CN102931998A - 云制造平台中的模拟到信息采样方法 - Google Patents

Abstract

本发明涉及一种云制造平台中的模拟到信息采样方法，包括信号压缩采样和信号重建两部分。本发明的云制造平台中的模拟到信息采样方法首次在云制造平台的开发中运用当前最先进的压缩感知技术，对云制造平台所要采集处理的模拟信号直接进行“模拟-信息”的采样，在分析了采样原理的基础上，对采样系统的各个部分都给出了相应的硬件实现，其优势在于打破了传统Nyquist信息处理框架对云制造平台建设的束缚，提高了云制造平台对于巨量模拟信号的采集、传输、压缩、存储以及处理的能力。

Description

云制造平台中的模拟到信息采样方法

技术领域

本发明属于分布式制造信息处理与集成技术领域，具体地，涉及一种云制造平台中的模拟到信息采样方法，其能够降低云制造平台信号采集、传输、存储成本，并提升云平台信息提取与处理能力，该方法主要用于云制造平台的模拟信号采集、处理等模块的设计。

背景技术

随着云计算概念的提出与发展，以及制造业信息化水平的不断发展与进步，一种全新的制造服务模式——云制造，应运而生。云制造是在“制造即服务”理念的基础上，借鉴了云计算的思想发展起来的一种新概念。云制造是先进的信息技术、制造技术以及新兴物联网技术等交叉融合的产物，采取当代信息技术前沿理念，实现制造资源的高度共享，支持制造业在广泛的网络资源环境下，为产品提供高附加值、低成本和全球化的制造服务。

作为云制造服务模式实现的主体，云制造平台将把巨大的社会制造资源池连接在一起，实现对各种制造资源以及各种数据信息的共享与处理。这必将使得云制造平台对信息的需求量剧增。而云制造平台对信息的巨量需求将导致信号带宽越来越宽，使得在信息获取中对采样速率和处理速度的要求越来越高，给信号采样、传输、存储和处理造成巨大压力。以奈奎斯特(Nyquist)采样定理为基础的传统信号处理框架已对此无能为力。如何缓解这种压力并能有效提取承载在信号中的有用信息是云制造平台在信息处理上所要急需解决的问题。

近年来国际上出现的压缩感知理论(Compressed Sensing，CS)，为缓解上述压力提供了解决办法。压缩感知，又称为压缩采样，压缩传感，作为一个新的采样理论，由D Donoho、E Candes、以及华裔科学家T Tao等人于2006年提出，它通过开发信号的稀疏特性，在远小于Nyquist采样频率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。与传统的“信号采样-信息提取”(Signal Sampling-Information Extraction，SS-IE)模式不同，压缩感知直接进行“信息采样”(Information Sampling，IS)。

云制造平台需要处理大量的信息，而这些信息的绝大部分就是由各种无线传感器所生成的模拟信号。利用压缩感知，以Sub-Nyquist的采样频率，直接从模拟信号中提取有用的信息，实现“模拟-信息”(A-to-I)采样，将极大的缓解云制造平台所面临的信号采样、传输、压缩、处理、存储等方面的压力，提高云制造平台的工作效率。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种云制造平台中的模拟到信息采样方法，其利用压缩感知理论方法直接对云制造平台所主要面临和处理的模拟信号进行信息采样，以缓解云制造平台所面临的信号采样、传输、压缩、处理、存储等方面的压力，从而提高云制造平台的信息处理能力，提升平台的工作效率。

为实现上述目的，本发明提供了一种云制造平台中的模拟到信息采样方法，其包括信号压缩采样和信号重建两部分；

在信号压缩采样时，设模拟信号x(t)由连续基ψ_n(t)表示，即公式一：

$x\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_n{\mathrm{\ψ}}_n\left(t\right)$ 其中，t，α_n∈R，α＝[α₁，α₂，...，α_N]^T为系数向量，t为时间；

将离散的测量向量y表示成离散稀疏向量α的线性变换，所述线性变换用一个M×N的矩阵Θ表示，其中Θ＝ΦΨ由两部分组成，Ψ将离散的系数向量α表示成模拟信号x(t)，Φ对模拟信号x(t)进行测量，生成一个由离散的测量元素y组成的离散集合；

根据公式一，将模拟信号x(t)经过采样后的输出y[m]化成公式二：

$y\left[m\right]=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_n{\∫}_{-\∞}^{+\∞}{\mathrm{\ψ}}_n\left(\mathrm{\τ}\right)p_c\left(\mathrm{\τ}\right)h(\mathrm{mM}-\mathrm{\τ})\mathrm{d\τ}$

其中：ψ_n(t)为模拟信号x(t)的稀疏表示连续基；p_c(τ)为伪随机序列；h(mM-τ)为低通滤波器的脉冲响应；α_n为模拟信号x(t)在连续基ψ_n(t)所对应的系数；

通过公式二，得到Θ的元素θ_m，n’其中m，n分别代表第m行，第n列：

${\mathrm{\θ}}_{m,n}={\∫}_{-\∞}^{+\∞}{\mathrm{\ψ}}_n\left(\mathrm{\τ}\right)p_c\left(\mathrm{\τ}\right)h(\mathrm{mM}-\mathrm{\τ})\mathrm{d\τ}$

在利用测量信号对原始信号进行重建时，采用正交匹配追踪方法，其步骤如下：

1)初始化：r₀＝y，

t＝1，其中，r₀为残差，S为下标集，t为迭代次数；

2)搜索Θ与残差最相近的列，即与残差的内积最大的列：

$s_t=\arg \underset{j=1...N}{\max }|<r_{t-1},{\mathrm{\&theta;}}_j>|$

其中θ_j是Θ的第j列；

3)更新下标集S_t＝S_t-1Y{s_t}，以及更新由所选的逼近原子

构成的矩阵所述逼近原子

为2)中所选择的与残差最相近的列；

4)利用最小二乘法，更新稀疏估计向量

的估计值：

$q_t=\arg \underset{q}{\min }{\left|\right|y-{\mathrm{\&Theta;}}_{t}q\left|\right|}_{l_2}$

5)更新残差r_t＝y-Θ_tq_t；

6)如果t≥K，则执行下一步，否则令t=t+1，返回到2)继续执行，其中K为稀疏度；

7)从S_t中得到稀疏估计向量

的非零元素的位置，q_t的第t个元素就是

的第s_t个元素，最终得到稀疏的估计向量

如上述的云制造平台中的模拟到信息采样方法，其中，所述信号压缩采样部分采用伪随机序列发生器、混频器、低通滤波器和低通模数转换器来实现。

如上述的云制造平台中的模拟到信息采样方法，其中，伪随机序列发生器用于产生PN序列，其中伪随机序列发生器对输入信号进行调制，使调制后的信号的符号改变的速率必须大于Nyquist采样速率。

进一步地，如上述的云制造平台中的模拟到信息采样方法，其中，所述伪随机序列发生器对应产生所述p_c(τ)。

如上述的云制造平台中的模拟到信息采样方法，其中，所述混频器用于进行运算ψ_n(τ)p_c(τ)。

如上述的云制造平台中的模拟到信息采样方法，其中，所述低通滤波器对应产生h(mM-τ)。

如上述的云制造平台中的模拟到信息采样方法，其中，所述混频器为无源场效应管混频器。

如上述的云制造平台中的模拟到信息采样方法，其中，所述低通滤波器由电阻、电容以及运算放大器组成。

因此，本发明的云制造平台中的模拟到信息采样方法首次在云制造平台的开发中运用当前最先进的压缩感知技术，对云制造平台所要采集处理的模拟信号直接进行“模拟-信息”(A-to-I)的采样，在分析了采样原理的基础上，对采样系统的各个部分都给出了相应的硬件实现。本发明的优势在于打破了传统Nyquist信息处理框架对云制造平台建设的束缚，提高了云制造平台对于巨量模拟信号的采集、传输、压缩、存储以及处理的能力。

附图说明

图1为本发明的模拟-信息采样系统示意图；

图2为本发明的正交匹配追踪算法流程图；

图3为本发明的伪随机序列发生器示意图；

图4为本发明的混频器示意图；

图5为本发明的低通滤波器的示意图。

具体实施方式

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

本发明所涉及的“模拟-信息”(A-to-I)采样系统就是通过开发信号本身的稀疏特性进行A-to-I采样的。该系统主要由三部分组成：调制解调单元，滤波单元和采样单元。正如图1所示，需要进行采样的模拟信号x（t）首先经过一个伪随机PN序列p_c(t)∈{-1，+1}进行调制，其中PN序列的数值变换频率必须大于或者等于输入信号的Nyquist采样频率。而解调的目的主要是对信号的频率成分进行散布，以免在第二步进入具有脉冲响应为h(t)的模拟低通滤波器时被破坏。最后，用传统的模数转换器以M的速率对信号进行采样，输出测量信号y[m]。

本发明的云制造平台中的模拟到信息采样方法包括信号压缩采样和信号重建两大部分。

在信号压缩采样时，首先给出模拟信号稀疏性的通俗定义。假设模拟信号x(t)可以由连续基ψ_n(t)表示，如式(1)所示：

$x\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_n{\mathrm{\&psi;}}_n\left(t\right)---\left(1\right)$

其中t，α_n∈R，α＝[α₁，α₂，...，a_n]^T为系数向量，t为时间。当α中的非零元素的数目很少时，x(t)就是稀疏的。虽然每个基元素ψ_n(t)可能是超宽带的，但是模拟信号x(t)本身却只有很小的自由度。

虽然本发明所涉及的采样系统是对连续时间信号进行采样，但是，离散的测量向量y却可以表示成离散稀疏向量α的线性变换。正如在离散的压缩感知(Compressed Sensing，CS)框架中一样，上述变换可以用一个M×N的矩阵Θ表示，其中Θ＝ΦΨ由两部分组成：Ψ将离散的系数向量α表示成模拟信号x(t)，而Φ则对模拟信号x(t)进行测量，生成一个由不同的y组成的离散集合。要找出矩阵Θ，首先根据式(1)，将模拟信号x(t)经过采样后的输出y[m]化成：

$y\left[m\right]=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_n{\&Integral;}_{-\&infin;}^{+\&infin;}{\mathrm{\&psi;}}_n\left(\mathrm{\&tau;}\right)p_c\left(\mathrm{\&tau;}\right)h(\mathrm{mM}-\mathrm{\&tau;})\mathrm{d\&tau;}---\left(2\right)$

其中：ψ_n(t)为模拟信号x(t)的稀疏表示连续基；p_c(τ)为伪随机序列；h(mM-τ)为低通滤波器的脉冲响应；α_n为模拟信号x(t)在连续基ψ_n(t)所对应的系数；y[m]为模拟信号x(t)经过采样后的输出。

通过式(2)可以得到Θ的元素θ_m，n，其中m，n分别代表第m行，第n列：

${\mathrm{\&theta;}}_{m,n}={\&Integral;}_{-\&infin;}^{+\&infin;}{\mathrm{\&psi;}}_n\left(\mathrm{\&tau;}\right)p_c\left(\mathrm{\&tau;}\right)h(\mathrm{mM}-\mathrm{\&tau;})\mathrm{d\&tau;}---\left(3\right)$

当完成对模拟信号x(t)的采样之后，接下来是利用测量信号对原始信号进行重建。本发明利用正交匹配追踪(OMP)方法完成对信号的重建，其主要步骤如图2所示：

1)初始化：r₀＝y，

t=1，其中r₀为残差，S为下标集，t为迭代次数；

2)搜索Θ与残差最相近的列，即与残差的内积最大的列：

$s_t=\arg \underset{j=1...N}{\max }|<r_{t-1},{\mathrm{\&theta;}}_j>|---\left(4\right)$

其中θ_j是Θ的第j列；

3)更新下标集S_t＝S_t-1Y{S_t}以及更新由所选择的逼近原子

(逼近原子即为步骤2中所选择的与残差最相近的列)构成的矩阵

4)利用最小二乘法，更新稀疏估计向量

的估计值：

$q_t=\arg \underset{q}{\min }{\left|\right|y-{\mathrm{\&Theta;}}_{t}q\left|\right|}_{l_2}---\left(5\right)$

5)更新残差r_t＝y-Θ_tq_t；

6)如果t≥K，则执行下一步，否则令t＝t+1，返回到2)继续执行，其中K为稀疏度；

7)从S_t中得到稀疏估计向量

的非零元素的位置，q_t的第t个元素就是

的第s_t个元素，最终得到稀疏的估计向量

下面将分别参照图3、图4、图5分别给出伪随机序列发生器、混频器以及低通滤波器的设计实现方法。

图3是伪随机序列发生器的电路图。伪随机序列发生器(RNG)主要用于产生PN序列。RNG产生的速率必须大于Nyquist采样速率，所以要选用高速触发器，其中半动态触发器(SDFF)比较出色，能够有效降低功耗。在由SDFF构成的RNG中，时钟不可避免的会存在时钟抖动，影响整个系统的性能，时钟抖动对系统性能的影响主要表现在降低信噪比SNR，SNR与时钟抖动具有以下关系：

$\mathrm{SNR}=20\log \left(\frac{1}{2\mathrm{\&pi;f}{t}_j}\right)---\left(6\right)$

其中，f是输入信号的频率，t_j为孔径的抖动，描述抖动后时钟沿与正常时钟沿的片场，可以用register-to-register模型进行静态时序分析(STA)定量分析输入时钟的最高频率，

利用register-to-register模型分析：

T_min+Tclk2＝Tclk1+tco+tdata+tsu    (7)

T_min＝Tskew+tco+tdata+tsu    (8)

其中，T_min是输入时钟的最小时钟周期，Tskew＝Tclk1-Tclk2是时钟偏斜，tco是时钟输出时滞，tdata是数据时滞，tsu是寄存器固有的建立时间，那么输入时钟的最高频率为：

f_max＝1/T_min＝1/(Tskew+tco+tdata+tsu)  (9)

如果输入时钟的频率大于f_max，则会使时钟沿到来时，数据不能够满足建立时间，造成建立时间违规，无法正常工作。

本发明的云制造平台中的模拟到信息采样方法主要采用以下硬件：

1.伪随机序列发生器(RNG)

伪序列发生器主要用于产生PN序列，对应于式(2)中的p_c(τ)。首先用产生的伪随机PN序列对输入信号进行调制，使调制后的信号的符号改变的速率必须大于或等于Nyquist采样速率，以便为后期的信号重建提供必要的随机性。

2.混频器

利用混频器完成频率转换，对已经调制好的信号进行频谱搬移，保持原载频已调信号的调制方式不变，携带的信息不变，不产生失真。二极管不需要偏置，功耗低，开关速度快，常被用于混频电路；场效应管(FET)是平方率特性器件，用它构成的混频器无用频率成分低，具有较好的性能。混频器的功能主要对应于式(2)中的ψ_n(τ)p_c(τ)运算。

3.低通滤波器

利用模拟低通滤波器对调制信号进行滤波。低通滤波器主要完成扩频后的信号与冲击响应的积分运算。该部分对应于式(2)中的h(mM-τ)。

4.低速模数转换器(ADC)

利用低速模数转换器(ADC)采样低通滤波后的低频信号，获得不相干的信息样点，从而得到原始模拟输入信号的离散观测矢量。

5.信号重建

正交匹配追踪(OMP)是一种高效、可靠地贪婪算法，通过迭代，每一次OMP算法能够得到稀疏矢量非零元素的位置，迭代结束后，得到所有非零元素的值，从而确定稀疏矢量的最佳逼近。其主要实现流程如图5所示。

图4是混频器实现电路图。混频器完成频率交换，要求保持原有的载频信号的调制方式不变，携带的信息不变，不产生失真。本发明利用图4所示的无源场效应管混频器对信号进行扩频。无源场效应管混频器利用FET在V_GS＞V_GS(th)和u_DS＜u_DS-V_GS（th）而且V_DS很小时，FET坐在线性电阻区的特性，完成变频。无源场效应管混频器具有很多二极管和有源场效应管混频器所不具备的优点。如图4所示的电路栅极直流偏置V_GG接近夹断电压V_GS（th），本振电压加在栅极上控制u_GS。漏极没有加直流电源，但需要有直流通路。射极电压加在漏极上，使得u_DS＝u_RF(t)，漏极回路谐振于射频频率ω_RF。中频信号由源极输出，源极回路谐振于中频频率ω_IF。设处于线性电阻区FET的漏极电流为：

i_D≈β_n(u_GS-V_GS（th）)u_DS  (10)

对于u_DS，可把FET看作电导为：

$g=\frac{i_D}{u_{\mathrm{DS}}}={\mathrm{\&beta;}}_n(u_{\mathrm{GS}}-V_{\mathrm{GS}\left(\mathrm{th}\right)})---\left(11\right)$

的线性电阻，其电阻值由u_GS控制。令u_GS＝u_LO(t)，则控制沟道电阻的电压本振信号，沟道电阻变成了时变电阻，变化频率为ω_LO。如果令u_DS＝u_RF(t)，则由式(10)可知，电压u_DS通过时变沟道电阻产生的漏极电流包含ω_RF±ω_LO的频率成分。无源场效应管混频器的非线性失真小，完成混频功能利用比值

当u_DDS信号很小时，输出电流i_D与u_DS具有良好的线性关系，失真率小。

图5是低通滤波器的电路示意图。低通滤波器对扩频后的信号与冲击响应做积分运算。该滤波器主要由电阻、电容以及运放组成。低通滤波器的传递函数可以用下式描述：

$H\left(\mathrm{j\&omega;}\right)=\frac{A_0}{1+j\frac{\mathrm{\&omega;}}{{\mathrm{\&omega;}}_c}}---\left(12\right)$

其中

    当ω＝ω_c时，传输函数的幅值下降3db，所以ω_c为截止频率。

最后，信号利用传统的低速模数转换器(ADC)进行转换，完成信号的采样，这里，对模数转换器不再加以说明。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种云制造平台中的模拟到信息采样方法，其特征在于，包括信号压缩采样和信号重建两部分；

在信号压缩采样时，设模拟信号x(t)由连续基ψ_n(t)表示，即公式一：

$x\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_n{\mathrm{\&psi;}}_n\left(t\right)$

其中，t，α_n∈R，α＝[α₁，α2_，...，α_N]^T为系数向量，t为时间；

将离散的测量向量y表示成离散稀疏向量α的线性变换，所述线性变换用一个M×N的矩阵Θ表示，其中Θ＝ΦΨ由两部分组成，Ψ将离散的系数向量α表示成模拟信号x(t)，Φ对模拟信号x(t)进行测量，生成一个由离散的测量元素y组成的离散集合；

根据公式一，将模拟信号x(t)经过采样后的输出y[m]化成公式二：

$y\left[m\right]=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_n{\&Integral;}_{-\&infin;}^{+\&infin;}{\mathrm{\&psi;}}_n\left(\mathrm{\&tau;}\right)p_c\left(\mathrm{\&tau;}\right)h(\mathrm{mM}-\mathrm{\&tau;})\mathrm{d\&tau;}$

其中：ψ_n(t)为模拟信号x(t)的稀疏表示连续基；p_c(τ)为伪随机序列；h(mM-τ)为低通滤波器的脉冲响应；α_n为模拟信号x(t)在连续基ψ_n(t)所对应的系数；

通过公式二，得到Θ的元素θ_m，n，其中m，n分别代表第m行，第n列：

${\mathrm{\&theta;}}_{m,n}={\&Integral;}_{-\&infin;}^{+\&infin;}{\mathrm{\&psi;}}_n\left(\mathrm{\&tau;}\right)p_c\left(\mathrm{\&tau;}\right)h(\mathrm{mM}-\mathrm{\&tau;})\mathrm{d\&tau;}$

在利用测量信号对原始信号进行重建时，采用正交匹配追踪方法，其步骤如下：

1)初始化：r₀＝y，

t＝1，其中，r₀为残差，S为下标集，t为迭代次数；

2)搜索Θ与残差最相近的列，即与残差的内积最大的列：

$s_t=\arg \underset{j=1...N}{\max }|<r_{t-1},{\mathrm{\&theta;}}_j>|$

其中θ_j是Θ的第j列；

3)更新下标集S_t＝S_t-1 Y{S_t}，以及更新由所选的逼近原子

构成的矩阵

所述逼近原子

为2)中所选择的与残差最相近的列；

4)利用最小二乘法，更新稀疏估计向量

的估计值：

$q_t=\arg \underset{q}{\min }{\left|\right|y-{\mathrm{\&Theta;}}_{t}q\left|\right|}_{l_2}$

5)更新残差r_t＝y-Θ_tq_t；

6)如果t≥K，则执行下一步，否则令t＝t+1，返回到2)继续执行，其中K为稀疏度；

7)从S_t中得到稀疏估计向量

的非零元素的位置，q_t的第t个元素就是

的第s_t个元素，最终得到稀疏的估计向量

2.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，所述信号压缩采样部分采用伪随机序列发生器、混频器、低通滤波器和低通模数转换器来实现。

3.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，伪随机序列发生器用于产生PN序列，其中伪随机序列发生器对输入信号进行调制，使调制后的信号的符号改变的速率必须大于Nyquist采样速率。

4.如权利要求3所述的云制造平台中的模拟到信息采样方法，其特征在于，所述伪随机序列发生器对应产生所述p_c(τ)。

5.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，所述混频器用于进行运算ψ_n(τ)p_c(τ)。

6.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，所述低通滤波器对应产生h(mM-τ)。

7.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，所述混频器为无源场效应管混频器。

8.如权利要求1所述的云制造平台中的模拟到信息采样方法，其特征在于，所述低通滤波器由电阻、电容以及运算放大器组成。

Images