有效信号信噪比和分辨率，从而提高随掘地震超前探测的效果。

近10 a来国内外学者开展了对随掘地震探测技术的理论、方法和应用研究，由于随掘地震信号存在强噪声干扰、有效信号信噪比低的问题，在对随掘地震信号进行去噪的基础上研究有效信号的提取方法具有重要意义。最初随掘地震探测技术是为探测钾盐矿巷道顶部及前方的构造情况提出的，TAYLOR等以巷道采掘机的振动作为震源，采用互相关和预测反褶积等方法对采集数据进行去噪处理，得到了对应地层标志层的地震叠加剖面，但去噪等处理之后的结果精度不高，且信噪比偏低。为改善去噪之后地震信号信噪比低的问题，PETRONIO等提出在隧道开挖随掘地震探测中设置近震源信号为参考道，采用互相关的方法实现了有效波信号的提取，探测到与隧道相交的断层，但其处理结果仍然含有大量噪声干扰，对于断层的预测精度较低。王季等通过优先选取随掘地震实测地震记录中信号质量高的片段，脉冲化处理后采用绕射偏移法实现掘进工作面侧前方断层的成像。李亚豪等基于互相关函数采用奇异值分解等方法，实现了对模拟随掘地震噪声的有效压制。刘强基于互相关的随掘信号在时频域具有稀疏性的特点，提出了基于L1范数约束反演的小波去噪方法，以降低噪声对有效信号的影响。由于随掘地震信号波组的复杂性，仅采用单一的去噪方法处理，不能准确地分离有效信号。为此，笔者团队通过对随掘地震超前探测中的干扰波成分进行系统分析，根据干扰波的不同类型采用极化滤波、相关函数法等综合方法进行处理，分离不同特征的噪声干扰。与随掘地震技术类似的随采地震技术，是以采煤机切割煤层的振动作为震源来进行探测，也存在强噪声干扰、有效信号信噪比低的问题，在噪声压制及断层等构造成像方面也取得了一些进展。LUO等和KING等探讨了利用随采地震对采煤工作面前方煤层顶板岩体的应力分布进行预测的方法，分别利用不同的成像方法对异常区域解释，表明随采地震能够用于推断采煤工作面前方顶板应力状态和地质异常。陆斌等利用互相关干涉方法将采煤机的连续振动转化为脉冲炮集，得到了较高信噪比的透射槽波信号。上述研究成果对随掘地震和随采地震的噪声压制取得了较好的效果，为有效信号的提取提供了借鉴。

由于巷道空间狭窄，数据采集条件较差，且存在掘进机、带式输送机和工频等干扰源，尤其是随掘地震利用的震源是掘进机切割岩石或煤层所产生的振动，其本身就是噪声，导致随掘地震探测地震记录的信噪比较低，难以获得比较理想的有效地震信号，同时随掘地震的震源机制是连续震源，导致常规地震数据处理方法应用效果较差。

根据随掘地震的地震记录具有强噪声且连续震源的特点，笔者提出基于改进的人工蜂群(Improved Artificial Bee Colony,IABC)的独立分量分析(Independent Component Analysis，ICA)方法，对随掘地震超前探测数值模拟的地震记录进行去噪，通过随机噪声与有效信号的分离，实现了对噪声干扰的压制，提高了随掘地震数据有效信号的信噪比。结合随掘地震现场试验数据的处理，验证了基于改进人工蜂群的独立分量分析(IABC-ICA)方法在随掘地震去噪方面具有较好效果。

1 基于改进人工蜂群的独立分量分析方法

1.1 独立分量分析方法

独立分量分析方法是一种独立源信号分离方法，该方法是解决盲源信号分离问题最有效的方法之一，同时对于弱信号提取具有一定的优势。基础ICA方法即是在仅有混合信号的情况下实现分离矩阵和分离信号的求取：

=x

(1)

式中，为分离信号；为分离矩阵；为混合信号。

基础ICA方法通常采用简单、快速的梯度算法或牛顿算法作为求解分离矩阵的优化函数，但容易陷入局部最优，且存在收敛精度低或不收敛的缺点。

1.2 改进人工蜂群算法

人工蜂群(Artificial Bee Colony，ABC)算法是一种群集智能优化算法。ABC算法将人工蜂群分为雇佣蜂、跟随蜂和侦查蜂3类，采用全局随机迭代的方式完成寻优过程，这使得ABC算法具有快速寻找可行解的能力，但同时忽略了算法寻找全局最优解的效率性和准确性。ABC算法中跟随蜂和侦查蜂的搜索策略如下：

=+(-1,1)(-)

(2)

=+(0,1)(-)

(3)

式中，∈{1,2,3,…,}，∈{1,2,3,…,}且≠；为新蜜源；为原蜜源；为原蜜源邻域的随机个体；为蜜源最大边界；为蜜源最小边界。

对于ABC算法的优化策略，考虑通过改变算法搜索策略的方式，提高算法全局寻优的效率性和准确性，因此，分别对跟随蜂和侦查蜂的搜索策略进行改进，以达到优化算法收敛性的目的，具体改进如下：

=+(-)+(-)

(4)

=+(-)

(5)

式中，为区间[-1,1]中的一个随机数；为区间[0,1]中的一个随机数；为随机生成的新蜜源，为当前的最优蜜源，即当前的全局最优解。

式(4)为改进的跟随蜂搜素策略，通过引入(-)项，使得跟随蜂在更新迭代蜜源信息时不仅具有随机寻找蜜源的特点，同时考虑当前最优解的影响，使得算法可以更快的向全局最优解靠近，加快算法的收敛速度。式(5)为改进的侦查蜂搜素策略，通过改变(-)项，使得侦查蜂在更新迭代蜜源信息时向当前全局最优解靠近，避免了因随机生成蜜源太差而导致算法陷入局部最优的情况，提高了算法收敛的准确性。

为验证改进的人工蜂群算法的优化性能，将IABC算法与ABC算法的收敛性能进行对比，采用具有相互独立多峰值的Ackley测试函数进行优化性能测试，设定蜂群规模为40，雇佣蜂、跟随蜂各占一半种群的数量，对于同一蜜源的搜索次数限制为100次。优化函数的维数为100，进化迭代次数为2 000，测试函数的实验次数为100次。IABC与ABC的优化性能对比见表1，函数优化过程如图1所示。

表1 测试函数优化结果比较

图1 Ackley函数100维优化过程Fig.1 Ackley function 100-dimensional optimization process

从表1和图1可以看出，对于具有相互独立性质的多峰值Ackley测试函数，ABC算法的收敛速度较为缓慢，容易陷入局部最优，优化结果不明显，IABC算法在函数优化的最大值、最小值、均值以及方差方面均优于ABC算法，且收敛速度快，不容易陷入局部最优，表明IABC算法提高算法全局寻优的效率性和准确性。

1.3 IABC-ICA方法

针对独立源信号盲源分离方法的优化函数存在的收敛精度低以及易陷入局部最优的问题，本文提出基于改进人工蜂群的独立分量分析方法，即采用上述的IABC算法作为ICA方法的优化函数，使其实现更高的收敛精度。IABC-ICA方法将IABC算法作为优化函数求解ICA问题的分离矩阵，以分离信号的最大负熵值作为IABC算法的代价函数，以负熵的近似值构建代价函数(式(6))，通过对全局最优解的迭代更新，使得代价函数的最大适度值满足最小精度误差，完成分离矩阵的求取，并对分离矩阵进行正交化，从而实现混合信号中各个独立分量的分离，即求取分离信号。

()=()-()

(6)

式中，()为分离信号的负熵；为一服从高斯分布的分离信号；()为的微分熵;()为微分熵。

IABC-ICA算法的具体流程如图2所示。

2 基于IABC-ICA方法的信号分离

为了验证IABC-ICA方法分离多种信号的性能，将IABC-ICA方法与快速独立分量分析(Fast Independent Component Analysis，FastICA)方法进行分离多种信号性能的对比，并选用性能指标函数(Performance Index，PI)作为算法分离效果的评价标准。

图2 IABC-ICA算法流程Fig.2 IABC-ICA algorithm flow

源信号S分别选用正弦波、方波、锯齿波以及随机噪声，如图3(a)所示；使用随机生成的混合矩阵将4个独立信号进行混合，得到混合信号如图3(b)所示；使用FastICA算法和本文算法对混合信号进行分离，得到的分离结果如图3(c)，(d)所示。

图3 2种方法分离结果对比Fig.3 Comparison of separation results by two methods

从图3可以看出，FastICA算法和IABC-ICA算法都可以实现4种混合信号的分离，得到估计信号结果，但由于ICA方法分离信号幅值的不确定性和顺序的不确定性，分离信号的幅值和顺序与原始信号存在一定差异。从图3(c)中分离信号2是对原始信号中正弦信号的估计，与图3(d)中分离信号2相比可以看出图3(c)中正弦信号波峰与波谷处仍残留有其他干扰信号，说明IABC-ICA的分离效果优于FastICA算法的分离效果。考虑到IABC-ICA方法与FastICA方法都具有一定的迭代随机性，为了降低算法随机性的影响，进一步说明了IABC-ICA方法的分离多种信号的性能优于FsatICA方法，分别进行了5次多种信号分离测试，并使用性能指标函数评价算法的信号分离效果，PI值越小代表分离信号与源信号越接近，即信号分离效果越好。逐次测试的性能指标结果对比如图4和表2所示。

图4 算法的性能指标结果对比Fig.4 Comparison of performance index results of algorithm

表2 算法的性能指标结果分析

从测试结果可以看出，对于相同混合信号进行分离测试时，IABC-ICA方法测试结果的最大值、最小值以及平均值均小于FastICA方法测试结果，且IABC-ICA方法相较于FastICA方法具有更小的方差，分离测试结果更加稳定，表明IABC-ICA方法在分离多种信号方面具有更高的收敛精度。

3 随掘地震超前探测数值模拟

3.1 地质-地球物理模型

建立随掘地震超前探测的地质-地球物理模型，主要地层为砂岩和灰岩，如图5所示。模型大小为300 m×300 m，其中巷道长度为150 m，高度为5 m，煤层厚度为5 m，掘进工作面前方40 m处存在倾角为60°的正断层，断层落差为8 m，断层破碎带宽度为8 m。各种介质的物性参数见表3。

图5 随掘地震超前探测地质-地球物理模型Fig.5 Geological and geophysics model for ahead detection of mine seismic while drilling

表3 模型介质物性参数

3.2 数值模拟

考虑到随掘地震震源信号具有随机、连续、变幅和变频的特征，单一频率Ricker子波不适合作为随掘地震的震源，因此采用主频为200 Hz的Ricker子波与离散随机反射序列褶积，并加入随机噪声，得到时长为0.12 s的模拟震源，与随掘地震的实际震源相似，如图6所示。

图6 模拟震源Fig.6 Simulation source

数值模拟的测线设在巷道底板，长度为150 m，接收道共150道，道间距为1 m。利用二维弹性波有限差分算法进行随掘地震超前探测的数值模拟，定义其空间步长为1 m，时间步长为5×10s，采样间隔为0.1 ms，地震记录接收时间为0.25 s。

3.3 数值模拟结果分析

图7为对应图4模型的随掘地震数值模拟的地震记录，由于随掘地震超前探测震源子波为连续信号，在震源振动的时间内持续不断地产生能量，并以波动的形式向周围传播，因此，从图7可以看到连续的纵波和横波，且直达波能量远远强于反射波能量，导致大部分有效反射波被强能量的直达波干涉。图7(a)为地震记录的分量，可以看出巷道面波和直达波能量强，但很难在地震记录中分辨反射波。图7(b)为地震记录的分量，可以看出直达横波能量强，直达纵波能量弱，也无法直接从地震记录中分辨反射波。

图7 随掘地震超前探测地震记录Fig.7 Advance detection of fault seismic records with mine seismic while drilling

4 数值模拟地震记录的有效信号提取

4.1 噪声与有效信号的分离

为了更加准确地模拟随掘地震探测的真实地震信号采集环境，考虑巷道中存在各种噪声对地震信号的影响，将上述地震记录分量作为处理对象，加入随机噪声，得到信噪比约为5 dB的分量含噪地震记录，如图8所示。从图8可以看出噪声强，原地震信号被随机噪声严重干扰。

图8 Z分量含噪地震记录Fig.8 Seismic record of Z component with random noise

对图8含噪地震记录采用IABC-ICA方法进行随机噪声和地震信号的分离处理，去噪结果如图9(a)所示，可以看出随机噪声得到有效压制，可分辨强直达横波和弱直达纵波以及微弱反射波信号，区域1内为弱直达纵波信号，区域2内为强直达横波信号位置，区域3为微弱反射波信号为主。

图9 2种方法去噪结果对比Fig.9 Comparison of processing results of two method

为了确定IABC-ICA方法分离噪声达到的去噪效果，采用小波去噪方法与其进行对比。图9(b)为对图8含噪地震记录进行小波去噪处理结果，可以看出小波去噪方法在去除噪声的基础上，原地震信号也被部分压制，使得去噪结果没有完全保留有效地震信息，但IABC-ICA方法不仅有效的去除了噪声干扰，而且较完整地保留了有效地震信息。对2种方法去噪效果进行对比，采用式(7)计算信噪比SNR：

(7)

式中，为原始信号;为去噪结果;下标rms代表均方根值。

计算得到IABC-ICA方法去噪结果的信噪比为13.59 dB，小波方法去噪结果的信噪比为11.80 dB。这说明IABC-ICA方法去噪效果明显，且较好地保留了原地震信号的有效信息，为后续进一步识别有效反射波信号奠定了基础。

4.2 连续信号子波的压缩

为了更好地检验去噪效果，更为清晰地识别反射波等有效地震信号，在进行了IABC-ICA方法去噪的地震记录上，综合采用互相关方法和脉冲反褶积方法对去噪后的信号进行处理。以最靠近震源的地震道作为参考信号，与其余各道数据作互相关处理，计算结果如图10所示。图10(a)为不经过去噪的模拟数据的互相关结果，噪声干扰较明显；图10(b)为经过去噪的模拟数据的互相关结果，对比图9(a)中去噪后的地震记录，可以看出直达波和较弱的反射波信号能量有所增强，但是仍然无法直观地从地震记录中识别反射波信号。

为了进一步突出有效信号，通过脉冲反褶积方法，压缩连续子波长度，提高地震记录的垂向分辨率，选择反褶积因子长度为25 ms，白噪系数为1，计算结果如图11所示。图11(a)为不经过去噪记录的脉冲反褶积结果，图中信号比较杂乱，信噪比低；图11(b)为经过去噪后脉冲反褶积结果，可以清晰的识别直达横波和反射波信号，结合同相轴的形态特征和旅行时，推断同相轴1为直达横波，同相轴2为巷道下方地层界面反射纵波和断层反射纵波，同相轴3为巷道下方地层界面反射横波和断层反射横波。

图10 IABC-ICA方法去噪前后互相关处理结果Fig.10 Results of cross correlation processing before and after denoising by IABC-ICA method

图11 IABC-ICA方法去噪前后脉冲反褶积处理结果Fig.11 Results of pulse deconvolution before and after denoising by IABC-ICA method

基于相同地质-地球物理模型，把随掘地震的连续震源换成200 Hz的Ricker子波类爆炸震源，通过上述相同的处理方法，得到类似爆炸震源的地震记录，如图12所示，可以看出图12中波组特征与图11(b)中波组特征基本一致，说明了随掘地震信号在IABC-ICA方法去噪的基础上，通过互相关和脉冲反褶积处理能够准确提取随掘地震的有效信号。

图12 200 Hz雷克子波类爆炸震源的地震记录Fig.12 Seismic records of 200 Hz Ricker wavelet similar to explosive source

5 现场试验

5.1 工程概况

试验地点为山西省某矿采掘巷道内，所采煤层为二叠系山西组2号煤层，平均厚度为2.51 m，平均倾角7°，煤层构造简单，为缓倾斜煤层。巷道直接顶为泥岩，厚2.29～5.37 m，平均厚度为2.44 m；基本顶为砂质泥岩，厚1.73～2.97 m。直接底为砂质泥岩，厚1.73～2.97 m，平均厚度为2.35 m；基本底为泥岩，厚5.8～8.4 m，平均厚度为7.1 m。

试验巷道右侧为胶带架，因此在巷道左侧布置测线，将检波器固定在巷道左侧帮，与底板距离约为1 m，沿巷道轴线方向共布置三分量检波器15个，道间距为5 m，总排列长度为70 m，其中第1道检波器距离掘进工作面为6 m，作为参考道，如图13所示。

图13 随掘地震超前探测观测系统示意Fig.13 Observation system of mine seismic while drilling ahead detection

5.2 数据处理与分析

图14为随掘地震实测地震记录的20 s时间段数据，从图14可以看出，15个三分量检波器共接收到45道地震数据，1～3道为第1个检波器的，，三个分量，以此类推，在该地震记录中存在严重的噪声干扰，信噪比低，无法识别有效波组。

图14 随掘地震超前探测实测地震记录Fig.14 Measured seismic records of mine seismic while drilling ahead

在实测数据中截取前0.3 s时长数据段，利用IABC-ICA方法对其进行去噪，干扰信号得到明显压制，如图15所示。在此基础上采用互相关和脉冲反褶积方法对含噪数据和去噪数据分别进行处理，图16为含噪数据的最终结果，处理结果噪声干扰明显，信噪比低。图17为去噪数据的最终结果。

图15 实测数据经IABC-ICA去噪后结果Fig.15 Denoising results of measured data by IABC-ICA method

从图17可以看出，分量信号能量相较于分量和分量信号能量更弱，符合随掘地震震源的特征。在地震记录中可以看到能量相对较强的2个同相轴，其中同相轴1形态为直线，推断为直达波，同相轴2形态为双曲线，推断为反射波。图17中分量和分量记录中，经过处理得到的同相轴能量相对较强，且连续性较好；而在分量记录中，对应的同相轴能量相对较弱，连续性也较差。通过速度分析可知，同相轴1的速度约为1 200 m/s，与巷道底板泥岩的横波速度接近，为底板泥岩的直达横波。另外，图17中还存在多组能量较弱的波组。

图16 含噪记录经互相关和脉冲反褶积处理后结果Fig.16 Results after cross-correlation and pulse deconvolution without denoising

图17 去噪记录经互相关和脉冲反褶积处理后结果Fig.17 Results after cross-correlation and pulse deconvolution with denoising

6 结 论

(1)通过改进搜索策略对ABC算法进行优化，利用IABC算法求取ICA方法的分离矩阵，测试结果表明改进ABC算法的策略有效，并且IABC-ICA方法相较于ICA方法具有更高的分离精度和稳定性。

(2)利用IABC-ICA方法对含噪声的随掘地震数值模拟地震记录进行去噪，有效压制了噪声干扰，并采用互相关和脉冲反褶积方法，提高信号的纵向分辨率，得到的处理结果与爆炸震源信号的波组特征基本一致。

(3)通过对实测数据进行去噪、互相关和反褶积处理，得到了较为明显的直达波与反射波等有效信号，进一步表明IABC-ICA方法在处理噪声和有效信号分离中具有较好的效果，为随掘地震资料的后续处理和解释奠定了基础。

[1] 彭苏萍. 我国煤矿安全高效开采地质保障系统研究现状及展望[J]. 煤炭学报,2020,45(7):2331-2345.

PENG Suping. Current status and prospects of research on geological assurance system for coal mine safe and high efficient mining[J]. Journal of China Coal Society,2020,45(7):2331-2345.

[2] 程久龙,李飞,彭苏萍,等. 矿井巷道地球物理方法超前探测研究进展与展望[J]. 煤炭学报,2014,39(8):1742-1750.

CHENG Jiulong,LI Fei,PENG Suping,et al. Research progress and development direction on advanced detection in mine roadway working face using geophysical methods[J]. Journal of China Coal Society,2014,39(8):1742-1750.

[3] 张平松,李圣林,邱实,等. 巷道快速智能掘进超前探测技术与发展[J]. 煤炭学报,2021,46(7):2158-2173.

ZHANG Pingsong,LI Shenglin,QIU Shi,et al. Advance detection technology and development of fast intelligent roadway drivage[J]. Journal of China Coal Society,2021,46(7):2158-2173.

[4] 程久龙，谢晨，孙晓云，等. 随掘地震超前探测理论与方法初探[A]. 中国地球科学联合学术年会[C]. 北京:2015.

[5] 程久龙，高峰，孙晓云，等. 随掘地震去噪方法研究[A]. 中国地球科学联合学术年会[C]. 北京:2014.

[6] TAYLOR N,MERRIAM J,GENDZWILL D,et al. The mining machine as a seismic source for in seam reflection mapping[A]. SEG Technical Program Expanded Abstracts[C]. 2001:1365-1368.

[7] LORENZO Petronio,FLAVIO Poletto,ANDREA Schleifer. Interface prediction ahead of the excavation front by the tunnel-seismic-while-drilling(TSWD)method[J]. Geophysics,2007,72(4):G39-G44.

[8] 王季,覃思,陆斌,等. 基于掘进机随掘震源的巷道侧前方断层成像技术[J]. 煤炭科学技术,2021,49(2):232-237.

WANG Ji,QIN Si,LU Bin,et al. Tomographic imaging technology of front side of roadway based on excavation source ofroadheader[J]. Coal Science and Technology,2021,49(2):232-237.

[9] 李亚豪,程久龙,姜旭,等. 基于互相关的随掘地震超前探测有效信号提取方法研究[J]. 中国矿业,2020,29(5):82-85,114.

LI Yahao,CHENG Jiulong,JIANG Xu,et al. Research on effective signals extraction method of seismic while drilling ahead detection based on cross-correlation[J]. China Mining Magazine,2020,29(5):82-85,114.

[10] 李亚豪. 基于ICA的随掘地震超前探测弱信号提取方法研究[D]. 北京：中国矿业大学(北京),2020.

LI Yahao. Research on weak signals extraction of mine seismic while drilling ahead detection based on ICA[D]. Beijing:China University of Mining and Technology-Beijing,2020.

[11] 刘强. L1范数约束的随掘地震噪声衰减[J]. 煤炭学报,2021,46(8):2699-2705.

LIU Qiang. Noise attenuation based on L1-norm constraint inversion in seismic while drilling[J]. Journal of China Coal Society,2021,46(8):2699-2705.

[12] LUO Xun,KING Andrew,WERKEN M V. Tomographic lmaging of rock conditions ahead of mining using the shearer as a seismic source:A feasibility study[J]. IEEE Transactions on Geoscience and Remote Sensing,2009,47(11):3671-3678.

[13] KING Andrew,LUO Xun. Methodology for tomographic imaging ahead of mining using the shearer as a seismic source[J]. Geophysics,2009,74(2):1-8.

[14] 陆斌,程建远,胡继武,等. 采煤机震源有效信号提取及初步应用[J]. 煤炭学报,2013,38(12):2202-2207.

LU Bin,CHENG Jianyuan,HU Jiwu,et al. Shearer source signal extraction and preliminary application[J]. Journal of China Coal Society,2013,38(12):2202-2207.

[15] 宋维琪,李艳清,刘磊. 独立分量分析与压缩感知微地震弱信号提取方法[J]. 石油地球物理勘探,2017,52(5):984-989,1041,879-880.

SONG Wei,LI Yanqing,LIU Lei. Microseismic weak signal extraction based on the independent component analysis and compressive sensing[J]. Oil Geophysical Prospecting,2017,52(5):984-989,1041,879-880.

[16] 孟会杰,苏勤,曾华会,等. 基于独立分量分析的地震信号盲源分离及应用[J]. 岩性油气藏,2021,33(4):93-100.

MENG Huijie,SU Qin,ZENG Huahui,et al. Blind source separation of seismic signals based on ICA algorithm and its application[J]. Lithologic Reservoirs,2021,33(4):93-100.

[17] 何尧,刘建华,杨荣华. 人工蜂群算法研究综述[J]. 计算机应用研究,2018,35(5):1281-1286.

HE Yao,LIU Jianhua,YANG Ronghua. Survey on artificial bee colony algorithm[J]. Application Research of Computers,2021,33(4):93-100.

[18] 卓涛,詹颖. 改进人工蜂群算法的云计算资源调度模型[J]. 微电子学与计算机,2014,31(7):147-150,155.

ZHOU Tao,ZHAN Ying. Scheduling model cloud computing resource based on lmproved artificial bee colony algorithm[J]. Microelectronics & Computer,2014,31(7):147-150,155.

[19] 王辉. 改进的蜂群算法[J]. 计算机工程与设计,2011,32(11):3869-3872,3876.

WANG Hui. Improved artificial bee colony algorithm[J]. Computer Engineering and Design,2011,32(11):3869-3872,3876.

[20] WEN Laifu,CHENG Jiulong,LI Fei,et al. Global optimization of controlled source audio-frequency magnetotelluric data with an improved artificial bee colony algorithm[J]. Journal of Applied Geophysics,2019,170(C):103845.

[21] 张敏,王凯,李振春,等. 基于四阶互累积量的Fast ICA微地震数据噪声压制方法研究[J]. 石油物探,2019,58(5):716-723.

ZHANG Min,WANG Kai,LI Zhenchun,et al. Noise suppression of microseismic data based on fourth-order mutual cumulants and Fast ICA methods[J]. Geophysical Prospecting for Petroleum,2019,58(5):716-723.

[22] 马倩茹,冶继民. Fast ICA算法的收敛性与一致性分析[J]. 计算机工程与应用,2020,56(2):35-41.

MA Qianru,YE Jimin. Convergence and consistency analysis of Fast ICA algorithm[J]. Computer Engineering and Applications,2020,56(2):35-41.

[23] 李宗,冯志鹏,褚福磊. 基于改进的串音误差的盲分离评价指标[J]. 振动与冲击,2012,31(18):83-88.

LI Zong,FENG Zhipeng,CHU Fulei. A performance index of blind source separation based on improved crosstalk index[J]. Journal of Vibration and Shock,2012,31(18):83-88.

[24] 张旭秀,邱天爽. 基于源信号统计独立性的ICA方法的不确定性研究[J]. 系统工程与电子技术,2004(4):556-559.

ZHANG Xuxiu,QIU Tianshuang. Study on the indeterminacy of the statistical independence based ICA methods[J]. Systems Engineering and Electronics,2004(4):556-559.