CN106339570A - 一种中医智能辅助处方系统 - Google Patents

Abstract

本发明提供一种中医智能辅助处方系统，包括草药存储装置、装置壳体、开口盖、弧形板、草药通管、测重装置、测重装置外壳、滑块、测重器、滑杆、草药接收装置、接收装置壳体、活动螺栓、活动挡板、电动伸缩杆、活动端头、漏斗、管道、取药装置和配送装置；所述草药存储装置的底部设置有草药通管，草药通管上固定安装有测重装置，测重装置的下方设置有草药接收装置，草药接收装置下方的一侧设置有漏斗，漏斗底部连接有管道，所述取药装置与草药存储装置连接，所述配送装置与草药接收装置连接。本发明通过设置草药存储装置、测重装置和草药接收装置，可通过电脑进行自动称量取药，不需要人工操作，提升了工作效率。

Description

一种中医智能辅助处方系统

技术领域

本发明属于智能技术领域，尤其涉及一种中医智能辅助处方系统。

背景技术

现在，各大医院都建有自己的HIS信息系统，包括门诊管理、病历管理、处方管理、药房管理、库房管理、收费管理等子系统，极大的方便了患者就诊。目前，传统的就诊及取药流程为：挂号、就诊、处方、交费、人工取药，无论病人挂号、医生开药，还是财务收费等，都通过计算机实现辅助管理。但是，现有的中药取药方面依然为人工进行称量取药，导致效率较低。

发明内容

为了解决上述技术问题，本发明提供一种中医智能辅助处方系统，以此解决中药取药方面依然为人工进行称量取药，导致效率较低的问题。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种中医智能辅助处方系统，该中医智能辅助处方系统包括草药存储装置、装置壳体、开口盖、弧形板、草药通管、测重装置、测重装置外壳、滑块、测重器、滑杆、草药接收装置、接收装置壳体、活动螺栓、活动挡板、电动伸缩杆、活动端头、漏斗、管道、取药装置和配送装置；所述草药存储装置的底部设置有草药通管，草药通管上固定安装有测重装置，测重装置的下方设置有草药接收装置，草药接收装置下方的一侧设置有漏斗，漏斗底部连接有管道，所述取药装置与草药存储装置连接，所述配送装置与草药接收装置连接；

所述取药装置包括药盒及取药臂，该药盒包括存储仓及连通该存储仓的取药仓，该取药仓设有受动部，该取药臂包括本体部及集药部，该本体部设有与该受动部配合的驱动部，该集药部底部设有取药嘴；

所述配送装置包括用于配送不同药物剂量部分的配送机构，不同药物剂量部分由多个药物载体中的每一个携带；用于接收多个药物载体中的每一个的接 收站；用于在通过接收站接收药物载体时从多个药物载体中的每一个释放不同药物剂量部分的释放装置；出口，定位成与可通过释放装置释放的不同药物剂量部分连通；分度器，用于单独分度索引多个药物载体中的每一个上的不同药物剂量部分；

本发明还可以采用如下技术措施：

优选的，所述草药存储装置包括装置壳体、开口盖和弧形板，所述装置壳体的顶部活动连接有开口盖，所述装置壳体的内壁上设置有弧形板。

优选的，所述测重装置包括测重装置外壳、滑块、测重器、数字调制模块和滑杆，所述测重装置外壳上固定安装有滑块，滑块上活动连接有滑杆，所述测重装置外壳的内壁上设置有测重器。

优选的，所述草药接收装置包括接收装置壳体、活动螺栓、活动挡板、电动伸缩杆和活动端头，所述接收装置壳体的内壁底部固定安装有活动螺栓，活动螺栓一侧活动连接有活动挡板，所述接收装置壳体内壁的右侧固定安装有电动伸缩杆，电动伸缩杆通过活动挡板上设置的活动端头与活动挡板相连接。

优选的，所述开口盖上的外螺纹与装置壳体顶部开设口的内螺纹相适配。

优选的，所述电动伸缩杆的伸缩距离为0-5cm。

优选的，所述漏斗设置在活动挡板的开口下侧。

优选的，所述测重装置外壳上设置有两根滑杆，且滑杆对称设置在草药通管两侧。

优选的，所述草药通管的内部还设置有处理器和阻隔版，电动伸缩杆与处理器信号连接。

进一步，所述数字调制模块的调制信号的方法，其特征在于，该方法包括：

步骤一，对接收信号s(t)进行非线性变换；按如下公式进行：

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后可得到：

步骤二，计算接收信号s(t)的广义一阶循环累积量和广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出2FSK信号；计算接收信号的广义循环累积量按如下公式进行：

与均为广义循环矩，定义为：

其中s(t)为信号，n为广义循环矩的阶数，共轭项为m项；

接收信号s(t)的特征参数M¹的理论值具体计算过程如下进行：

经计算可知，对于2FSK信号，该信号的为1，而对于MSK、BPSK，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以通过最小均方误差分类器将2FSK信号识别出来，该分类器的表达形式为：

式中为特征参数M¹的实际值；

步骤三，计算接收信号s(t)的广义二阶循环累积量通过计算接收信号 s(t)的特征参数和利用最小均方误差分类器，并通过检测广义循环累积量幅度谱的谱峰个数识别出BPSK信号和MSK信号；计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

接收信号s(t)的特征参数M²的理论值具体计算公式为：

经过计算可知，BPSK信号和MSK信号的均为1，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以用最小均方误差分类器将BPSK、MSK信号与QPSK、8PSK、16QAM、64QAM信号分开；对于BPSK信号而言，在广义循环累积量幅度谱上仅在载频位置存在一个明显谱峰，而MSK信号在两个频率处各有一个明显谱峰，由此可通过特征参数M²和检测广义循环累积量幅度谱的谱峰个数将BPSK信号与MSK信号识别出来；

检测广义循环累积量幅度谱的谱峰个数的具体方法如下：

首先搜索广义循环累积量幅度谱的最大值Max及其位置对应的循环频率α₀，将其小邻域[α₀-δ₀,α₀+δ₀]内置零，其中δ₀为一个正数，若|α₀-f_c|/f_c＜σ₀，其中δ₀为一个接近0的正数，f_c为信号的载波频率，则判断此信号类型为BPSK信号，否则继续搜索次大值Max1及其位置对应的循环频率α₁；若|Max-Max1|/Max＜σ₀，并且|(α₀+α₁)/2-f_c|/f_c＜σ₀，则判断此信号类型为MSK信号；

步骤四，计算接收信号s(t)的广义四阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出QPSK信号、8PSK信号、16QAM信号和64QAM信号。计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

接收信号s(t)的特征参数M³的理论值具体计算过程如下：

经过计算可知，QPSK信号的为1，8PSK信号的为0，16QAM信号的为0.5747，64QAM信号的为0.3580，由此通过最小均方误差分类器将QPSK、8PSK、16QAM和64QAM信号识别出来。

进一步，所述处理器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法为：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵

p＝0,1,…P-1,q＝0,1,…N_fft-1；

(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，P表示加窗次数，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括：

在p（p=0，1，2，…P-1）时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

对每一采样时刻p（p=0，1，2，…P-1），利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

对所有求均值并取整，得到源信号个数的估计即

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用 表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根源信号时频域估计值，恢复时域源信号；具体步骤如下：

对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；

对上述所有时刻得到的时域源信号y_n(p,q_t)进行合并处理，得到最终的时域源信号估计，具体公式如下：

这里K_c＝N_fft/C，C加窗间隔的采样点数。

本发明具有的优点和积极效果是：本发明通过设置草药存储装置、测重装置和草药接收装置，可通过电脑进行自动称量取药，不需要人工操作，大大提升了工作效率。本发明提供的数字调制信号的方法，对接收信号s(t)进行非线性变换；计算接收信号s(t)的广义一阶循环累积量和广义二阶循环累积量 通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出2FSK信号；计算接收信号s(t)的广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，并通过检测广义循环累积量幅度谱的谱峰个数识别出BPSK信号和MSK信号；计算接收信号s(t)的广义四阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出QPSK信号、8PSK信号、16QAM信号和64QAM信号；本发明利用信号的广义循环累积量的三个特征参数，将信号集{2FSK、BPSK、MSK、QPSK、8PSK、16QAM、64QAM}中的信号识别出来，既解决了Alpha稳定分布噪声下的信号不具有二阶或二阶 以上的统计量的问题，又提高了有效识别数字调制信号的性能，可用于对Alpha稳定分布噪声下的数字调制信号的调制方式类型进行识别，实用性强，具有较强的推广与应用价值。本发明提供的基于聚类的同步正交跳频信号盲源分离方法，在不知道任何信道信息的条件下，仅根据接收到的多个跳频信号的混合信号，估计出跳频源信号，能在接收天线个数小于源信号个数的条件下，对多个跳频信号进行盲估计，仅仅利用了短时傅里叶变换，计算量小，容易实现，该方法在对跳频信号进行盲分离的同时，还能对部分参数进行估计，实用性强，具有较强的推广与应用价值。

附图说明

图1是本发明实施例提供的中医智能辅助处方系统的结构示意图。

图2是本发明实施例提供的中医智能辅助处方系统草药接收装置的结构示意图。

图中：1、草药存储装置；11、装置壳体；12、开口盖；13、弧形板；2、草药通管；3、测重装置；31、测重装置外壳；32、滑块；33、测重器；34、滑杆；4、草药接收装置；41、接收装置壳体；42、活动螺栓；43、活动挡板；44、电动伸缩杆；45、活动端头；5、漏斗；6、管道。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

请参阅图1至图2：

本发明提供一种中医智能辅助处方系统，该中医智能辅助处方系统包括草药存储装置1、装置壳体11、开口盖12、弧形板13、草药通管2、测重装置3、测重装置外壳31、滑块32、测重器33、滑杆34、草药接收装置4、接收装置壳体41、活动螺栓42、活动挡板43、电动伸缩杆44、活动端头45、漏斗5、管道6、取药装置和配送装置；所述草药存储装置1的底部设置有草药通管2，草 药通管2上固定安装有测重装置3，测重装置3的下方设置有草药接收装置4，草药接收装置4下方的一侧设置有漏斗5，漏斗5底部连接有管道6。所述取药装置与草药存储装置连接，所述配送装置与草药接收装置连接；

所述取药装置包括药盒及取药臂，该药盒包括存储仓及连通该存储仓的取药仓，该取药仓设有受动部，该取药臂包括本体部及集药部，该本体部设有与该受动部配合的驱动部，该集药部底部设有取药嘴；

所述配送装置包括用于配送不同药物剂量部分的配送机构，不同药物剂量部分由多个药物载体中的每一个携带；用于接收多个药物载体中的每一个的接收站；用于在通过接收站接收药物载体时从多个药物载体中的每一个释放不同药物剂量部分的释放装置；出口，定位成与可通过释放装置释放的不同药物剂量部分连通；分度器，用于单独分度索引多个药物载体中的每一个上的不同药物剂量部分。

本发明还可以采用如下技术措施：

优选的，所述草药存储装置1包括装置壳体11、开口盖12和弧形板13，所述装置壳体11的顶部活动连接有开口盖12，所述装置壳体11的内壁上设置有弧形板13。

优选的，所述测重装置3包括测重装置外壳31、滑块32、测重器33和滑杆34，所述测重装置外壳31上固定安装有滑块32，滑块32上活动连接有滑杆34，所述测重装置外壳31的内壁上设置有测重器33。所述测重装置包括数字调制模块。

优选的，所述草药接收装置4包括接收装置壳体41、活动螺栓42、活动挡板43、电动伸缩杆44和活动端头45，所述接收装置壳体41的内壁底部固定安装有活动螺栓42，活动螺栓42一侧活动连接有活动挡板43，所述接收装置壳体41内壁的右侧固定安装有电动伸缩杆44，电动伸缩杆44通过活动挡板43上设置的活动端头45与活动挡板43相连接。

优选的，所述开口盖12上的外螺纹与装置壳体11顶部开设口的内螺纹相 适配。

优选的，所述电动伸缩杆44的伸缩距离为0-5cm。

优选的，所述漏斗5设置在活动挡板43的开口下侧。

优选的，所述测重装置外壳31上设置有两根滑杆34，且滑杆34对称设置在草药通管2两侧。

优选的，所述草药通管2的内部还设置有处理器和阻隔版，电动伸缩杆44与处理器信号连接。

进一步，所述数字调制模块的调制信号的方法，其特征在于，该方法包括：

步骤一，对接收信号s(t)进行非线性变换；按如下公式进行：

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后可得到：

步骤二，计算接收信号s(t)的广义一阶循环累积量和广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出2FSK信号；计算接收信号的广义循环累积量按如下公式进行：

与均为广义循环矩，定义为：

其中s(t)为信号，n为广义 循环矩的阶数，共轭项为m项；

接收信号s(t)的特征参数M¹的理论值具体计算过程如下进行：

经计算可知，对于2FSK信号，该信号的为1，而对于MSK、BPSK，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以通过最小均方误差分类器将2FSK信号识别出来，该分类器的表达形式为：

式中为特征参数M¹的实际值；

步骤三，计算接收信号s(t)的广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，并通过检测广义循环累积量幅度谱的谱峰个数识别出BPSK信号和MSK信号；计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

接收信号s(t)的特征参数M²的理论值具体计算公式为：

经过计算可知，BPSK信号和MSK信号的均为1，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以用最小均方误差分类器将BPSK、MSK信号与QPSK、8PSK、16QAM、64QAM信号分开；对于BPSK信号而言，在广义循环累积量幅度谱上仅在载频位置存在一个明显谱峰，而MSK信号在两个频率处各有一个明显谱峰，由此可通过特征参数M²和检测广义循环累 积量幅度谱的谱峰个数将BPSK信号与MSK信号识别出来；

检测广义循环累积量幅度谱的谱峰个数的具体方法如下：

首先搜索广义循环累积量幅度谱的最大值Max及其位置对应的循环频率α₀，将其小邻域[α₀-δ₀,α₀+δ₀]内置零，其中δ₀为一个正数，若|α₀-f_c|/f_c＜σ₀，其中δ₀为一个接近0的正数，f_c为信号的载波频率，则判断此信号类型为BPSK信号，否则继续搜索次大值Max1及其位置对应的循环频率α₁；若|Max-Max1|/Max＜σ₀，并且|(α₀+α₁)/2-f_c|/f_c＜σ₀，则判断此信号类型为MSK信号；

步骤四，计算接收信号s(t)的广义四阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出QPSK信号、8PSK信号、16QAM信号和64QAM信号。计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

接收信号s(t)的特征参数M³的理论值具体计算过程如下：

经过计算可知，QPSK信号的为1，8PSK信号的为0，16QAM信号的为0.5747，64QAM信号的为0.3580，由此通过最小均方误差分类器将QPSK、8PSK、16QAM和64QAM信号识别出来。

进一步，所述处理器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法为：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵

p＝0,1,…P-1,q＝0,1,…N_fft-1；

(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，P表示加窗次数，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括：

在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

对所有求均值并取整，得到源信号个数的估计即

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用 表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根源信号时频域估计值，恢复时域源信号；具体步骤如下：

对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；

对上述所有时刻得到的时域源信号y_n(p,q_t)进行合并处理，得到最终的时域源信号估计，具体公式如下：

这里K_c＝N_fft/C，C加窗间隔的采样点数。

工作原理

本发明在使用时，处理器控制阻隔版打开，使草药下落至草药接收装置4 中，当重量达到设定重量时，处理器控制阻隔版关闭，处理器并控制电动伸缩杆44开启推开活动挡板43使草药落至漏斗5之中。

利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。

Claims (3)

1.一种中医智能辅助处方系统，其特征在于，该中医智能辅助处方系统包括草药存储装置、装置壳体、开口盖、弧形板、草药通管、测重装置、测重装置外壳、滑块、测重器、滑杆、草药接收装置、接收装置壳体、活动螺栓、活动挡板、电动伸缩杆、活动端头、漏斗、管道、取药装置和配送装置；所述草药存储装置的底部设置有草药通管，草药通管上固定安装有测重装置，测重装置的下方设置有草药接收装置，草药接收装置下方的一侧设置有漏斗，漏斗底部连接有管道，所述取药装置与草药存储装置连接，所述配送装置与草药接收装置连接；

所述草药存储装置包括装置壳体、开口盖和弧形板，所述装置壳体的顶部活动连接有开口盖，所述装置壳体的内壁上设置有弧形板；

所述测重装置包括测重装置外壳、滑块、测重器、数字调制模块和滑杆，所述测重装置外壳上固定安装有滑块，滑块上活动连接有滑杆，所述测重装置外壳的内壁上设置有测重器；

所述草药接收装置包括接收装置壳体、活动螺栓、活动挡板、电动伸缩杆和活动端头，所述接收装置壳体的内壁底部固定安装有活动螺栓，活动螺栓一侧活动连接有活动挡板，所述接收装置壳体内壁的右侧固定安装有电动伸缩杆，电动伸缩杆通过活动挡板上设置的活动端头与活动挡板相连接；

所述取药装置包括药盒及取药臂，该药盒包括存储仓及连通该存储仓的取药仓，该取药仓设有受动部，该取药臂包括本体部及集药部，该本体部设有与该受动部配合的驱动部，该集药部底部设有取药嘴；

所述配送装置包括用于配送不同药物剂量部分的配送机构，不同药物剂量部分由多个药物载体中的每一个携带；用于接收多个药物载体中的每一个的接收站；用于在通过接收站接收药物载体时从多个药物载体中的每一个释放不同药物剂量部分的释放装置；出口，定位成与可通过释放装置释放的不同药物剂量部分连通；分度器，用于单独分度索引多个药物载体中的每一个上的不同药物剂量部分；

所述开口盖上的外螺纹与装置壳体顶部开设口的内螺纹相适配，所述电动伸缩杆的伸缩距离为0-5cm，所述漏斗设置在活动挡板的开口下侧，所述测重装置外壳上设置有两根滑杆，且滑杆对称设置在草药通管两侧，所述草药通管的内部还设置有处理器和阻隔版，电动伸缩杆与处理器信号连接。

2.如权利要求1所述的中医智能辅助处方系统，其特征在于，所述数字调制模块的调制信号的方法，其特征在于，该方法包括：

步骤一，对接收信号s(t)进行非线性变换；按如下公式进行：

$f\[s\left(t\right)\]=\frac{s\left(t\right)*\ln \left|s\left(t\right)\right|}{\left|s\left(t\right)\right|}=s\left(t\right)c\left(t\right)$

其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，f_c表示信号的载波频率，表示信号的相位，通过该非线性变换后可得到：

$f\[s\left(t\right)\]=s\left(t\right)\frac{ln\left|Aa\left(m\right)\right|}{\left|Aa\left(m\right)\right|};$

步骤二，计算接收信号s(t)的广义一阶循环累积量和广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出2FSK信号；计算接收信号的广义循环累积量按如下公式进行：

${\mathrm{GC}}_{s,10}^{\mathrm{\β}}={\mathrm{GM}}_{s,10}^{\mathrm{\β}};$

${\mathrm{GC}}_{s,21}^{\mathrm{\β}}={\mathrm{GM}}_{s,21}^{\mathrm{\β}};$

与均为广义循环矩，定义为：

其中s(t)为信号，n为广义循环矩的阶数，共轭项为m项；

接收信号s(t)的特征参数M¹的理论值具体计算过程如下进行：

${\mathrm{GC}}_{s,10}^{\mathrm{\β}}=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}a\left(k\right)\left|\ln \right|a\left(k\right)\left|\right|$

${\mathrm{GC}}_{s,21}^{\mathrm{\β}}=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}a\left(k\right)a^{*}\left(k\right)\left|\ln \right|a\left(k\right)|{|}^2$

经计算可知，对于2FSK信号，该信号的为1，而对于MSK、BPSK，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以通过最小均方误差分类器将2FSK信号识别出来，该分类器的表达形式为：

$E_1=\min {(M_{theory}^1-M_{actual}^1)}^2$

式中为特征参数M¹的实际值；

步骤三，计算接收信号s(t)的广义二阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，并通过检测广义循环累积量幅度谱的谱峰个数识别出BPSK信号和MSK信号；计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

${\mathrm{GC}}_{s,20}^{\mathrm{\β}}={\mathrm{GM}}_{s,20}^{\mathrm{\β}};$

接收信号s(t)的特征参数M²的理论值具体计算公式为：

${\mathrm{GC}}_{s,20}^{\mathrm{\β}}=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}a\left(k\right)a\left(k\right)\left|\ln \right|a\left(k\right)|{|}^2$

经过计算可知，BPSK信号和MSK信号的均为1，QPSK、8PSK、16QAM和64QAM信号的均为0，由此可以用最小均方误差分类器将BPSK、MSK信号与QPSK、8PSK、16QAM、64QAM信号分开；对于BPSK信号而言，在广义循环累积量幅度谱上仅在载频位置存在一个明显谱峰，而MSK信号在两个频率处各有一个明显谱峰，由此可通过特征参数M²和检测广义循环累积量幅度谱的谱峰个数将BPSK信号与MSK信号识别出来；

检测广义循环累积量幅度谱的谱峰个数的具体方法如下：

首先搜索广义循环累积量幅度谱的最大值Max及其位置对应的循环频率α₀，将其小邻域[α₀-δ₀,α₀+δ₀]内置零，其中δ₀为一个正数，若|α₀-f_c|/f_c＜σ₀，其中δ₀为一个接近0的正数，f_c为信号的载波频率，则判断此信号类型为BPSK信号，否则继续搜索次大值Max1及其位置对应的循环频率α₁；若|Max-Max1|/Max＜σ₀，并且|(α₀+α₁)/2-f_c|/f_c＜σ₀，则判断此信号类型为MSK信号；

步骤四，计算接收信号s(t)的广义四阶循环累积量通过计算接收信号s(t)的特征参数和利用最小均方误差分类器，识别出QPSK信号、8PSK信号、16QAM信号和64QAM信号，计算接收信号s(t)的广义二阶循环累积量按如下公式进行：

${\mathrm{GC}}_{s,40}^{\mathrm{\β}}={\mathrm{GM}}_{s,40}^{\mathrm{\β}}-3{\left({\mathrm{GM}}_{s,20}^{\mathrm{\β}/2}\right)}^2;$

接收信号s(t)的特征参数M³的理论值具体计算过程如下：

${\mathrm{GC}}_{s,40}^{\mathrm{\β}}=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{\[a\left(k\right)\]}^4{\left|\ln \right|a\left(k\right)\left|\right|}^4-3{\[\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{\[a\left(k\right)\]}^2{\left|\ln \right|a\left(k\right)\left|\right|}^2\]}^2$

经过计算可知，QPSK信号的为1，8PSK信号的为0，16QAM信号的为0.5747，64QAM信号的为0.3580，由此通过最小均方误差分类器将QPSK、8PSK、16QAM和64QAM信号识别出来。

3.如权利要求1所述的中医智能辅助处方系统，其特征在于，所述处理器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法为：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵

p＝0,1,…P-1,q＝0,1,…N_fft-1；

(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，P表示加窗次数，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括：

在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

对所有求均值并取整，得到源信号个数的估计即

$\hat{N}=round\left(\frac{1}{p}\underset{p=0}{\overset{P-1}{\Σ}}{\hat{N}}_p\right);$

找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

根据估计得到的以及估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

${\hat{a}}_n\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\Σ}}{b}_{n,p}^0& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h\left(l-1\right)}\·\underset{p={\stackrel{\‾}{p}}_h\left(l-1\right)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\Σ}}{b}_{n,p}^0& l>1,\end{array}\right.,n=1,2,...,\hat{N}$

这里表示第l跳对应的个混合矩阵列向量估计值；

估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

${\hat{f}}_{c,n}\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\Σ}}{f}_o^n\left(p\right)& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h\left(l-1\right)}\·\underset{p={\stackrel{\‾}{p}}_h\left(l-1\right)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\Σ}}{f}_o^n\left(p\right)& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；

步骤七，根源信号时频域估计值，恢复时域源信号；具体步骤如下：

对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；

对上述所有时刻得到的时域源信号y_n(p,q_t)进行合并处理，得到最终的时域源信号估计，具体公式如下：

$s_n\&lsqb;kC:(k+1)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,\left(k-m\right)C:(k-m+1)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.,k=0,1,2,...$

这里K_c＝N_fft/C，C加窗间隔的采样点数。