CN105447243B - 基于自适应分数阶随机共振系统的微弱信号检测方法 - Google Patents

基于自适应分数阶随机共振系统的微弱信号检测方法 Download PDF

Info

Publication number
CN105447243B
CN105447243B CN201510791226.2A CN201510791226A CN105447243B CN 105447243 B CN105447243 B CN 105447243B CN 201510791226 A CN201510791226 A CN 201510791226A CN 105447243 B CN105447243 B CN 105447243B
Authority
CN
China
Prior art keywords
signal
fractional
parameter
stochastic resonance
bistable system
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
Application number
CN201510791226.2A
Other languages
English (en)
Other versions
CN105447243A (zh
Inventor
郑永军
张聪
祝增献
黄强
李文军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201510791226.2A priority Critical patent/CN105447243B/zh
Publication of CN105447243A publication Critical patent/CN105447243A/zh
Application granted granted Critical
Publication of CN105447243B publication Critical patent/CN105447243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/30Circuit design
    • G06F30/36Circuit design at the analogue level
    • G06F30/367Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/15Correlation function computation including computation of convolution operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种运用自适应分数阶随机共振系统的微弱信号检测方法。该方法首先对分数阶双稳态系统进行预处理,设置微弱信号与噪声信号基本参数。然后根据先验知识设置免疫算法的初始参数和分数阶双稳态系统参数寻优的范围,利用以信噪比为效果评价函数的免疫算法优化双稳态系统参数,自适应地找到使信噪比最大时对应的双稳态系统参数值,从而产生随机共振或使随机共振效应增强。本发明用免疫算法进行参数寻优,实现自适应随机共振。本发明将免疫学智能算法与自适应控制结合在一起,克服了由于传统双稳态系统本身缺陷,以及系统参数难以选取或者选取不准确造成的随机共振应用受到限制的问题,有效地实现微弱信号的检测。

Description

基于自适应分数阶随机共振系统的微弱信号检测方法
技术领域
本发明涉及一种信号检测方法,尤其涉及微弱信号被高频噪声信号淹没时使用的检测方法。
背景技术
随着时代发展,在各行各业的现场应用中,都会存在微弱信号,如光学测量中的弱光,电磁行业中的弱磁,流量检测中的微流量,温度测量中的微温差等。目前检测微弱信号的方法,一般为使用相对应的传感器对该检测量转化为微弱的电流或电压,然后进行放大以便测量。然而,因为被检测信号较弱,电路中的固有噪声、测量仪表夹杂的固有噪声、传感器的本底噪声以及外界环境带来的干扰噪声都会比目标信号的幅值大得多。因此在放大被测信号的过程中,同时也放大了噪声,所以单靠放大无法检测出微弱信号。
随机共振是基于非线性系统在输入微弱周期信号和噪声信号时的一种非线性现象。在信号的研究中,噪声常常被认为是有害的,但在随机共振的概念里,噪声却可以为微弱信号的检测提供能量,使其成为随机共振的推动作用。分数阶微积分运算已经是数学中的重要分支,具有了完善的理论体系,分数阶微积分的空间特性为长程空间相关性,时间特性为时间记忆性。现阶段研究较为成熟、应用较为广泛的整数阶传统双稳态系统,对微弱信号以及噪声信号等输入,具有较大的局限性,这就意味着应用场合将受到限制。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于自适应分数阶随机共振系统的微弱信号检测方法。
本发明所采用的技术方案,包括如下步骤:
1)对分数阶双稳态系统进行预处理,得到该系统的先验知识;
2)利用信号采集装置,对包含噪声的微弱信号进行采集;
3)将步骤2中采集到的混合信号,作为分数阶双稳态系统的输入,以信噪比为适应度函数,在从步骤1得到的先验知识中提取疫苗。利用免疫算法动态地调节分数阶双稳态系统参数β,a,b,c,k使其产生随机共振,寻找使信噪比最大时的分数阶双稳态系统参数β,a,b,c,k的值;
4)将步骤3优化得到的分数阶双稳态系统参数β,a,b,c,k的值设为双稳态系统参数,对步骤2处理后的信号做随机共振处理,实现微弱信号的检测。
本发明的有益效果:选用了相较于传统整数阶双稳态系统适用范围更加广泛的分数阶双稳态系统,并且针对不同的输入信号,利用免疫算法自适应地调节分数阶双稳态系统参数,探寻信噪比最大时的最优参数,从而产生随机共振或使随机共振效应更明显,实现微弱信号的自适应检测。该方法适用于涉及强噪声中的微弱信号检测的各个领域,具有良好的应用前景。
附图说明
图1为本发明的整体实现过程框图。
图2为免疫算法的分数阶双稳态系统参数择优过程框图。
图3为模拟理想环境中收集的包含噪声的微弱信号。
图4为免疫算法优化后随机共振系统输出的时域图。
图5为免疫算法优化后随机共振系统输出的功率谱图。
具体实施方式
传统的整数阶随机共振模型是双稳随机共振,其势函数为
在传统双稳态系统中,只有a,b两个参数,其结构较为简单,所以不能很有效地应用到各种微弱信号的检测当中,具有局限性,即对微弱信号以及噪声信号等客观条件具有较大的限制。本发明使用的是结构较复杂的分数阶双稳态系统,其势函数为
根据分数阶理论中的Caputo定义,该系统的Langevin方程可以表示如下:
其中,是对x(t)的β阶分数阶导数,并且0<β<1。a,b,c,k,q为系统结构参数。ξ(t)是噪声信号,s(t)为目标微弱信号。
由于该系统结构可变性较好,且分数阶双稳态系统在参数改变影响系统结构这方面,具有较好的特性,所以应用场合更加广泛。
下面结合图1与系统对该方法进行详细描述。
1)对分数阶双稳态系统进行预处理,得到该系统的先验知识;
具体为:对上述的双稳态系统的参数进行单个变化,得到对应的系统势能图,得到该参数与系统结构(主要为势垒高度,势阱位置)的关系。把得到的参数与结构关系作为先验知识。
2)利用信号采集装置,对包含噪声的微弱信号进行采集,并进行预处理;
具体为:将信号接收装置放置到信号源附近,利用信号采集系统采集数据,并进行放大、滤波等预处理。
3)将步骤2中采集到的混合信号,作为分数阶双稳态系统的输入,以信噪比为适应度函数,在从步骤1得到的先验知识中提取疫苗。利用免疫算法动态地调节分数阶双稳态系统参数β,a,b,c,k使其产生随机共振,寻找使信噪比最大时的分数阶双稳态系统参数β,a,b,c,k的值;
具体为:随机共振的强度通常可以用信噪比的大小来衡量,当信噪比达到最大值时,系统处于最佳随机共振状态。免疫算法是由遗传算法变化而来的,是一种通过模拟自然免疫过程搜索最优解的方法,是人工智能的一个具体应用。仿真结果表明免疫算法不仅是有效的而且也是可行的,并较好地解决了遗传算法中的退化问题,并且具有较快的收敛速度、对搜索空间具有较强的自适应能力和跳出局部极值的能力。利用免疫算子自适应地调节双稳态系统参数,产生随机共振和使随机共振效应增强,将人工智能与自适应控制结合在一起,实现随机共振的智能控制。选取信噪比作为采用免疫算法双稳态参数优化过程的效果评价函数,将随机共振与免疫算法两者联系起来,充分利用免疫算法在参数寻优时的优势,实现双稳态系统参数的自适应寻优。
本发明使用的模型为分数阶双稳态系统,其势函数如公式2所示,其中,β,a,b,c,k为系统参数,对随机共振情况起了决定性作用。通过检测输出信号信噪比的实时数据,采用免疫算法,动态地调节双稳态系统参数β,a,b,c,k自适应地实现随机共振的产生与增强。实现步骤如下,参见图2:
3.1、设置免疫算法的参数:群体规模为S,最大循环次数为N,群体中每个个体染色体使用浮点数编码方式编码,基因变异的概率为K,基因变异的步长为P等。
3.2、群体初始化:根据先验知识提取疫苗,并分别确定系统参数β,a,b,c,k的寻优范围,在该范围内按浮点数编码方式随机生成个体,规模为S,作为原始群体A1
3.3、计算群体中个体当前的适应度函数值,即个体信噪比函数值。并比较大小,将最优值记录到公示栏(最优状态保存地址)。
3.4、对当前i代群体Ai中每个个体进行交叉、变异、接种疫苗、免疫选择操作,得到新一代群体Ai+1
3.5、每个个体进行一次操作后,都检验自身适应度与公示栏状态的适应度,如果优于公示栏,则以该个体状态取代之;
3.6、终止条件判断:判断循环次数i是否已达到预制的最大值N,若是,执行步骤3.7,否则转入步骤3.4;
3.7、输出公示栏的最优记录,即信噪比达到最大值时对应的双稳态系统参数β,a,b,c,k的值。
4)将上述过程得到的参数β,a,b,c,k的值,设为最佳分数阶双稳态系统的参数值,对步骤2处理后的信号做随机共振处理,实现微弱信号的自适应检测。
具体为:免疫算法优化得到的参数值设为最佳分数阶双稳态系统参数,对收集到的信号做随机共振处理,得到输入信号的时域波形和经过随机共振处理后的输出信号的时域波形,并得到输出的功率谱波形图,从而实现对微弱信号的自适应检测。
以下通过实例对本发明内容做进一步解释,用该方法对微弱信号进行检测。由于实际现场环境中往往存在大量的噪声,完全淹没了微弱信号特征成分,信噪比极低,并无明显的目标微弱信号信息,如图3所示。本方法采用同时以多个参数为优化对象的自适应随机共振对信号进行分析。采用基于自适应免疫算法的分数阶随机共振系统对微弱信号进行分析。设定双稳态系统参数β,a,b,c,k的寻优范围分别为[0.1 0.9],[0.001 10],[0.00110],[0.1 10],[0.001 10]。免疫算法参数设置如下:群体规模为100,群体中每个个体染色体使用浮点数编码方式编码区间为[0,10],基因突变概率为70%,基因变异的步长为0.001,迭代200次寻找双稳态系统最优参数组合。在β=0.712,a=0.092,b=8.211,c=1.035,k=1.549时,系统输出信噪比达到最大值,系统输出信号的时域图如图4所示,功率谱如图5所示。由图5可知,在频率处有一明显的谱峰值,该频率即为目标微弱信号的特征频率,该频率值为0.00812Hz。

Claims (1)

1.一种基于自适应分数阶随机共振系统的微弱信号检测方法,其特征在于,包括如下步骤:
(1)对分数阶双稳态系统进行预处理,得到该系统的先验知识;
(2)利用信号采集装置,对包含噪声的微弱信号进行采集,并进行预处理;
(3)将步骤(2)中采集到的混合信号,作为分数阶双稳态系统的输入,以信噪比为适应度函数,在先验知识中提取疫苗;利用免疫算法动态地调节分数阶双稳态系统参数β,a,b,c,k,使其产生随机共振,寻找使信噪比最大时的分数阶双稳态系统参数β,a,b,c,k的值;
(4)将步骤(3)优化得到的分数阶双稳系统参数β,a,b,c,k的值设为最佳分数阶双稳态系统参数,对步骤(2)处理后的信号做随机共振处理,实现微弱信号的检测;
所述步骤(1)具体为:对双稳态系统的参数进行单个变化,得到对应的系统势能图,得到该参数与系统结构的关系,把得到的参数与结构关系作为先验知识,所述的系统结构主要为势垒高度和势阱位置;
所述步骤(2)具体为:将信号接收装置放置到信号源附近,利用信号采集系统采集数据,并进行预处理,包括放大、滤波;
所述步骤(3)通过如下子步骤实现:
3.1、设置免疫算法的参数:群体规模为S,最大循环次数为N,群体中每个染色体使用浮点数编码方式编码,基因变异的概率为K,基因变异的步长为P;
3.2、群体初始化:根据先验知识提取疫苗,并分别确定系统参数β,a,b,c,k的寻优范围,在该范围内按浮点数编码方式随机生成个体,规模为S,作为原始群体A1
3.3、计算群体中个体当前的适应度函数值,即个体信噪比函数值;并比较大小,将最优值记录到公示栏;
3.4、对当前k代群体Ak中每个个体进行交叉、变异、接种疫苗、免疫选择操作,得到新一代群体Ak+1
3.5、每个个体进行一次操作后,都检验自身适应度与公示栏状态的适应度,如果优于公示栏,则以该个体状态取代之;
3.6、终止条件判断:判断循环次数k是否已达到预制的最大值N,若是,执行步骤3.7,否则转入步骤3.4;
3.7、输出公示栏的最优记录,即信噪比达到最大值时对应的双稳态系统参数β,a,b,c,k的值;
所述步骤(4)具体为:免疫算法优化得到的参数值设为最佳分数阶双稳态系统参数,对步骤(2)处理后的信号做随机共振处理,得到输入信号的时域波形和经过随机共振处理后的输出信号的时域波形,并得到输出的功率谱波形图,从而实现对微弱信号的自适应检测。
CN201510791226.2A 2015-11-17 2015-11-17 基于自适应分数阶随机共振系统的微弱信号检测方法 Active CN105447243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510791226.2A CN105447243B (zh) 2015-11-17 2015-11-17 基于自适应分数阶随机共振系统的微弱信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510791226.2A CN105447243B (zh) 2015-11-17 2015-11-17 基于自适应分数阶随机共振系统的微弱信号检测方法

Publications (2)

Publication Number Publication Date
CN105447243A CN105447243A (zh) 2016-03-30
CN105447243B true CN105447243B (zh) 2018-07-20

Family

ID=55557414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510791226.2A Active CN105447243B (zh) 2015-11-17 2015-11-17 基于自适应分数阶随机共振系统的微弱信号检测方法

Country Status (1)

Country Link
CN (1) CN105447243B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154143B (zh) * 2016-06-21 2018-09-21 中国计量大学 一种基于分数阶逻辑随机共振的二值信息检测方法
CN106441889B (zh) * 2016-09-14 2018-09-21 安徽大学 一种基于自适应随机共振滤波器的微弱信号检测方法
CN108108672B (zh) * 2017-12-05 2021-05-28 西安交通大学 一种基于线性搜索策略的随机共振电流弱信息识别方法
CN110109080B (zh) * 2019-05-29 2022-11-08 南京信息工程大学 基于ia-svm模型的微弱信号检测方法
CN111507305B (zh) * 2020-04-30 2022-11-25 电子科技大学 基于wcsnr分数阶自适应随机共振轴承故障诊断方法
CN113218683A (zh) * 2021-03-16 2021-08-06 华中科技大学 一种基于振动信号的石油井下电动套管切割器故障识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335844A (zh) * 2013-06-24 2013-10-02 中国计量学院 一种自适应随机共振轴承故障检测方法
CN104122456A (zh) * 2014-07-11 2014-10-29 四川大学 变步长单稳随机共振微弱信号检测方法
CN104678768A (zh) * 2015-01-30 2015-06-03 哈尔滨工程大学 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法
CN104850752A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种基于自适应随机共振的参数搜索范围确定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335844A (zh) * 2013-06-24 2013-10-02 中国计量学院 一种自适应随机共振轴承故障检测方法
CN104122456A (zh) * 2014-07-11 2014-10-29 四川大学 变步长单稳随机共振微弱信号检测方法
CN104678768A (zh) * 2015-01-30 2015-06-03 哈尔滨工程大学 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法
CN104850752A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种基于自适应随机共振的参数搜索范围确定方法

Also Published As

Publication number Publication date
CN105447243A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105447243B (zh) 基于自适应分数阶随机共振系统的微弱信号检测方法
CN103698371B (zh) 一种基于自适应随机共振的低浓度气体检测方法
CN108616120B (zh) 一种基于rbf神经网络的非侵入式电力负荷分解方法
CN103335844A (zh) 一种自适应随机共振轴承故障检测方法
CN113052000B (zh) 一种船舶机械设备早期微弱故障信号特征诊断方法
CN102832908B (zh) 基于小波变换与变步长lms自适应滤波的信号降噪方法
CN111412977A (zh) 一种机械设备振动感知数据的预处理方法
CN101561314A (zh) 随机共振-混沌微弱信号检测方法
CN105701544A (zh) 基于遗传算法和频率调制的随机共振微弱信号检测方法
CN108108672B (zh) 一种基于线性搜索策略的随机共振电流弱信息识别方法
CN107871109A (zh) 色噪声下三稳态随机共振的微弱信号检测方法
CN110135291A (zh) 一种低信噪比信号的参数估计方法
CN112904434B (zh) 一种基于参数优化随机共振的磁异常信号检测方法
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
CN103969505B (zh) 基于插值的随机共振高频弱信号检测方法
CN105260777A (zh) 一种多参数优化的弱暂态零序电流故障特征提取方法
CN104268662B (zh) 一种基于分步优化分位数回归的沉降预测方法
CN105893690A (zh) 基于周期势系统自适应随机共振的微弱特征信息提取方法
CN116522089A (zh) 一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统
CN107765259A (zh) 一种基于提升小波改进阈值的输电线路激光测距信号去噪算法
CN107340056B (zh) 一种匹配随机共振检测方法
CN114372357A (zh) 一种基于因子隐马尔可夫模型的工业负荷分解方法
Zeng et al. A numerical solution method for over-damped fractional Langevin equation based on predictive correction approach
CN102110244B (zh) 一种基于关联维数的神经元动作电位特征提取方法
Wang et al. Signal disaggregation via sparse coding with featured discriminative dictionary

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant