CN109889467B - 一种微弱中频数字信号增强方法及*** - Google Patents
一种微弱中频数字信号增强方法及*** Download PDFInfo
- Publication number
- CN109889467B CN109889467B CN201811589594.9A CN201811589594A CN109889467B CN 109889467 B CN109889467 B CN 109889467B CN 201811589594 A CN201811589594 A CN 201811589594A CN 109889467 B CN109889467 B CN 109889467B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- signal
- stochastic resonance
- state
- signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Noise Elimination (AREA)
Abstract
本发明提供一种微弱中频数字信号增强方法及***。该方法包括:步骤1、接收原始射频信号并处理得到中频数字信号;步骤2、初始化人工鱼群参数,对中频数字信号在初代鱼群状态下进行随机共振处理;步骤3、对处理后的输出信号进行奇异值分解,利用评价函数筛选最优人工鱼状态;步骤4、基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,并对进行随机共振处理;步骤5、重复执行步骤3至步骤4,直至达到预设繁衍代数,将当前的最优人工鱼状态作为最佳的***参数;步骤6、根据最佳的***参数对中频数字信号进行随机共振处理,得到处理后的增强信号。本发明可快速实现带噪声信号和非线性***的匹配,可行性好,鲁棒性强。
Description
技术领域
本发明涉及通信信号处理技术领域,尤其涉及一种微弱中频数字信号增强方法及***。
背景技术
在非合作通信***中,如图14所示,接收机接收到的数字信号往往较为微弱,信噪比较低,并且预先无法获得发送信号的相关参数,因此,若要获取数字信号中的比特信息,必须利用盲信号处理技术,从接收到的未知信号中对必要参数进行估计,包括载波频率、符号速率、调制方式等,然后完成解调与信息恢复。不同的参数估计或者调制识别算法将带来不同的性能,但毫无疑问的是,信号的质量好坏将会对算法结果产生巨大影响。
针对低信噪比下的数字信号处理,学者们进行了大量研究,高阶谱可以抑制未知信号功率谱的加性高斯色噪声,小波变换适合用于暂态信号噪声去除方面,以及抑制高频噪声的干扰,高阶累积量对高斯噪声不敏感,循环谱具有一定的抗噪性能等等,这些方法的出发点主要集中于尽可能地抑制噪声。
而近些年,随着非线性动力学和统计物理理论的深入研究,随机共振得到发展,它通过一个非线性***,利用噪声的部分能量,将其转化为信号能量,从而达到增强信号降低噪声的作用,是一种用于增强微弱特征信号的新方法。
最初对随机共振的研究仅局限于输入为周期信号。之后,JJ Collins提出的非周期随机共振(Aperiodic Stochastic Resonance,ASR)和Xu B提出的参数调节随机共振(Parameter-turning Stochastic Resonance,PSR)被广泛应用。ASR 突破了输入信号的条件限制,证明无论是周期信号还是非周期信号,都存在随机共振现象;PSR则解决了只需要对***参数进行调节而不需要调节噪声就可以达到最佳输出效果的问题。随机共振被应用到很多领域:医学领域、电磁领、机械故障检测领域、信号处理领域等等。在数字信号处理领域,S Sun研究了利用ASR处理器检测基带脉冲调制(Pulse Amplitude Modulation,PAM)信号,并且应用在数字水印中检测其有效性。Dalabaev S研究PSR在基带数字信号中的应用。Liu J提出了基于PSR的接收机,提高了BPAM信号的接收性能。Linlin Liang推导出相干接收机下双稳态随机共振***误码率的表达式。Zhan Y将PSR 应用于信号的参数估计。对于自适应ASR而言,***结构参数的选择对性能的优劣起着决定性的作用,因为只有当信号、噪声和***达到最佳匹配程度,才能最大程度削弱信号中的噪声,提高目标信号的能量。对此,LING TONG研究了PSO粒子优化下的自适应随机共振方法,并利用尺度变换随机共振求解程序分析了影响***稳定性的参数。朱维娜首次研究了基于人工鱼群算法的自适应随机共振方法,孔德阳对其改进,将归一化处理与其结合,使其适用于大参数信号。但上述算法仅适用于单频信号。
群智能算法使用概率转移规则,同时采用个体的适应度对搜索空间进行并行搜索。其中人工鱼群算法是一种有效的寻优算法,它具有并行性、简单性、速度快的特点,因此利用人工鱼群算法全局搜索能力来自适应地选择和优化双稳态***参数是行之有效的方法,但如何针对各种不同的中频数字信号选取最佳参数则需要进行研究。
发明内容
为解决现有技术中存在的不足,本发明提供一种微弱中频数字信号增强方法及***,能够以较快的收敛速度实现带噪声的信号和非线性***的匹配,可行性好,效率高,鲁棒性强,为后续的参数估计和调制识别打下良好的基础。
一方面,本发明提供一种微弱中频数字信号增强方法,主要包括以下步骤:
步骤1、接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;
步骤2、初始化人工鱼群参数,对中频数字信号在初代鱼群状态下进行随机共振处理;
步骤3、对随机共振处理后的输出信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;
步骤4、基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,并对中频数字信号在新一代人工鱼群状态下进行随机共振处理;
步骤5、重复执行步骤3至步骤4,直至达到预设繁衍代数GEN,将当前的最优人工鱼状态作为最佳的***参数;
步骤6、根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理,得到处理后的增强信号。
进一步地,所述随机共振处理具体包括:
步骤A、对信号进行幅度归一化;
步骤B、令两个***参数a和b取值相等,且迭代步长h=1/fs,fs为采样频率;
步骤C、利用四阶Runge-Kutta算法对幅度归一化后的信号进行迭代,得到输出信号;
步骤D、对所述输出信号按照式(13)进行滑动平均,K为滑动长度参数, S(k)和S'(k)分别表示滑动平均处理前后的离散时间点k处的信号:
步骤E、对滑动平均后的输出信号进行幅度归一化,得到最终的输出信号。
进一步地,所述评价函数YSRIF为:
进一步地,所述行为函数包括觅食行为、聚群行为、追尾行为和随机行为;
设人工鱼i当前状态为Xi,人工鱼i下一时刻状态为X’i,人工鱼j当前状态为Xj,设定人工鱼的视野Visual,拥挤度因子δ,移动的最大步长Step,尝试次数Try_number,人工鱼个体i,j之间的距离dij=|Xi-Xj|,dij<Visual,Y为食物浓度,其中:
所述觅食行为具体为:人工鱼i在其视野Visual范围内随机选择一个状态 Xj,若Yi<Yj,人工鱼i则按照式(12)向人工鱼j所在位置游动;否则,人工鱼i在随机选择Try_number次数后,均不满足Yi<Yj时,人工鱼i则则按照式(11) 随机移动;
Xj=Xi+Visual·Rand() (11)
所述随机行为定义为:所述觅食行为的缺省行为。
进一步地,所述中频数字信号的类型为MASK信号、MPSK信号或MQAM 信号。
另一方面,本发明提供一种微弱中频数字信号增强***,主要包括:输入模块、人工鱼群算法模块和输出模块,所述人工鱼群算法模块包括初始化单元、随机共振单元、评价单元和繁衍迭代单元;
输入模块,用于接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;
初始化单元,初始化人工鱼群参数;
随机共振单元,分别在初代鱼群状态下和繁衍迭代单元输出的新一代人工鱼群状态下对中频数字信号进行随机共振处理;以及,在繁衍迭代单元达到预设繁衍代数GEN时,将当前的最优人工鱼状态作为最佳的***参数,根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理;
评价单元,对随机共振单元在初代鱼群状态下和新一代人工鱼群状态下输出的随机共振信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;
繁衍迭代单元,基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,直至达到预设繁衍代数GEN;
输出模块,接收随机共振单元在最佳的***参数下的输出信号,所述输出信号即为所述中频数字的增强信号。
本发明的有益效果:
本发明提供的一种微弱中频数字信号增强方法及***,以低信噪比中频数字信号为研究对象,提出一种不依赖先验知识的基于奇异值分解的评价函数对随机共振***参数进行寻优,首次从信号的特征子空间阐述了随机共振的本质。在分析了两个***参数对随机共振的作用后,令两个参数取值相同,并利用幅度归一化对单参数优化,降低了一半的复杂度。针对中频数字信号局部周期整体非周期的特点,将滑动平均滤波器加入随机共振处理过程来防止输出信号幅度漂移。最后,通过结合人工鱼群优化算法设计出了一套专门针对三类共七种信号的自适应随机共振框架来对微弱中频数字信号进行增强。本发明能够以较快的收敛速度实现带噪声的信号和非线性***的匹配。仿真实验表明,本发明可行性好,效率高,鲁棒性强,为后续的参数估计和调制识别打下良好的基础。
附图说明
图1为本发明实施例提供的双稳态***势函数示意图;
图2为本发明实施例提供的人工鱼视觉概念图;
图3为本发明实施例提供的一种微弱中频数字信号增强方法的流程示意图;
图4为本发明实施例提供的***参数a和b对随机共振输出的影响示意图;
图5为本发明实施例提供的滑动平均前后对比图;
图6为本发明实施例提供的随机共振处理前后的信号特征值对比示意图;
图7为本发明实施例提供的YSRIF随着***参数a的变化曲线图;
图8为本发明实施例提供的一种微弱中频数字信号增强***的***流程图;
图9为本发明实施例提供的2ASK信号和4ASK信号的收敛曲线;
图10本发明实施例提供的BPSK信号、QPSK信号和8PSK信号的收敛曲线;
图11本发明实施例提供的16QAM信号和64QAM信号的收敛曲线;
图12本发明实施例提供的2ASK信号、BPSK信号和6QAM信号的信号增强前后对比图;
图13本发明实施例提供的YI随信噪比的变化曲线;
图14为现有技术中的非合作通信条件下的信号处理流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明主要通过结合人工鱼群算法为任意微弱中频数字信号寻找最优***参数完成最佳随机共振。本发明所述***指双稳态***,***参数指双稳态***发生随机共振时的参数。下面首先对本发明研究的中频数字信号和双稳态***进行介绍。
中频数字信号是指经下变频处理后载频保持在某个预先设定值的数字信号,中频是相对于基带和射频来讲的。本发明所提供的微弱中频数字信号增强方法适用的信号种类有三种:多进制幅度键控(Multiple Amplitude Shift Keying,MASK)信号、多进制相移键控(Multiple Phase Shift Keying,MPSK) 信号和多进制正交幅度调制(MultipleQuadrature Amplitude Modulation, MQAM)信号。
MASK是将码元的信息直接映射到载波幅度上,其时域表达式为:
MPSK是利用载波的相位变化来传递数字信息,其时域表达式为:
MQAM是一种多进制的混合调幅调相的调制方式,其时域表达式为:
对于所有信号,A为幅度,g(t)表示脉冲成型,本发明只考虑矩形成型,Ts为符号持续时间,fc为载波的频率,θ为载波的初始相位。
双稳态***是一类典型的非线性***,可由Langevin方程表示:
式中a和b为双稳态***的参数,s(t)为输入信号,Γ(t)是均值为0、噪声强度为D的高斯白噪声,<Γ(t)>=0,<Γ(t)Γ(0)>=2Dδ(t),其中<·>为时间平均。
对于本发明而言,输入信号为中频数字信号,在任意符号间隔内,若幅度值不为0,则可以看成是拥有固定幅度和相位的单频信号,因此s(t)进一步可以用下式表示:
其中,kTs≤t≤(k+1)Ts,k=1,2,…,N,N为符号个数。
因此,非周期的中频数字信号可以用一个符号间隔内的周期信号来进行分析,即中频数字信号可以作为一种整体非周期、局部周期的特殊信号,采用局部周期性分析和整体非周期处理的思路。
由此可得,方程对应的势函数为:
该方程描述了单位质点同时受到外力和噪声驱动时,在双势阱中的过阻尼运动。在没有外力和噪声作用时,可得其势函数曲线如图1。
当只有外部信号激励时,只要幅度A处于临界值Ac以下质点仍只能在某一侧势阱内以频率fc进行局部的周期性运动。当只有噪声作用时,质点在两个势阱间按Kramers跃迁率rk进行跃迁切换,其表达式为当同时受到微弱信号与噪声共同作用时,且信号、噪声及非线性***达到某种匹配时,即使A<Ac,在噪声的帮助下,***可以翻越势垒,发生跃迁现象,此时***便以信号和噪声为驱动力,按照信号频率在两个势阱中做周期性翻转。由于翻越势垒的能量远大于信号本身的能量,此时一个符号间隔内信号的周期特征便被放大,即发生了随机共振现象。
随机变量x的概率分布函数ρ(x,t)遵循Fokker-Planck方程:
式中初始条件为ρ(x,t0|x0,t0)=δ(x-x0)。
当***的平衡在输入信号周期驱动力的作用下被破坏,导致势阱间跃迁行为的出现。当信号的频率fc很小时,同时幅度A和噪声强度D远小于1,可认为***在势阱中到达平衡状态所用的时间远远小于势阱之间概率整体平衡所用的时间,也远远小于***随着输入信号的变化所用的时间,这就是绝热近似。在绝热近似条件下,Fokker-Planck方程(7)在长时间后将演进为n+(t)和n-(t)之间的概率交换。
经过推导,可得***输出功率谱:
其中ωc=2πfc,由式(8),输出功率的能量由噪声能量GN(ω)和信号能量GS(ω)两部分组成。在随机共振过程中,噪声能量和信号能量发生了相互转化,功率谱的信号部分出现峰值,***输出总功率保持为2πxm 2,没有因为随机共振过程改变。
为了突破绝热近似理论对输入必须满足小参数的限制,引入以下变量对其进行归一化处理:
带入式(6)得:
归一化处理对信号频率进行压缩,对信号与噪声的幅度进行同比例缩放,即突破了小参数的制约,使随机共振能够适用于任何频率的信号。
人工鱼(Artificial Fish,AF)是真实鱼的虚拟实体,通过模拟鱼类的四种行为——觅食、聚群、追尾和随机行为,来使鱼类活动在周围的环境,通过评价,选择一种当前最优的行为进行执行,从而达到食物浓度更高的位置。
如图2所示,一条虚拟人工鱼的当前状态为X,Visual为其视野范围,状态XV为其某时刻视点所在的位置,若该位置的状态优于当前状态,则考虑向该位置方向前进一步,即到达状态XNext;若状态XV不比当前状态更优,则继续巡视视野内的其他位置。巡视的次数越多,对视野的状态了解得越全面,从而对周围的环境有一个全方位立体的认识,这有助于做出相应的判断和决策。当然,对于状态多或状态无限的环境也不必全部遍历,允许人工鱼具有一定的不确定性的局部寻优,从而对寻找全局最优是有帮助的。
图3为本发明实施例提供的一种微弱中频数字信号增强方法的流程示意图。如图3所示,该方法包括以下步骤:
S101、接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;
具体地,微弱中频数字信号增强***接收原始射频信号,对所述原始射频信号进行采样得到数字信号,并在频谱仪中测量所述数字信号的载频,将所述载频搬移至中频得到中频数字信号;所述中频数字信号的类型为MASK信号、 MPSK信号或MQAM信号。
S102、初始化人工鱼群参数,对中频数字信号在初代鱼群状态下进行随机共振处理;
具体地,所述人工鱼群参数包括人工鱼的总数M、繁衍代数GEN、移动的最大步长Step、视野Visual、尝试次数Try_number、拥挤度因子δ和***参数的初始寻优范围;例如,若信号中频数量级为1×10mHz,可设定***参数的初始寻优范围为[1×10m-1,1×10m+1],Visual设置为1×10m-1,步长设置为0.5×10m-1, Try_number、δ、GEN、M这四个参数的设定可不根据载频数量级,适当选取即可。
S103、对随机共振处理后的输出信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;
S104、基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,并对中频数字信号在新一代人工鱼群状态下进行随机共振处理;
S105、重复执行步骤S103至步骤S104,直至达到预设繁衍代数GEN,将当前的最优人工鱼状态作为最佳的***参数;
具体地,在人工鱼群算法中,通过各人工鱼不断执行行为函数进行繁衍得到新一代人工鱼群,所述行为函数包括觅食行为、聚群行为、追尾行为和随机行为;
设人工鱼i当前状态为Xi,人工鱼i下一时刻状态为X’i,人工鱼j当前状态为Xj,设定人工鱼的视野Visual,拥挤度因子δ,移动的最大步长Step,尝试次数Try_number,人工鱼个体i,j之间的距离dij=|Xi-Xj|,dij<Visual,Y为食物浓度,人工鱼个体的状态X由欲寻优的变量的矢量构成,其中:
所述觅食行为具体为:人工鱼i在其视野Visual范围内随机选择一个状态 Xj,若Yi<Yj,人工鱼i则按照式(12)向人工鱼j所在位置游动;否则,人工鱼i在随机选择Try_number次数后,均不满足Yi<Yj时,人工鱼i则按照式(11) 随机移动;
Xj=Xi+Visual·Rand() (11)
所述随机行为定义为:所述觅食行为的缺省行为。
下面先对***参数a和b的作用进行分析。参数a对***的Kramers跃迁率rk有着重要的作用,调节参数a可以适应不同变化速度的输入信号。由式(9)和式(10)知,大参数的归一化变换是对信号在时域进行a倍拉伸,也相当于频域的1/a倍压缩,而幅度上用比例因子进行缩放。换言之,参数a决定随机共振能否发生,参数b主要影响输出的幅度。以BPSK信号为例如图4所示,当a=b=fc时,BPSK信号发生了随机共振,而当a=50fc,b=fc时,输出信号发生畸变,证明参数a影响了输出效果。反之,若令a=fc,b=50fc,则输出信号波形没有改变,只是幅度扩大了大约5倍,证明参数b主要影响输出的幅度。
通过对参数a和b的作用分析可知,将随机共振输出的信号进行幅度的归一化就可以忽略参数b的影响,因此,本发明实施例通过令***参数a和b取值相同,可以将寻优的复杂度减少一半,并且不会影响随机共振现象的发生。
再者考虑到中频数字信号是一种整体非周期、局部周期的特殊信号,如图5 所示,直接输出的信号会出现幅度漂移的现象,即幅度较小的符号其幅度不稳定,. 因此通过将滑动平均滤波器加入随机共振处理过程对其进行滑动平均处理以防止幅度漂移。因此,所述随机共振处理具体包括:
步骤A、对信号进行幅度归一化;
步骤B、令两个***参数a和b取值相等,且迭代步长h=1/fs,fs为采样频率;
步骤C、利用四阶Runge-Kutta算法对幅度归一化后的信号进行迭代,得到输出信号;
步骤D、对所述输出信号按照式(13)进行滑动平均,K为滑动长度参数, S(k)和S'(k)分别表示滑动平均处理前后的离散时间点k处的信号:
步骤E、对滑动平均后的输出信号进行幅度归一化,得到最终的输出信号。
由于是对中频数字信号无先验知识地进行处理,无法只针对一个符号间隔内的信号进行处理,目标信号包含了若干个符号,整体上为具有一定带宽的非周期信号,因此,无法利用常规单频信号随机共振测度的信噪比(定义为:输出信号功率谱中信号频率处的幅值与同频背景噪声之比);以及后来提出的互相关函数作为非周期信号的测度指标(以输入信号与输出信号波形的简单匹配程度作为衡量标准),还有专门针对数字信号的误码率指标(但实际上只根据接收信号根本无法测量误码率)均不适用本发明。因此,本发明实施例需要一种不需要任何先验知识的评价函数。人工鱼群算法中有一个重要的参数:食物浓度Y,即寻优过程中的评价函数,本发明实施例利用信噪比估计的思想,提出基于奇异值分解的人工鱼群算法来为中频数字信号确定最佳***参数。
奇异值分解作为信噪比估计中的一种方法,目的是精确估计信号的信噪比,而作为随机共振的评价函数,不需要对信号信噪比做出准确估计,只是一种作为衡量输出信号共振效果的度量手段,换而言之,函数数值本身不重要,重要的是它可以随着***参数的变化而变化,并且能够在最佳***参数下出现峰值。
其中,自相关矩阵的阶数为m。
由于上式中矩阵Ryy,Rss,Rww均为对称阵,因此可以进行奇异值分解:
Ryy=Rss+Rww=VΛyVΗ=V(Λs+Λw)VΗ (15)
式中
V为正交阵
以BPSK信号为例,利用两组不同的参数(在设定的范围内随机选取得到) 对信号进行随机共振处理,并进行奇异值分解,阶数为10阶,将分解后的特征值由大到小排列并对比,如图6所示:
对于原始信号,λ1=0.349,λ2=0.111,λ3=0.043,λ10=0.037;对于第一组参数下的随机共振信号,λ1=1.095,λ2=0.280,λ3=0.028,λ10=0.001;对于第二组参数下的随机共振信号,λ1=0.580,λ2=0.216,λ3=0.061,λ10=0.003。经过随机共振后,前几个特征值增大,后几个特征值减小,而且不同参数下特征值改变的程度存在差异。如此,从特征值子空间的角度解释了随机共振的确能够利用噪声能量增强信号,同时噪声能量得到抑制,即增大信号的特征值,对噪声能量进行转移。同时,不同***参数实现能量增强的程度是不同的,因此必须寻找最佳参数。
在信噪比估计的应用中需要采用最小描述距离(MDL)确定信号空间的维数p,但在本发明实施例中该参数p只是作为随机共振效果的测度函数,代表的是相对意义而非绝对,因此不必确定最佳维数p,一方面避免了该准则在低信噪比下失效的问题,另一方面保证了算法的简洁性。在实际应用中p可以取值为3。在不断寻优的过程中,逐渐降低,λ1、λ2等逐渐增大,根据前几个较大特征值的变化程度来实现最佳的随机共振。由此定义评价函数(SRIF表示 Stochastic Resonance of IF Digital Signals):
利用该评价函数YSRIF作为***参数寻优的目标函数,如图7所示,在参数a 的一定范围内,YSRIF存在最优值,即***与信号和噪声达到了最佳匹配。
综上,本发明实施例通过利用奇异值分解,对随机共振输出信号的信噪比进行相对度量,并与人工鱼群算法结合,为任意微弱中频数字信号寻找***参数完成最佳随机共振。
S106、根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理,得到处理后的增强信号。
本发明实施例提供的一种微弱中频数字信号增强方法,以低信噪比中频数字信号为研究对象,将不依赖先验知识的基于奇异值分解的测度函数作为评价函数对***参数进行寻优,首次从信号的特征子空间阐述了随机共振的本质。针对中频数字信号局部周期整体非周期的特点,将滑动平均滤波器加入随机共振处理过程防止幅度漂移。最后,设计出一套专门针对三类信号的基于人工鱼群优化算法的自适应随机共振框架来对中频数字信号进行增强。本发明实施例能够以较快的收敛速度实现带噪声的信号和非线性***的匹配,可行性好,效率高,鲁棒性强,为后续的参数估计和调制识别打下良好的基础。
图8为本发明实施例提供的一种微弱中频数字信号增强***的***流程图。如图8所示,微弱中频数字信号增强***包括:输入模块801、人工鱼群算法模块802和输出模块803,所述人工鱼群算法模块包括初始化单元8021、随机共振单元8022、评价单元8023和繁衍迭代单元8024;其中:
输入模块801用于接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;初始化单元8021初始化人工鱼群参数;随机共振单元 8022分别在初代鱼群状态下和繁衍迭代单元输出的新一代人工鱼群状态下对中频数字信号进行随机共振处理;以及,在繁衍迭代单元达到预设繁衍代数GEN 时,将当前的最优人工鱼状态作为最佳的***参数,根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理;评价单元8023对随机共振单元在初代鱼群状态下和新一代人工鱼群状态下输出的随机共振信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;繁衍迭代单元8024则基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,直至达到预设繁衍代数GEN;输出模块803接收随机共振单元在最佳的***参数下的输出信号,所述输出信号即为所述中频数字的增强信号。
需要说明的是,本发明实施例提供的微弱中频数字信号增强***是为了实现上述方法实施例的,其功能具体可参考上述方法实施例,此处不再赘述。
下面通过仿真实验对本发明提供的微弱中频数字信号增强方法及***的有效性、鲁棒性及信号质量增益进行验证。
(1)实验一:有效性验证
首先对中频数字信号进行仿真,包括:2ASK、4ASK、BPSK、QPSK、8PSK、 16QAM和64QAM共7种信号,参数统一设置为:幅度A=1,符号速率 Rs=1000Bd,载波频率fc=1×104Hz,,符号个数N=20,采样率fs=1×106Hz, SNR=0dB。人工鱼群参数设置如下:人工鱼数量M=50,繁衍代数GEN=10, Try_number=20,Visual=1000,Step=500,δ=0.5,初始寻优范围设置为 [1×103,1×105]。
将信号分别利用信号增强方法得到最佳***参数,并记录最优参数值和最大食物浓度随着繁衍代数的变化情况,如图9至图11所示。图9中:(a)为2ASK 信号的收敛曲线;(b)为4ASK信号的收敛曲线。图10中:(a)为BPSK信号的收敛曲线;(b)为QPSK信号的收敛曲线;(c)为8PSK信号的收敛曲线。图11 中:(a)为16QAM信号的收敛曲线;(b)为64QAM信号的收敛曲线。
以64QAM信号的收敛曲线为例,第1代人工鱼群得到的最佳参数约为 1.45×104,食物浓度为3.408,即在搜寻的初期,50条人工鱼中该参数下食物浓度最高,之后,第2代人工鱼群以较大的步长继续前进,此时到达的食物浓度为6.641,而第3代时,便以较小的步长已经足够接近食物浓度最高的参数位置,最终在第5代到达最佳位置。可以看到,在繁衍初期,鱼群能够用较快速度寻优,后期以小步长逐渐接近最优位置,达到了较为理想的收敛结果。最终结果表明,在该信号和噪声条件下,自适应随机共振寻找到的最佳参数为9792,若以该参数进行随机共振,输出信号的质量评价函数YSRIF可以达到最大值8.53。
整体上,对于7种不同的信号,信号增强方法以最快3代、最慢6代的速度达到收敛状态,得到了使评价函数最大的最优***参数,以2ASK、BPSK、 16QAM信号为例,进行输入输出波形对比如图12。图12中:(a)为2ASK信号的信号增强前后对比图;(b)为BPSK信号的信号增强前后对比图;(c)为 6QAM信号的信号增强前后对比图。可以看到,随机共振达到了增强作用,证明了该方法的有效性。
(2)实验二:鲁棒性检验
在真实环境中,信号的参数是多种多样的,因此,下面将以复杂度较高并且经常在卫星通信中使用的16QAM信号为例,设置不同的信号参数,并进行重复试验,以此检验信号增强方法的鲁棒性。符号速率Rs从1×103Bd增长到 1.6×103Bd的过程中,载频fc分别设置4、6、8、10、12共5种倍数,采样率统一设置为fs=100fc,并且由于过采样率(fs/Rs)的不同,相同符号数目下信号长度不同,因此信号统一截取1×104个点数,信噪比设置为SNR=0dB。对每种参数下的信号重复进行100次实验,人工鱼群算法参数同实验一,统计平均收敛次数。
表1不同信号参数下的平均收敛次数
由表1中的数据可以看出,在符号速率和载频变化时,平均收敛次数波动很小,可以说明两点:第一,信号增强方法的收敛速度不受信号参数的影响,平均收敛次数大约集中在4到5之间;第二,信号增强方法对不同参数下的信号都能够收敛,都可以自适应地计算出最佳***参数完成最优匹配。不同信号参数下的算法鲁棒性十分重要,因为目标信号是未知的或者只是粗略估计出部分参数,在该步骤预处理之后才去精确计算各种参数。实验表明,信号增强方法的鲁棒性较强。
(3)实验三:信号质量增益检验
信号增强方法的目的是为了找到最优的随机共振参数从而使信号的质量能够提升,为了定量衡量信号增强效果,利用本发明的评价函数YSRIF对不同信噪比下的信号测试,定义YI(YSRIF Improvement)如下式:
YI=YSRIF_out-YSRIF_in (19)
YSRIF_in和YSRIF_out分别是输入输出信号的评价函数,YI实际上是一种信噪比的增益度量方式,可以体现出随机共振对信号的质量改善程度。只要该参数大于0,就说明随机共振对信号的噪声进行了一定削弱程度。令信号的信噪比SNR 从-15dB到10dB以间隔1dB扩大,其余参数同实验一,图13为YI随SNR变化的曲线图。
在输入信号信噪比由低到高的变化中,YI的大小整体呈现先增大后逐渐降低的态势,整体上都为正值,也就是说,随机共振对信号能量做了不同程度的提升,当信噪比为-10dB时,增益最为明显。当信噪比较低时,质量改善程度较高,随机共振作用明显。当信噪比较高时,改善程度较低,这是由于信号本身信噪比很低,信号能量已经很高,噪声能量已经很低,随机共振***只是改变了能量转移的程度和效率。由此实验可见,随机共振在低信噪比下可以突显出卓越的性能,适用于微弱信号增强。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种微弱中频数字信号增强方法,其特征在于,包括:
步骤1、接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;
步骤2、初始化人工鱼群参数,对中频数字信号在初代鱼群状态下进行随机共振处理;
步骤3、对随机共振处理后的输出信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;
步骤4、基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,并对中频数字信号在新一代人工鱼群状态下进行随机共振处理;
所述随机共振处理具体包括:
步骤A、对信号进行幅度归一化;
步骤B、令两个***参数a和b取值相等,且迭代步长h=1/fs,fs为采样频率;
步骤C、利用四阶Runge-Kutta算法对幅度归一化后的信号进行迭代,得到输出信号;
步骤D、对所述输出信号按照式(13)进行滑动平均,K为滑动长度参数,S(k)和S'(k)分别表示滑动平均处理前后的离散时间点k处的信号:
步骤E、对滑动平均后的输出信号进行幅度归一化,得到最终的输出信号;
步骤5、重复执行步骤3至步骤4,直至达到预设繁衍代数GEN,将当前的最优人工鱼状态作为最佳的***参数;
步骤6、根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理,得到处理后的增强信号。
3.根据权利要求1所述的方法,其特征在于,所述行为函数包括觅食行为、聚群行为、追尾行为和随机行为;
设人工鱼i当前状态为Xi,人工鱼i下一时刻状态为X’i,人工鱼j当前状态为Xj,设定人工鱼的视野Visual,拥挤度因子δ,移动的最大步长Step,尝试次数Try_number,人工鱼个体i,j之间的距离dij=|Xi-Xj|,dij<Visual,Y为食物浓度,其中:
所述觅食行为具体为:人工鱼i在其视野Visual范围内随机选择一个状态Xj,若Yi<Yj,人工鱼i则按照式(12)向人工鱼j所在位置游动;否则,人工鱼i在随机选择Try_number次数后,均不满足Yi<Yj时,人工鱼i则按照式(11)随机移动;
Xj=Xi+Visual·Rand( ) (11)
其中,Yi表示人工鱼i所在位置处的食物浓度,Yj表示人工鱼j所在位置处的食物浓度,Yc表示中心位置Xc处的食物浓度;Rand()表示用于产生随机数的函数;
所述随机行为定义为:所述觅食行为的缺省行为。
4.根据权利要求1所述的方法,其特征在于,所述中频数字信号的类型为MASK信号、MPSK信号或MQAM信号。
5.一种微弱中频数字信号增强***,其特征在于,包括:输入模块、人工鱼群算法模块和输出模块,所述人工鱼群算法模块包括初始化单元、随机共振单元、评价单元和繁衍迭代单元;
输入模块,用于接收原始射频信号,将所述原始射频信号的载频搬移至中频得到中频数字信号;
初始化单元,初始化人工鱼群参数;
随机共振单元,分别在初代鱼群状态下和繁衍迭代单元输出的新一代人工鱼群状态下对中频数字信号进行随机共振处理;以及,在繁衍迭代单元达到预设繁衍代数GEN时,将当前的最优人工鱼状态作为最佳的***参数,根据所述最佳的***参数对所述中频数字信号进行所述随机共振处理;
所述随机共振处理具体包括:
步骤A、对信号进行幅度归一化;
步骤B、令两个***参数a和b取值相等,且迭代步长h=1/fs,fs为采样频率;
步骤C、利用四阶Runge-Kutta算法对幅度归一化后的信号进行迭代,得到输出信号;
步骤D、对所述输出信号按照式(13)进行滑动平均,K为滑动长度参数,S(k)和S'(k)分别表示滑动平均处理前后的离散时间点k处的信号:
步骤E、对滑动平均后的输出信号进行幅度归一化,得到最终的输出信号;
评价单元,对随机共振单元在初代鱼群状态下和新一代人工鱼群状态下输出的随机共振信号进行奇异值分解,根据分解得到的奇异值计算评价函数,利用所述评价函数筛选最优人工鱼状态;
繁衍迭代单元,基于人工鱼群算法对每条人工鱼执行行为函数得到新一代人工鱼群,直至达到预设繁衍代数GEN;
输出模块,接收随机共振单元在最佳的***参数下的输出信号,所述输出信号即为所述中频数字的增强信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811589594.9A CN109889467B (zh) | 2018-12-25 | 2018-12-25 | 一种微弱中频数字信号增强方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811589594.9A CN109889467B (zh) | 2018-12-25 | 2018-12-25 | 一种微弱中频数字信号增强方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109889467A CN109889467A (zh) | 2019-06-14 |
CN109889467B true CN109889467B (zh) | 2021-11-02 |
Family
ID=66925130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811589594.9A Active CN109889467B (zh) | 2018-12-25 | 2018-12-25 | 一种微弱中频数字信号增强方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109889467B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705128A (zh) * | 2019-10-25 | 2020-01-17 | 陕西师范大学 | 一种可调参数的随机共振模拟*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
CN107038475A (zh) * | 2017-03-22 | 2017-08-11 | 中国人民解放军信息工程大学 | 一种基于人工鱼群算法的自适应随机共振***和方法 |
CN108683623A (zh) * | 2018-03-29 | 2018-10-19 | 中国人民解放军战略支援部队信息工程大学 | 基于随机共振的微弱ofdm子载波数估计方法 |
-
2018
- 2018-12-25 CN CN201811589594.9A patent/CN109889467B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
CN107038475A (zh) * | 2017-03-22 | 2017-08-11 | 中国人民解放军信息工程大学 | 一种基于人工鱼群算法的自适应随机共振***和方法 |
CN108683623A (zh) * | 2018-03-29 | 2018-10-19 | 中国人民解放军战略支援部队信息工程大学 | 基于随机共振的微弱ofdm子载波数估计方法 |
Non-Patent Citations (1)
Title |
---|
基于随机共振和人工鱼群算法的微弱信号智能检测***;朱维娜 等;《仪器仪表学报》;20131130;2464-2466页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109889467A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Activity pattern aware spectrum sensing: A CNN-based deep learning approach | |
CN111224906B (zh) | 基于深度神经网络的近似消息传递大规模mimo信号检测算法 | |
Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及*** | |
CN109151332B (zh) | 基于适应度函数的相机编码曝光最优码字序列搜索方法 | |
CN112466320A (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
CN112949846B (zh) | 一种适用于直扩***下的生成式欺骗干扰信号构造方法 | |
Yahyaa et al. | Thompson Sampling for Multi-Objective Multi-Armed Bandits Problem. | |
Catak et al. | Defensive distillation-based adversarial attack mitigation method for channel estimation using deep learning models in next-generation wireless networks | |
CN109889467B (zh) | 一种微弱中频数字信号增强方法及*** | |
CN112115821A (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
Smith et al. | A communication channel density estimating generative adversarial network | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
CN114189899B (zh) | 一种基于随机聚合波束成形的用户设备选择方法 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
Kreindelin et al. | Analysis of iterative demodulation algorithm for mimo system with different number of antennas | |
Doshi et al. | Over-the-air design of GAN training for mmWave MIMO channel estimation | |
Xiao et al. | Joint sampling and reconstruction of time-varying signals over directed graphs | |
Wunderlich et al. | Data-driven modeling of noise time series with convolutional generative adversarial networks∗ | |
Osinsky et al. | Data-aided ls channel estimation in massive mimo turbo-receiver | |
CN102118332A (zh) | 基于免疫克隆粒子群优化的正交小波盲均衡方法 | |
Huang et al. | LPI waveform recognition using adaptive feature construction and convolutional neural networks | |
CN109309536A (zh) | 一种可降低Nakagami逆CDF函数近似复杂度的方法 | |
Guo-Xi | Research on a Convolutional Neural Network Method for Modulation Waveform Classification. | |
CN115310480A (zh) | 一种基于深度神经网络的doa估计算法性能分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |