CN106899295A - 一种随机量化信号解码方法及系统 - Google Patents

一种随机量化信号解码方法及系统 Download PDF

Info

Publication number
CN106899295A
CN106899295A CN201710094274.5A CN201710094274A CN106899295A CN 106899295 A CN106899295 A CN 106899295A CN 201710094274 A CN201710094274 A CN 201710094274A CN 106899295 A CN106899295 A CN 106899295A
Authority
CN
China
Prior art keywords
matrix
signal
randomized quantizing
randomized
error
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.)
Granted
Application number
CN201710094274.5A
Other languages
English (en)
Other versions
CN106899295B (zh
Inventor
许丽艳
段法兵
任昱昊
潘燕
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.)
Qingdao University
Original Assignee
Qingdao 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 Qingdao University filed Critical Qingdao University
Priority to CN201710094274.5A priority Critical patent/CN106899295B/zh
Publication of CN106899295A publication Critical patent/CN106899295A/zh
Application granted granted Critical
Publication of CN106899295B publication Critical patent/CN106899295B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M1/00—Analogue/digital conversion; Digital/analogue conversion
    • H03M1/06—Continuously compensating for, or preventing, undesired influence of physical parameters
    • H03M1/0617—Continuously compensating for, or preventing, undesired influence of physical parameters characterised by the use of methods or means not specific to a particular type of detrimental influence
    • H03M1/0634—Continuously compensating for, or preventing, undesired influence of physical parameters characterised by the use of methods or means not specific to a particular type of detrimental influence by averaging out the errors, e.g. using sliding scale
    • H03M1/0636—Continuously compensating for, or preventing, undesired influence of physical parameters characterised by the use of methods or means not specific to a particular type of detrimental influence by averaging out the errors, e.g. using sliding scale in the amplitude domain
    • H03M1/0639—Continuously compensating for, or preventing, undesired influence of physical parameters characterised by the use of methods or means not specific to a particular type of detrimental influence by averaging out the errors, e.g. using sliding scale in the amplitude domain using dither, e.g. using triangular or sawtooth waveforms
    • H03M1/0641—Continuously compensating for, or preventing, undesired influence of physical parameters characterised by the use of methods or means not specific to a particular type of detrimental influence by averaging out the errors, e.g. using sliding scale in the amplitude domain using dither, e.g. using triangular or sawtooth waveforms the dither being a random signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明提供一种随机量化信号解码方法及系统，根据输出结果与输入信号之间的误差作为研判标准，以确定输出信号是否逼近输入信号，只要输出信号与输入信号之间的误差超过允许误差阈值，则会调整每一输出信号的加权值之后重新进入下一周期的计算，如此循环反复，直到均方误差失真在允许误差阈值的范围内，通过自适应地调节加权值，使得解码输出信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，并且上述方法不仅适用于平稳随机信号，也适用于非平稳随机信号。

Description

一种随机量化信号解码方法及系统
技术领域
本发明涉及通讯信号处理技术领域，具体涉及一种基于Kalman-LMS自适应递归算法的随机量化信号解码方法及系统。
背景技术
SSR(Suprathreshold stochastic resonance,超阈值随机共振)模型是由N个比较器(或一比特量化器)并联组成的阵列，每个比较器的输入端引入相同的输入信号和独立同分布的加性噪声，当输入大于阈值时，输出为1，否则为0。对N个比较器的输出求和得到阵列的总输出。由于输入到各比较器的噪声是随机的，因此阵列的输出值是不确定的，其值为[0,N]间的整数，故SSR模型可视为随机量化器。
对于SSR模型的解码方案研究，一般采用Wiener解码方法，采用Wiener解码方法能获得最小的均方误差失真(MSE)。但是Wiener解码方法只适用于具有平稳统计特性的输入信号。在实际应用中，输入信号的特性一般是未知的或者时变的，因此Wiener解码方法不能适用于实际的应用场景。
发明内容
本发明实施例旨在提供一种随机量化信号解码方法及系统，以解决现有技术中SSR模型解码方法适用性差的技术问题。
为解决上述技术问题，本发明提供一种随机量化信号解码方法，包括如下步骤：
获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；
分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；
根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
获取输出信号矩阵与输入信号矩阵的均方误差失真；
若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接输出所述输出信号矩阵。
可选地，上述的随机量化信号解码方法中，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号的步骤中：
所述量化器为超阈值随机共振模型，所述超阈值随机共振模型包括N个比较器，每一比较器的输出信号作为一随机量化信号。
可选地，上述的随机量化信号解码方法中，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号的步骤包括：
所述输入信号矩阵为：X(K×1)＝[x1,x2,x3……xK]，K表示输入信号的数据长度；
每一比较器输出的随机量化信号为：ynk＝g(xk+ηnk)，其中n＝1,2,…,N，k＝1,2,…,K，ηnk表示第n个比较器在输入xk的作用下的噪声信号。
可选地，上述的随机量化信号解码方法中，若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则输出所述输出信号矩阵的步骤中包括：
生成权误差协方差矩阵，所述权误差协方差矩阵中记录针对相邻两个输入信号数据的权向量的协方差；
采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵；
根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵；
根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵之后返回采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤。
可选地，上述的随机量化信号解码方法中，采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤中通过如下方式得到卡尔曼增益矩阵其中，Pk-1表示在前一周期的权误差协方差矩阵，yk表示在当前周期的输出信号矩阵，表示输出信号矩阵yk的转置矩阵；
根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵的步骤中通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵中通过如下方式更新所述权误差协方差矩阵：
可选地，上述的随机量化信号解码方法中，获取输出信号矩阵与输入信号矩阵的均方误差失真的步骤中：
通过如下方式得到均方误差失真：
上式中，
本发明还提供一种随机量化信号解码系统，包括：
数据获取模块，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；
权重分配模块，分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；
输出信号获取模块，根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
误差计算模块，获取输出信号矩阵与输入信号矩阵的均方误差失真；
误差处理模块，若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接输出所述输出信号矩阵。
可选地，上述的随机量化信号解码系统中，所述误差处理模块，包括：
权误差协方差矩阵生成单元，生成权误差协方差矩阵，所述权误差协方差矩阵中记录针对相邻两个输入信号数据的权向量的协方差；
增益计算单元，采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵；
调整单元，根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵；
权误差协方差矩阵更新单元，根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵之后返回采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤。
可选地，上述的随机量化信号解码系统中，
增益计算单元中，通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
权误差协方差矩阵更新单元，通过如下方式更新所述权误差协方差矩阵：
本发明还提供一种随机量化信号解码系统，包括多个乘法器、第一运算器、第二运算器、Kalman-LMS自适应递归计算器，其中：
每一乘法器的第一输入端用于接收量化器输出的随机量化信号，第二输入端用于接收Kalman-LMS自适应递归计算器输出的加权值；
第一运算器，每一个输入端接收每一乘法器输出的信号，执行相加运算之后得到输出信号；
第二运算器，其第一输入端接收所述第一运算器的输出信号，第二输入端接收输入信号，执行均方差运算后输出均方误差失真；
所述Kalman-LMS自适应递归计算器，输入端接收所述均方误差失真，输出根据所述均方误差失真调整的加权值至每一乘法器中。
本发明提供的上述技术方案，与现有技术相比，至少具有如下有益效果：
本发明提供的随机量化信号解码方法及系统，其方法包括如下步骤：获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；获取输出信号矩阵与输入信号矩阵的均方误差失真；若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接输出所述输出信号矩阵。采用上述方案，是根据输出结果与输入信号之间的误差作为研判标准，以确定输出信号是否逼近输入信号，只要输出信号与输入信号之间的误差超过允许误差阈值，则会调整每一输出信号的加权值之后重新进入下一周期的计算，如此循环反复，直到均方误差失真在允许误差阈值的范围内，通过自适应地调节加权值，使得解码输出信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，并且上述方法不仅适用于平稳随机信号，也适用于非平稳随机信号。
附图说明
为了使本发明的内容更容易被清楚的理解，下面结合附图，对本发明作进一步详细的说明，其中，
图1为本发明一个实施例所述随机量化信号解码方法的流程图；
图2为本发明一个实施例所述随机量化信号解码系统的流程图；
图3为本发明一个实施例所述随机量化信号解码系统的具体结构示意图；
图4为本发明一个实施例所述利用图3所示系统的情况下输入信号和噪声为平稳统计特性时的MSE的仿真结果图；
图5为本发明一个实施例所述利用图3所示系统的情况下输入信号和噪声为非平稳统计特性时的MSE的仿真结果图；
图6为本发明一个实施例所述利用图3所示系统在不同相关时间时噪声强度D与MSE的影响曲线的仿真结果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。并且下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种随机量化信号解码方法，如图1所示，其包括如下步骤：
S1：获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；所述输入信号可以为平稳随机信号，也可以为非平稳随机信号，其均值为零，所述量化器可以为SSR模型。
S2：分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；对于加权值的初始值，可以根据经验值设置，因为该初始值会在后续的自适应调整过程中被重新调整、替换，因此初始值的对于本方案的影响极小，可以根据实际应用场景随意设置。
S3：根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
S4：获取输出信号矩阵与输入信号矩阵的均方误差失真；
S5：判断所述均方误差失真是否超过允许误差阈值，若否则执行步骤S6，若是则执行步骤S7；所述允许误差阈值，可以根据精度要求进行设置。
S6：直接将所述输出信号矩阵作为解码信号。
S7：调整每一随机量化信号设置加权值以及加权值矩阵之后返回步骤S3。
采用本实施例的上述方案，是根据输出结果与输入信号之间的误差作为研判标准，以确定输出信号是否逼近输入信号，只要输出信号与输入信号之间的误差超过允许误差阈值，则会调整每一输出信号的加权值之后重新进入下一周期的计算，如此循环反复，直到均方误差失真在允许误差阈值的范围内，通过自适应地调节加权值，使得解码输出信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，并且上述方法不仅适用于平稳随机信号，也适用于非平稳随机信号。
具体地，在上述实施例的基础上，所述量化器为超阈值随机共振模型，所述超阈值随机共振模型包括N个比较器，每一比较器的输出信号作为一随机量化信号。其中，所述输入信号矩阵为：X(K×1)＝[x1,x2,x3……xK]，K表示输入信号的数据长度；每一比较器输出的随机量化信号为：ynk＝g(xk+ηnk)，其中n＝1,2,…,N，k＝1,2,…,K，ηnk表示第n个比较器在输入xk的作用下的噪声信号。
通过如下方式得到卡尔曼增益矩阵其中，Pk-1表示在前一周期的权误差协方差矩阵，yk表示在当前周期的输出信号矩阵，表示输出信号矩阵yk的转置矩阵；
通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
通过如下方式更新所述权误差协方差矩阵：
通过如下方式得到均方误差失真：其中，
以上方案中采用了卡尔曼滤波和自适应递归算法相结合的方式对加权值进行处理，研究发现自适应递归算法不需要输入信号的先验信息、可自动地调整系统参数，能处理输入特性是未知的、非平稳的或时变的信号。因此把自适应递归算法应用于随机量化信号的解码中，使之能根据实时输入信号自适应地调整系统参数，从而能有效地应用于复杂的、现实的场景。一般的自适应估计方法描述如下：
其中：最优的权矢量代表待估计的系统参数矢量，dk是理想的目标信号，xk是均值为零的输入矢量，nk为噪声。
在自适应估计算法中，LMS(最小均方自适应滤波)是工程上广泛采用的方法。LMS算法使用随机梯度下降法，通过递归估计获得最优的权矢量从而使MSE最小。权矢量递归解如下
wk＝wk-1+μkxkek
其中，递归步长uk＞0。注意，上式中的第二项ukxkek与矢量xk具有相同的方向，这会导致梯度下降法只能获得局部最优步长uk，无法沿着全局最优、最短路径获得最优权矢量因此必须同时控制自适应步长uk的方向和幅度，使之沿最短、最优路径到达具体可参考文献Bernard Widrow and Samuel D Stearns.Adaptive signalprocessing.Englewood Cliffs NJ,Prentice-Hall Inc.,1985,491p.,1,1985.。
由于卡尔曼滤波是一种时域滤波方法，不仅可以处理平稳随机过程，也可以处理非平稳随机过程，它作为一种最重要的最优估计理论被广泛应用于各领域。具体可参考文献Dan Simon.Optimal state estimation:Kalman H infinity,and nonlinearapproaches.John Wiley&Sons,2006.中的介绍。联合卡尔曼滤波和最小均方自适应滤波，自适应地调节加权系数w，使得解码信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，使之不仅适用于平稳随机信号，也适用于非平稳随机信号。
实施例2
与上述方案基于同一发明构思，本实施例还提供一种随机量化信号解码系统，如图2所示，包括：
数据获取模块1，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；所述输入信号可以为平稳随机信号，也可以为非平稳随机信号，其均值为零，所述量化器为超阈值随机共振模型，所述超阈值随机共振模型包括N个比较器，每一比较器的输出信号作为一随机量化信号。其中，所述输入信号矩阵为：X(K×1)＝[x1,x2,x3……xK]，K表示输入信号的数据长度；每一比较器输出的随机量化信号为：ynk＝g(xk+ηnk)，其中n＝1,2,…,N，k＝1,2,…,K，ηnk表示第n个比较器在输入xk的作用下的噪声信号。
权重分配模块2，分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；对于加权值的初始值，可以根据经验值设置，因为该初始值会在后续的自适应调整过程中被重新调整、替换，因此初始值的设置对于本方案的影响极小，可以根据实际应用场景随意设置。
输出信号获取模块3，根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
误差计算模块4，获取输出信号矩阵与输入信号矩阵的均方误差失真；
误差处理模块5，若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接输出所述输出信号矩阵。所述允许误差阈值，可以根据精度要求进行设置。
采用本实施例的上述方案，是根据输出结果与输入信号之间的误差作为研判标准，以确定输出信号是否逼近输入信号，只要输出信号与输入信号之间的误差超过允许误差阈值，则会调整每一输出信号的加权值之后重新进入下一周期的计算，如此循环反复，直到均方误差失真在允许误差阈值的范围内，通过自适应地调节加权值，使得解码输出信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，并且上述方法不仅适用于平稳随机信号，也适用于非平稳随机信号。
优选地，所述误差处理模块5，包括：
权误差协方差矩阵生成单元51，生成权误差协方差矩阵，所述权误差协方差矩阵中记录针对相邻两个输入信号数据的权向量的协方差；
增益计算单元52，采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵；具体地，通过如下方式得到卡尔曼增益矩阵其中，Pk-1表示在前一周期的权误差协方差矩阵，yk表示在当前周期的输出信号矩阵，表示输出信号矩阵yk的转置矩阵；
调整单元53，根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵；具体地，通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
权误差协方差矩阵更新单元54，根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵之后返回增益计算单元52。具体地，通过如下方式更新所述权误差协方差矩阵：
由于卡尔曼滤波是一种时域滤波方法，不仅可以处理平稳随机过程，也可以处理非平稳随机过程，它作为一种最重要的最优估计理论被广泛应用于各领域。联合卡尔曼滤波和最小均方自适应滤波，自适应地调节加权系数，使得解码信号最大程度地接近输入信号，使MSE得到最优的提高，从而提高解码器的处理能力，上述方案不仅适用于平稳随机信号，也适用于非平稳随机信号。
实施例3
本实施例提供一种随机量化信号解码系统，如图3所示，包括多个乘法器201、第一运算器202、第二运算器203、Kalman-LMS自适应递归计算器204，其中每一乘法器的第一输入端用于接收量化器100输出的随机量化信号，第二输入端用于接收Kalman-LMS自适应递归计算器204输出的加权值；第一运算器202，每一个输入端接收每一乘法器输出的信号，执行相加运算之后得到输出信号；第二运算器203，其第一输入端接收所述第一运算器的输出信号，第二输入端接收输入信号，执行均方差运算后输出均方误差失真；所述Kalman-LMS自适应递归计算器204，输入端接收所述均方误差失真，输出根据所述均方误差失真调整的加权值至每一乘法器中。
以图3所示的系统为例，对其进行试验仿真。
第一种情况：设输入信号为平稳统计特性。
阈值θ＝E[x]，
输入信号和噪声的概率密度函数是高斯分布的。图4为噪声标准偏差σ与MSE失真曲线图，从上到下比较器个数N＝1，3，15，63。
图4中实线代表基于Kalman-LMS自适应递归算法的MSE曲线，圆圈线代表利用Wiener线性解码的MSE曲线。比较可见，两种方法的曲线完全重合，由此验证了输入信号为平稳统计特性时，两种方法的解码性能是一致的。但是基于Kalman-LMS自适应递归算法的解码方法简单、更易实现，因为它可以实时地更新权矢量，而Wiener线性解码的权矢量是通过全部采样信号计算所得，不具有实时性。
第二种情况：输入信号为非平稳统计特性。
信号和噪声均为高斯分布的，但信号的标准偏差是时变的，σx(t)＝sin0.2πt。图5为噪声标准偏差ση与MSE失真曲线图，从上到下比较器个数N＝1，3，15，63。与图4相对比，图5的曲线变化趋势与图4相同，即他们都表现为：当N>1时，随着噪声强度的增长MSE值呈非单调式增长，此即SSR现象。与图4不同的是：对于相同的N和噪声强度，图5的MSE值要低于图4的。原因是非平稳采样数据的平均功率小于平稳采样的。计算表明：对于足够长的持续时间，非平稳输入采样数据的平均功率大约为0.5，而平稳输入情况的大约为1。
3)第三种情况：输入噪声是有色噪声。图6是不同相关时间τ时，噪声强度D与MSE曲线。输入信号为高斯分布，比较器个数N＝63。
由图6可见，当噪声强度D＜2时，随着相关时间τ增大解码性能MSE变差，即强的有色噪声恶化系统的性能。另外，随着相关时间τ的增大，使系统性能达到最优的噪声强度值也变大。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种随机量化信号解码方法，其特征在于，包括如下步骤：
由输入信号矩阵获取量化器响应所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；
分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；
根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
获取输出信号矩阵与输入信号矩阵的均方误差失真；
若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接将所述输出信号矩阵作为解码信号。
2.根据权利要求1所述的随机量化信号解码方法，其特征在于，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号的步骤中：
所述量化器为超阈值随机共振模型，所述超阈值随机共振模型包括N个比较器，每一比较器的输出信号作为一随机量化信号。
3.根据权利要求2所述的随机量化信号解码方法，其特征在于，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号的步骤包括：
所述输入信号矩阵为：X(K×1)＝[x1,x2,x3……xK]，K表示输入信号的数据长度；
每一比较器输出的随机量化信号为：ynk＝g(xk+ηnk)，其中n＝1,2,…,N，k＝1,2,…,K，ηnk表示第n个比较器在输入xk的作用下的噪声信号。
4.根据权利要求3所述的随机量化信号解码方法，其特征在于，若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则输出所述输出信号矩阵的步骤中包括：
生成权误差协方差矩阵，所述权误差协方差矩阵中记录针对相邻两个输入信号数据的权向量的协方差；
采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵；
根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵；
根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵之后返回采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤。
5.根据权利要求4所述的随机量化信号解码方法，其特征在于：
采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤中通过如下方式得到卡尔曼增益矩阵其中，Pk-1表示在前一周期的权误差协方差矩阵，yk表示在当前周期的输出信号矩阵，表示输出信号矩阵yk的转置矩阵；
根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵的步骤中通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵中通过如下方式更新所述权误差协方差矩阵：
6.根据权利要求5所述的随机量化信号解码方法，其特征在于，获取输出信号矩阵与输入信号矩阵的均方误差失真的步骤中：
通过如下方式得到均方误差失真：
上式中，
7.一种随机量化信号解码系统，其特征在于，包括：
数据获取模块，获取量化器响应输入信号矩阵所输出的随机量化信号矩阵，所述随机量化信号矩阵中包括每一随机量化信号；
权重分配模块，分别为每一随机量化信号设置加权值，根据所述加权值得到加权值矩阵；
输出信号获取模块，根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵；
误差计算模块，获取输出信号矩阵与输入信号矩阵的均方误差失真；
误差处理模块，若所述均方误差失真超过允许误差阈值，调整每一随机量化信号设置加权值以及加权值矩阵之后返回根据所述随机量化信号矩阵和所述加权值矩阵，得到输出信号矩阵的步骤，否则直接输出所述输出信号矩阵。
8.根据权利要求7所述的随机量化信号解码系统，其特征在于，所述误差处理模块，包括：
权误差协方差矩阵生成单元，生成权误差协方差矩阵，所述权误差协方差矩阵中记录针对相邻两个输入信号数据的权向量的协方差；
增益计算单元，采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵；
调整单元，根据所述卡尔曼增益矩阵调整所述加权值以及加权值矩阵；
权误差协方差矩阵更新单元，根据所述调整后的加权值矩阵，更新所述权误差协方差矩阵之后返回采用Kalman-LMS自适应递归算法，结合所述权误差协方差矩阵和所述随机量化信号矩阵，得到卡尔曼增益矩阵的步骤。
9.根据权利要求8所述的随机量化信号解码系统，其特征在于：
增益计算单元中，通过如下方式调整所述加权值矩阵：wk-1表示在前一周期的加权值矩阵；
权误差协方差矩阵更新单元，通过如下方式更新所述权误差协方差矩阵：
10.一种随机量化信号解码系统，其特征在于，包括多个乘法器、第一运算器、第二运算器、Kalman-LMS自适应递归计算器，其中：
每一乘法器的第一输入端用于接收量化器输出的随机量化信号，第二输入端用于接收Kalman-LMS自适应递归计算器输出的加权值；
第一运算器，每一个输入端接收每一乘法器输出的信号，执行相加运算之后得到输出信号；
第二运算器，其第一输入端接收所述第一运算器的输出信号，第二输入端接收输入信号，执行均方差运算后输出均方误差失真；
所述Kalman-LMS自适应递归计算器，输入端接收所述均方误差失真，输出根据所述均方误差失真调整的加权值至每一乘法器中。
CN201710094274.5A 2017-02-21 2017-02-21 一种随机量化信号解码方法及系统 Expired - Fee Related CN106899295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710094274.5A CN106899295B (zh) 2017-02-21 2017-02-21 一种随机量化信号解码方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710094274.5A CN106899295B (zh) 2017-02-21 2017-02-21 一种随机量化信号解码方法及系统

Publications (2)

Publication Number Publication Date
CN106899295A true CN106899295A (zh) 2017-06-27
CN106899295B CN106899295B (zh) 2019-12-24

Family

ID=59185293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710094274.5A Expired - Fee Related CN106899295B (zh) 2017-02-21 2017-02-21 一种随机量化信号解码方法及系统

Country Status (1)

Country Link
CN (1) CN106899295B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111077503A (zh) * 2020-01-16 2020-04-28 深圳大学 混合干扰信号生成方法、装置、设备及介质
CN112862106A (zh) * 2021-01-19 2021-05-28 中国人民大学 一种基于自适应编解码迭代学习控制信息传输系统和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779426A (zh) * 2007-06-08 2010-07-14 艾利森电话股份有限公司 用于使用近似逆矩阵来估计信号参数的信号处理器
US20140025356A1 (en) * 2012-07-23 2014-01-23 University Of Southern California Iterative estimation of system parameters using noise-like perturbations

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101779426A (zh) * 2007-06-08 2010-07-14 艾利森电话股份有限公司 用于使用近似逆矩阵来估计信号参数的信号处理器
US20140025356A1 (en) * 2012-07-23 2014-01-23 University Of Southern California Iterative estimation of system parameters using noise-like perturbations

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FABING DUAN等: ""An informative view of suprathreshold stochastic resonance with stimulus-specific information"", 《2015 INTERNATIONAL CONFERENCE ON NOISE AND FLUCTUATIONS (ICNF)》 *
LIYAN XU等: ""Decoding suprathreshold stochastic resonance with optimal weights"", 《PHYSICS LETTERS A》 *
LIYAN XU等: ""Optimal weighted suprathreshold stochastic resonance with multigroup saturating sensors"", 《PHYSICA A》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111077503A (zh) * 2020-01-16 2020-04-28 深圳大学 混合干扰信号生成方法、装置、设备及介质
CN112862106A (zh) * 2021-01-19 2021-05-28 中国人民大学 一种基于自适应编解码迭代学习控制信息传输系统和方法
CN112862106B (zh) * 2021-01-19 2024-01-30 中国人民大学 一种基于自适应编解码迭代学习控制信息传输系统和方法

Also Published As

Publication number Publication date
CN106899295B (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
AU2021232839A1 (en) Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems
KR20170041724A (ko) 비동기 펄스 변조를 이용한 인공 뉴런들 및 스파이킹 뉴런들
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
EP4198848A1 (en) Method and system for multi-step prediction of future wind speed based on automatic reservoir neural network
Jiang et al. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network.
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN109388778A (zh) 一种迭代容积点无迹卡尔曼滤波方法
CN111783938A (zh) 时间序列的预测方法和装置
CN106899295A (zh) 一种随机量化信号解码方法及系统
US10956811B2 (en) Variable epoch spike train filtering
CN109635938A (zh) 一种自主学习脉冲神经网络权值量化方法
CN117096875B (zh) 一种基于Spatio-Temporal Transformer模型的短期负荷预测方法及系统
CN113850438A (zh) 公共建筑能耗预测方法、系统、设备及介质
Yang et al. Recursive least mean p-power extreme learning machine
CN107276561A (zh) 基于量化核最小均方误差的Hammerstein系统辨识方法
CN116451060A (zh) 一种新能源出力方式提取方法及装置
Agbailu et al. Kalman filter algorithm versus other methods of estimating missing values: time series evidence
CN115392441A (zh) 量化神经网络模型的片内适配方法、装置、设备及介质
Dorado-Rojas et al. Orthogonal laguerre recurrent neural networks
Ma Research on a novel kernel based grey prediction model and its applications
CN114584476A (zh) 一种流量预测方法、网络训练方法、装置及电子设备
CN109474258A (zh) 基于核极化策略的随机傅立叶特征核lms的核参数优化方法
Nastac et al. An ANN-PCA adaptive forecasting model
Armenio et al. Scenario optimization for optimal training of Echo State Networks
Song et al. A novel radial basis function neural network for approximation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191224