CN107038475A - 一种基于人工鱼群算法的自适应随机共振系统和方法 - Google Patents
一种基于人工鱼群算法的自适应随机共振系统和方法 Download PDFInfo
- Publication number
- CN107038475A CN107038475A CN201710175303.0A CN201710175303A CN107038475A CN 107038475 A CN107038475 A CN 107038475A CN 201710175303 A CN201710175303 A CN 201710175303A CN 107038475 A CN107038475 A CN 107038475A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- fish
- module
- swarm
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 230000006978 adaptation Effects 0.000 claims abstract description 14
- 235000019688 fish Nutrition 0.000 claims description 142
- 235000013305 food Nutrition 0.000 claims description 74
- 241000251468 Actinopterygii Species 0.000 claims description 59
- 230000000737 periodic effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000019637 foraging behavior Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007773 growth pattern Effects 0.000 claims description 3
- 238000002789 length control Methods 0.000 claims description 3
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000009514 concussion Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000005574 cross-species transmission Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于通信信号检测领域以及非线性领域,具体的涉及一种基于人工鱼群算法的自适应随机共振系统和方法,系统包括归一化随机共振模块、人工鱼群自适应模块、步长调整模块、噪声调节模块和迭代控制模块,本发明所提供的基于人工鱼群的自适应随机共振系统和方法中,不仅通过归一化随机共振解决了自适应系统寻优初值设定困难的问题,提高了适应性,并且考虑了由于参数选取造成的随机共振未发生、随机过共振和欠共振等情况,通过根据共振收敛情况调整的步长函数时刻保持较强的搜索能力,并且能够适当发现并跳出局部最优,加快最优值的收敛效率。通过噪声调节模块优化了输入信噪比,显著提升了系统信噪比增益。
Description
技术领域
本发明属于通信信号检测领域,具体的涉及一种基于人工鱼群算法的自适应随机共振系统和方法。
背景技术
噪声背景下的微弱信号检测技术在通信、机械、医学、物理测量等领域得到了广泛研究和发展。与传统信号检测方法相比,随机共振能够有效利用噪声能量增强周期信号,同时噪声能量得到抑制,这将为低信噪比信号检测技术带来很大的帮助。因此随机共振的概念得以在信号处理领域研究中得到重视。然而随机共振的发生并不是无条件的,需要信号、噪声、非线性系统达到一定的匹配条件才能够增强随机共振效应,提高系统输出响应信噪比。因此,为了使随机共振能够更加方便快捷的应用于信号检测,有效控制系统参数和信号噪声的匹配获得最佳系统输出便是其中关键。一般情况下,输入信号无法改变,必须通过调节噪声和非线性系统参数使系统、信号、噪声匹配达到随机共振。针对参数的调节,形成了不同经典自适应随机共振方法,旨在自适应调整系统参数以加强随机共振,提高信号检测能力。一类是以单个参数为优化对象的自适应随机共振,分别对单个参数进行寻优,缺点是会忽略参数的相互作用,复杂度很高;一种是以遗传算法为代表的随机搜索算法,对于结构复杂的组合优化问题,搜索空间大,数据适用有效性高,易于实现,但涉及繁琐的编码过程,搜索时间长。随着人工智能研究的深入,不同群智能优化算法被提出,包括蚁群算法、粒子群算法、人工鱼群算法等。蚁群算法存在寻优时间久、收敛速度慢、易获得局部最优,参数选取对全局搜索能力影响巨大等缺陷;粒子群算法应用于随机共振在Duffing阵子系统上有良好性能提升,在双稳Langevin系统上仅有运算量的减小,输出信噪比提升微弱。而人工鱼群算法鲁棒性强、对初值敏感性相比其他群智能算法小,易于实现并且易于取得全局最优,被本文选择用于处理随机共振问题。初步将人工鱼群算法和随机共振相结合(Artificial-fish Swarm Stochastic Resonance,ASSR),存在运算量大、初值范围要求高、收敛慢和收敛精度低等问题,但验证了随机共振和群智能算法结合的可能性。而改进的人工鱼群算法,主要针对视野和步长进行优化,一定程度上提高了全局收敛性和算法运行效率。
发明内容
本发明针对现有蚁群算法存在寻优时间久、收敛速度慢、参数选取对全局搜索能力影响巨大等缺陷,粒子群算法存在输出信噪比提升微弱等问题,提出一种基于人工鱼群算法的自适应随机共振系统和方法。
本发明的技术方案是:一种基于人工鱼群算法的自适应随机共振系统,包括归一化随机共振模块、人工鱼群自适应模块、步长调整模块、噪声调节模块和迭代控制模块,其中,
所述归一化随机共振模块:将原始信号结合随机共振归一化处理,发送到人工鱼群自适应模块;
所述人工鱼群模块:根据步长调整模块和噪声调节模块的反馈结果对随机共振参数行鱼群繁衍迭代,并将结果反馈至迭代控制模块;
所述步长调整模块:根据自适应参数寻优收敛状况调整鱼群迭代步长控制收敛速度,并将步长调整结果反馈至人工鱼群自适应模块加速自适应过程;
所述噪声调节模块:根据鱼群繁衍过程中随机共振输入需求以添加噪声的形式调节原始信号信噪比,提升信号检测性能,并将结果反馈至人工鱼群自适应模块;
迭代控制模块:通过跟踪人工鱼群自适应模块中目标参数最优值增长情况自适应判定迭代停止条件。
所述的基于人工鱼群算法的自适应随机共振系统,所述归一化随机共振模块包括信号尺度处理单元和随机共振单元,其中,
信号尺度处理单元:用于将周期信号进行尺度归一化变换以满足随机共振单元的小参数条件限制;
随机共振单元:用于将周期信号进行随机共振处理得到结果作为人工鱼群模块中的鱼群食物浓度衡量指标(原始周期信号的系统信噪比增益,对应的人工鱼当前位置即寻优目标参数)。所述的基于人工鱼群算法的自适应随机共振系统,所述人工鱼群模块包括鱼群聚群觅食单元、鱼群追尾觅食单元和特征峰值检测资源管理数据库,其中,
鱼群聚群觅食单元:用于使人工鱼向所述食物浓度较大并且同伴较小的地方移动,未找到位置则随机移动一步执行觅食行为;
鱼群追尾觅单元:用于使人工鱼向拥有最大食物浓度的同伴移动一步,未找到位置则随机移动一步执行觅食行为;
特征峰值检测资源管理数据库:用于存放所述人工鱼每一代繁衍之后的食物浓度最大值及对应人工鱼资源数据。
所述的基于人工鱼群算法的自适应随机共振系统,所述步长调整模块包括策略决策单元和步长计算单元,其中,
策略决策单元:用于根据特征谱峰值分布情况选定不同的步长调整策略,反馈至步长计算单元;
步长计算单元:用于在特定步长策略前提下对当前人工鱼移动步长进行计算,反馈至人工鱼群模块。
一种基于人工鱼群算法的自适应随机共振方法,所述该方法包括:
步骤A:对输入周期信号进行小波变换预处理,初步得到信号频点所处范围,作为归一化随机共振模块的输入参数;
步骤B:确定归一化随机共振模块中随机共振的非线性系统参数的自适应寻优范围,将发生随机共振现象作为人工鱼群模块的输入参数;
步骤C:初始化人工鱼群,包括鱼群规模、视野、步长、拥挤度因子以及缺省行为发生的条件参量、最大重复尝试次数参量,根据归一化随机共振模块输出的结果确定视野步长,生成第一代人工鱼群体;
步骤D:进行人工鱼群繁衍,初始化特征峰值检测资源管理数据库,将系统信噪比增益反馈至噪声调节模块,将食物浓度反馈至步长调整模块;
步骤E:根据当代人工鱼食物浓度对应的输出信号谱峰值进行步长调整,当共振谱峰值一致的人工鱼数量占全体数量比例小于一定门限值时,所有人工鱼按照步长调整策略调整,当不小于门限值时,共振谱峰值一致的人工鱼步长按照调整策略调整,其余人工鱼群步长转为固定值,将每条人工鱼步长反馈至步骤D的鱼群繁衍过程;
步骤F:取步骤D经过两种鱼群行为后食物浓度较大值更新特征峰值检测资源管理数据库,并判断繁衍一代的人工鱼是否满足:
①连续两次特征峰值检测资源管理数据库数据没有更新,②两次前特征峰值检测资源管理数据库数据更新量大小小于一定历史最优增长量均值的1/2;若是,进入步骤G,若否,进入步骤D;
步骤G:停止鱼群繁衍,取特征峰值检测资源管理数据库最优食物浓度,将对应的非线性系统参数带入非线性系统对原始信号随机共振,即得到处理恢复后的信号。
所述的基于人工鱼群算法的自适应随机共振方法,所述步骤B包括:
步骤B1:考虑小参数条件限制,基于最大最小方法将输入变量样本进行线性归一化处理,将其规整到一个范围区间,使得各变量之间具有相同地位,避免随机共振的输出发生震荡或是发生过共振和欠共振;
步骤B2:判断共振输出值均方误差是否达到要求精度范围内,如是,进入步骤C,如否,进入步骤B3;
步骤B3:利用基于标准差的归一化方法进一步归一化处理。
所述的基于人工鱼群的自适应随机共振方法,所述步骤D包括:
步骤D1:计算每条人工鱼的食物浓度,即当前确定的非线性系统参数带入非线性系统,得到输出信号的信噪比即食物浓度,结果反馈至鱼群聚群觅食单元即步骤D2和鱼群追尾觅食单元即步骤D3;
步骤D2:每条人工鱼进行聚群行为,即若满足视野范围内所有人工鱼平均食物浓度值大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D3:每条人工鱼进行追尾行为,即若满足视野范围内人工鱼的最大食物浓度与人工鱼数量的比大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D4:给人工鱼代表的周期信号添加噪声,当食物浓度能够提升的人工鱼比例达到门限值时,取此时添加的噪声强度值,给输入信号恒定添加此大小噪声。
本发明的有益效果是:在本发明所提供的基于人工鱼群的自适应随机共振系统和方法中,不仅通过归一化随机共振解决了自适应系统寻优初值设定困难的问题,提高了适应性,并且考虑了由于参数选取造成的随机共振未发生、随机过共振和欠共振等情况,通过根据共振收敛情况调整的步长函数时刻保持较强的搜索能力,并且能够适当发现并跳出局部最优,加快最优值的收敛效率。通过噪声调节模块优化了输入信噪比,显著提升了系统信噪比增益。通过迭代控制降低了系统复杂度,为随机共振直接处理各种通信信号提供了良好基础。
附图说明
图1为本发明所提供的系统结构示意图;
图2为本发明所提供的归一化随机共振模块功能结构示意图;
图3为本发明所提供的人工鱼群模块功能结构示意图;
图4为本发明所提供的步长调整模块结构示意图;
图5为本发明实施例所提供的方法流程图;
具体实施方式
实施例1:结合图1-图5,一种基于人工鱼群算法的自适应随机共振系统,包括归一化随机共振模块、人工鱼群自适应模块、步长调整模块、噪声调节模块和迭代控制模块,其中,
归一化随机共振模块:将原始信号结合随机共振归一化处理,发送到人工鱼群自适应模块;
人工鱼群模块:根据步长调整模块和噪声调节模块的反馈结果对随机共振参数行鱼群繁衍迭代,并将结果反馈至迭代控制模块;
所述步长调整模块:根据自适应参数寻优收敛状况调整鱼群迭代步长控制收敛速度,并将步长调整结果反馈至人工鱼群自适应模块加速自适应过程;
所述噪声调节模块:根据鱼群繁衍过程中随机共振输入需求以添加噪声的形式调节原始信号信噪比,提升信号检测性能,并将结果反馈至人工鱼群自适应模块;
迭代控制模块:通过跟踪人工鱼群自适应模块中目标参数最优值增长情况自适应判定迭代停止条件。
归一化随机共振模块包括信号尺度处理单元和随机共振单元,其中,
信号尺度处理单元:用于将周期信号进行尺度归一化变换以满足随机共振单元的小参数条件限制;
随机共振单元:用于将周期信号进行随机共振处理得到结果作为人工鱼群模块中的鱼群食物浓度衡量指标。
人工鱼群模块包括鱼群聚群觅食单元、鱼群追尾觅食单元和特征峰值检测资源管理数据库,其中,
鱼群聚群觅食单元:用于使人工鱼向所述食物浓度较大并且同伴较小的地方移动,未找到位置则随机移动一步执行觅食行为;
鱼群追尾觅单元:用于使人工鱼向拥有最大食物浓度的同伴移动一步,未找到位置则随机移动一步执行觅食行为;
特征峰值检测资源管理数据库:用于存放所述人工鱼每一代繁衍之后的食物浓度最大值及对应人工鱼资源数据。
步长调整模块包括策略决策单元和步长计算单元,其中,
策略决策单元:用于根据特征谱峰值分布情况选定不同的步长调整策略,反馈至步长计算单元;
步长计算单元:用于在特定步长策略前提下对当前人工鱼移动步长进行计算,反馈至人工鱼群模块。
一种基于人工鱼群算法的自适应随机共振方法,所述该方法包括:
步骤A:对输入周期信号进行小波变换预处理,初步得到信号频点所处范围,作为归一化随机共振模块的输入参数;
步骤B:确定归一化随机共振模块中随机共振的非线性系统参数的自适应寻优范围,将发生随机共振现象作为人工鱼群模块的输入参数;步骤B包括:
步骤B1:考虑小参数条件限制,基于最大最小方法将输入变量样本进行线性归一化处理,将其规整到一个范围区间,使得各变量之间具有相同地位,避免随机共振的输出发生震荡或是发生过共振和欠共振;
步骤B2:判断共振输出值均方误差是否达到要求精度范围内,如是,进入步骤C,如否,进入步骤B3;
步骤B3:利用基于标准差的归一化方法进一步归一化处理。
步骤C:初始化人工鱼群,包括鱼群规模、视野、步长、拥挤度因子以及缺省行为发生的条件参量、最大重复尝试次数参量,根据归一化随机共振模块输出的结果确定视野步长,生成第一代人工鱼群体;
步骤D:进行人工鱼群繁衍,初始化特征峰值检测资源管理数据库,将系统信噪比增益反馈至噪声调节模块,将食物浓度反馈至步长调整模块;步骤D包括:
步骤D1:计算每条人工鱼的食物浓度,即当前确定的非线性系统参数带入非线性系统,得到输出信号的信噪比即食物浓度,结果反馈至鱼群聚群觅食单元即步骤D2和鱼群追尾觅食单元即步骤D3;
步骤D2:每条人工鱼进行聚群行为,即若满足视野范围内所有人工鱼平均食物浓度值大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D3:每条人工鱼进行追尾行为,即若满足视野范围内人工鱼的最大食物浓度与人工鱼数量的比大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D4:给人工鱼代表的周期信号添加噪声,当食物浓度能够提升的人工鱼比例达到门限值时,取此时添加的噪声强度值,给输入信号恒定添加此大小噪声。
步骤E:根据当代人工鱼食物浓度对应的输出信号谱峰值进行步长调整,当共振谱峰值一致的人工鱼数量占全体数量比例小于一定门限值时,所有人工鱼按照步长调整策略调整,当不小于门限值时,共振谱峰值一致的人工鱼步长按照调整策略调整,其余人工鱼群步长转为固定值,将每条人工鱼步长反馈至步骤D的鱼群繁衍过程;
步骤F:取步骤D经过两种鱼群行为后食物浓度较大值更新特征峰值检测资源管理数据库,并判断繁衍一代的人工鱼是否满足:
①连续两次特征峰值检测资源管理数据库数据没有更新,②两次前特征峰值检测资源管理数据库数据更新量大小小于一定历史最优增长量均值的1/2;若是,进入步骤G,若否,进入步骤D;
步骤G:停止鱼群繁衍,取特征峰值检测资源管理数据库最优食物浓度,即原始周期信号系统信噪比增益,将对应的非线性系统参数带入非线性系统对原始信号随机共振,即得到处理恢复后的信号。
实施例2:结合图1-图5,一种基于人工鱼群算法的自适应随机共振系统,包括归一化随机共振模块101、人工鱼群模块102、步长调整模块103、噪声调节模块104以及迭代控制模块105。其中,归一化随机共振模块101将原始周期信号结合随机共振归一化处理,发送到人工鱼群模块102;人工鱼群模块102根据步长调整模块103和噪声调节模块104的反馈结果对随机共振输出结果进行鱼群繁衍迭代,结果反馈至迭代控制模块105进行迭代控制;步长调整模块103根据自适应参数寻优收敛状况调整鱼群迭代步长控制收敛速度,并将步长调整结果反馈至人工鱼群模块102加速自适应过程;噪声调节模块104根据鱼群繁衍过程中随机共振输入需求通过添加噪声的形式调节原始信号信噪比,提升信号检测性能,并将结果反馈至人工鱼群模块102;迭代控制模块105通过跟踪人工鱼群模块102中目标参数最优值增长情况自适应判定迭代停止条件。
归一化随机共振模块101包括信号尺度处理单元201和随机共振单元202。
信号尺度处理单元201用于将所述周期信号进行尺度归一化变换以满足随机共振单元202的小参数条件限制。
随机共振单元202用于将所述周期信号进行随机共振处理得到结果作为人工鱼群模块102中的鱼群食物浓度衡量指标。
信号尺度处理单元201实现非线性系统参数、噪声方差以及信号幅度大小的同时调整。以非线性系统为双稳态系统为例,。由于输入信号频率未知,需要对信号所处频段进行初步估计以确定系统参数a、b的初始范围。当参数寻优范围确定后,范围选取过大则其内参数有可能产生非线性系统溢出,随机共振单元202无法计算出结果,即无法计算食物浓度。这时须采取合适的策略减小参数寻优范围,防止出现系统溢出状况。
人工鱼群模块102用于对随机共振单元202处理后的输出结果进行人工鱼群迭代繁衍寻优,获取最佳系统参数和非线性系统输出信号。包括鱼群聚群觅食单元301、鱼群追尾觅食单元302和特征峰值检测资源管理数据库303。
鱼群聚群觅食单元301和鱼群追尾觅食单元302的输入数据均为上一代人工鱼群,同时进行聚群觅食以及追尾觅食行为,其中的步长参数由人工鱼群模块102反馈至步长调整模块103后得到的自适应优化步长,而求解每个行为中食物浓度值时的周期信号信噪比为人工鱼群模块102输出值经过噪声调节模块104反馈调节后的信噪比。特征峰值检测资源管理数据库303用于存放每代人工鱼繁衍后的最优值资源信息,其中包括短每代人工鱼繁衍后的最优人工鱼的食物浓度大小和对应位置信息(即最优系统参数)。
步长调整模块103用于根据特征峰值检测资源管理数据库303更新值进行步长调整,反馈至鱼群聚群觅食单元301和鱼群追尾觅食单元302中的步长参数。该模块包括策略决策单元401和步长计算单元402。
策略决策单元401根据特征峰值检测资源管理数据库303反馈的最佳人工鱼食物浓度进行步长策略选择。即根据食物浓度所对应谱峰峰值判断迭代收敛状态,相当于根据实际收敛状况判断收敛程度,不依赖与其他变量(如时间、繁衍代数等)。设定门限值的根据为:当大部分随机共振收敛于一个频点时,剩余的频点判定不一致的人工鱼以最大步长迭代一次,防止出现局部最优,并且此部分人工鱼食物浓度不参与特征峰值检测资源管理数据库303的更新,收敛一致的人工鱼结果输出至步长计算单元402计算步长;否则,所有人工鱼输出至步长计算单元402计算步长。
一种基于人工鱼群算法的自适应随机共振方法,该方法包括以下步骤:
步骤S501:采用Harr小波变换对输入信号进行初步处理:
Ψ(τ)是Harr小波母函数。为被检测信号,A为信号幅值,f0为信号频率,Γ(t)为均值为0、噪声强度为D高斯白噪声,<Γ(t)〉=0,〈Γ(t)Γ(0)〉=2Dδ(t),其中<·>为时间平均。通过s(t)的频谱初步得到信号频点所处范围。实验表明,初步处理信号可以得到较大的参数寻优范围,此范围会在后续算法中得到合理控制。
步骤S502:由归一化原理确定双稳态系统参数a、b的自适应寻优范围。受白噪声和微弱周期信号作用的双稳态系统是产生随机共振最为常用的一种非线性系统,因此随机共振单元以双稳态非线性系统为例,可表示为Langevin方程:
a和b为双稳态系统参数。双稳系统在信号和噪声的共同作用下产生随机共振输出x(t)。当双稳系统参数、信号参数、噪声强度达到匹配时,噪声的能量会增强信号,使非线性系统输出信噪比增加,输出功率谱在信号频率f0处出现被放大的峰值。
(2)中参数a、b均为大于0的实数时,可通过引入以下变量替换对双稳态系统模型进行归一化处理:τ=at。带入(2)式得:
其中Γ(t)变换为相当于Γ(t)在时域上进行a倍拉伸,也相当于在频域上进行1/a倍压缩,但Γ(t)作为白噪声,在所有频率范围为定值,因此拉伸或压缩不改变其功率。噪声满足因此有其中ξ(τ)满足<ξ(τ)>=0,<ξ(τ)ξ(0)>=δ(τ),即均值为0,方差为1的白噪声。(3)可进一步化简:
归一化目标值为a=1,b=1,f=0.01Hz,归一化后的信号频率压缩为之前的1/a,并且噪声和信号幅度同比例进行了缩放,解决了随机共振的小参数条件限制,可应用于任意大参数周期信号处理。
步骤S503:当参数寻优范围确定后,范围选取过大则其内参数就有可能造成非线性系统的溢出,无法得出随机共振结果,即无法计算食物浓度。这时须采取合适的策略减小参数寻优范围,防止出现系统溢出状况。调整策略:通过预处理确定信号所处频段,设信号频率f=t×10m,t∈(0.1,10),m=0,1,2,3...,根据(4)式,归一化频率是0.01Hz,最佳a处于t×10m+2,t∈(0.1,10)附近,因此取系统参数a、b的寻优范围[1×10m+1,1×10m+3]。Langevin方程是高次偏微分方程,当a取值较大时,易发生溢出现象,b值大小不作为范围修正参考,寻优范围保持和a一致。设某代中nspill条人工鱼参数(a,b)为(ta,i×10m+2,tb,i×10m +2),ta,i,tb,i∈[0.1,10],i=1,2...nspill时发生了溢出现象,则将参数a、b的取值范围均修正为[[1×10m+1,min(ta,i)×10m+2]],ta,i∈[0.1,10],即取发生溢出现象的人工鱼的最小a值作为寻优范围上限。在下一代人工鱼中,对所有不在寻优范围内的人工鱼进行重新播种操作。
定义播种操作:在某些状态下若无法计算食物浓度,说明人工鱼喂养范围不当,淘汰此人工鱼,在更小的可喂养人工鱼的范围内重新产生人工鱼,随机获取坐标并计算食物浓度,得到新人工鱼个体,而非繁殖的下一代。
步骤S504:对人工鱼群进行初始化,包括鱼群规模n,视野visual0、步长step0、stepmin0,拥挤度因子δ,最大重复尝试次数try_number,确定视野visual=visual0×10m、步长stepc=step0×10m、stepmin=stepmin0×10m(通过步骤503中频点所处范围确定量级),生成第一代人工鱼群体;
步骤S505:进行人工鱼群繁衍,初始化特征峰值检测资源管理数据库。Xi=(x1,i,x2,i,x3,i,…,xn,i)表示第i代n条人工鱼的当前状态。xk,i,k∈[1,n]表示第i次迭代中所需寻优的目标参数在规定范围内的n个取值。每条鱼当前坐标的食物浓度Fc,即输出信号的信噪比,找到拥有最大的Fc的人工鱼就是所需结果,拥有最大Fc的人工鱼坐标xfinal为参数寻优结果。
步骤S506:每条人工鱼进行聚群行为,人工鱼当前坐标为xk,i,视野内同伴数目为nf,求出视野内所有同伴的坐标中心点x″k,i,此坐标食物浓度Fc″k,i。若满足条件:则视野内同伴不太拥挤且食物较多,则向此坐标移动一步,转入步骤S509,获得步长调整值stepk,i,移动距离为rand为0到1随机值否则,执行觅食行为,在其视野内寻找食物浓度更高的状态,若寻找到某坐标x'k,i的食物浓度Fc'k,i大于当前食物浓度Fck,i,则向该方向移动一步,转入步骤S509,获得步长调整值stepk,i,移动距离为则若未找到更大Fck,i,反复迭代多次,最大试探次数try_number,若仍未找到更优状态,则随机移动一步距离为step0·rand。
步骤S507:每条人工鱼进行追尾行为,人工鱼当前坐标xk,i,寻找视野内的食物浓度最高的同伴,若存在x″'k,i满足Fc″'k,inf>δFck,i,则拥有更高食物浓度且不太拥挤,向此坐标移动一步,转入步骤S509,获得步长调整值stepk,i,移动距离为否则,执行觅食行为,若仍未找到更优状态,则随机移动一步距离为step0×rand。
步骤S508:给人工鱼代表的周期信号添加噪声,添加高斯白噪声使信号信噪比降低0-5dB(不添加5dB以上的噪声,防止添加过多噪声对随机共振或信号带来其他负面影响),结果反馈至步骤S505用于计算当前人工鱼食物浓度。设定当食物浓度能够提升的人工鱼比例达到门限值Th1时,取此时添加的噪声强度值,给输入信号恒定添加此大小噪声,以便噪声能量更大程度汇聚到随机共振的谱峰。对同一批人工鱼反复试验,可验证在0-5dB范围内添加噪声,能够提升食物浓度的人工鱼数量比例一般0.9±0.04,因此比例门限设定为Th1=0.9,若添加噪声达到上限时比例值仍未达到Th1,则取获得最大优化人工鱼数量的对应噪声。
步骤S509:以特征峰值检测资源管理数据库中最优食物浓度对应的输出信号频谱谱峰值作为参考值,进行步长调整(若首次进行步长调整,谱峰值为原始信号频谱谱峰值)。通过归一化处理和添加噪声操作能够快速使信号发生随机共振,但对于条人工鱼,不同人工鱼发生随机共振的代数不同,因此为使全体人工鱼快速收敛,通过设定人工鱼数量比例门限Th2,使随机共振谱峰位置判断不一致(随机共振未发生或发生过共振或欠共振)的人工鱼Xother不参与公告板更新,并且采用区别于其他人工鱼的步长调整策略。
在鱼群繁衍初期,采用较大步长,方便快速收敛,以随机共振谱峰变化程度为衡量标准,随着谱峰变化程度减小,步长相应减小,直到最终收敛。考虑部分人工鱼随机共振频点判断出错的情况,此时采用最大步长进行移动,以便跳出局部最优。
设人工鱼随机共振谱峰横坐标一致的人工鱼坐标集合为Nr,总数为nr。当时,
当时,
其中stepk,i表示第i代中第k条人工鱼的步长,结果反馈至步骤S506和S507,stepc为步长固定值,stepmin是为了防止最后收敛过慢设定的步长下限。参数w,q根据曲线仿真确定(令为自变量,可得在w=5和q=8时鱼群收敛取得最快速度,当信号不同时,最佳w,q没有明显变化)。pk,i表示第i代中第k条人工鱼的随机共振输出信号频域谱峰峰值,而pk,0表示采用以单个参数为优化对象的自适应随机共振(先后对不同参数进行寻优,在确定一个参数最优值后直接应用于系统并求下一个参数最优值,本文称之为一般自适应随机共振算法)对同一信号处理得到的随机共振谱峰峰值。采用谱峰峰值判断迭代收敛状态,相当于根据实际收敛状况判断收敛程度,不依赖与其他变量(如时间、繁衍代数等)。设置Th2的作用是,当大部分随机共振收敛于一个频点时,剩余的频点判定不一致的人工鱼Xother以最大步长迭代一次,防止出现局部最优。Xother所有人工鱼食物浓度不参与公告板的更新。设定Th2=0.94,考虑试验中繁衍一定代数后仍有不多于0.06比例的人工鱼Xother发生共振频点不一致情况时,其他收敛一致的多数人工鱼发生局部寻优的可能。
步骤S510:比较步骤S506和步骤S507,取相较最优值更新特征峰值检测资源管理数据库,进行繁衍结束条件判定,设定连续两代公告板最优值增长量为若满足Inci=Inci-1=0且则繁衍结束,否则转入步骤S505。由于在公告板最优值更新过程中,即便鱼群没有繁衍结束,也可能出现连续几代公告板没有更新,也就是没有找到更优食物浓度的情况。因此在设定连续两次没有更新的同时,需要计算公告板停止更新的前一代最优值增长量是否满足收敛特性。即当连续两次公告板没有更新,且两次前公告板最优值更新大小小于(即历史最优值增长量均值的1/2),停止繁衍。以此严格控制繁衍代数,减少随机共振运算带来的算法复杂度和运算时间。
Claims (7)
1.一种基于人工鱼群算法的自适应随机共振系统,其特征在于,包括归一化随机共振模块、人工鱼群自适应模块、步长调整模块、噪声调节模块和迭代控制模块,其中,
所述归一化随机共振模块:将原始信号结合随机共振归一化处理,发送到人工鱼群自适应模块;
所述人工鱼群模块:根据步长调整模块和噪声调节模块的反馈结果对随机共振参数行鱼群繁衍迭代,并将结果反馈至迭代控制模块;
所述步长调整模块:根据自适应参数寻优收敛状况调整鱼群迭代步长控制收敛速度,并将步长调整结果反馈至人工鱼群自适应模块加速自适应过程;
所述噪声调节模块:根据鱼群繁衍过程中随机共振输入需求以添加噪声的形式调节原始信号信噪比,提升信号检测性能,并将结果反馈至人工鱼群自适应模块;
迭代控制模块:通过跟踪人工鱼群自适应模块中目标参数最优值增长情况自适应判定迭代停止条件。
2.根据权利要求1所述的基于人工鱼群算法的自适应随机共振系统,其特征在于:所述归一化随机共振模块包括信号尺度处理单元和随机共振单元,其中,
信号尺度处理单元:用于将周期信号进行尺度归一化变换以满足随机共振单元的小参数条件限制;
随机共振单元:用于将周期信号进行随机共振处理得到结果作为人工鱼群模块中的鱼群食物浓度衡量指标。
3.根据权利要求1所述的基于人工鱼群算法的自适应随机共振系统,其特征在于:所述人工鱼群模块包括鱼群聚群觅食单元、鱼群追尾觅食单元和特征峰值检测资源管理数据库,其中,
鱼群聚群觅食单元:用于使人工鱼向所述食物浓度较大并且同伴较小的地方移动,未找到位置则随机移动一步执行觅食行为;
鱼群追尾觅单元:用于使人工鱼向拥有最大食物浓度的同伴移动一步,未找到位置则随机移动一步执行觅食行为;
特征峰值检测资源管理数据库:用于存放所述人工鱼每一代繁衍之后的食物浓度最大值及对应人工鱼资源数据。
4.根据权利要求1所述的基于人工鱼群算法的自适应随机共振系统,其特征在于:所述步长调整模块包括策略决策单元和步长计算单元,其中,
策略决策单元:用于根据特征谱峰值分布情况选定不同的步长调整策略,反馈至步长计算单元;
步长计算单元:用于在特定步长策略前提下对当前人工鱼移动步长进行计算,反馈至人工鱼群模块。
5.一种基于人工鱼群算法的自适应随机共振方法,其特征在于:所述该方法包括:
步骤A:对输入周期信号进行小波变换预处理,初步得到信号频点所处范围,作为归一化随机共振模块的输入参数;
步骤B:确定归一化随机共振模块中随机共振的非线性系统参数的自适应寻优范围,将发生随机共振现象作为人工鱼群模块的输入参数;
步骤C:初始化人工鱼群,包括鱼群规模、视野、步长、拥挤度因子以及缺省行为发生的条件参量、最大重复尝试次数参量,根据归一化随机共振模块输出的结果确定视野步长,生成第一代人工鱼群体;
步骤D:进行人工鱼群繁衍,初始化特征峰值检测资源管理数据库,将系统信噪比增益反馈至噪声调节模块,将食物浓度反馈至步长调整模块;
步骤E:根据当代人工鱼食物浓度对应的输出信号谱峰值进行步长调整,当共振谱峰值一致的人工鱼数量占全体数量比例小于一定门限值时,所有人工鱼按照步长调整策略调整,当不小于门限值时,共振谱峰值一致的人工鱼步长按照调整策略调整,其余人工鱼群步长转为固定值,将每条人工鱼步长反馈至步骤D的鱼群繁衍过程;
步骤F:取步骤D经过两种鱼群行为后食物浓度较大值更新特征峰值检测资源管理数据库,并判断繁衍一代的人工鱼是否满足:
(1)连续两次特征峰值检测资源管理数据库数据没有更新,(2)两次前特征峰值检测资源管理数据库数据更新量大小小于一定历史最优增长量均值的1/2;若是,进入步骤G,若否,进入步骤D;
步骤G:停止鱼群繁衍,取特征峰值检测资源管理数据库最优食物浓度,即原始周期信号系统信噪比增益,将对应的非线性系统参数带入非线性系统对原始信号随机共振,即得到处理恢复后的信号。
6.根据权利要求1所述的基于人工鱼群算法的自适应随机共振方法,其特征在于:所述步骤B包括:
B1:考虑小参数条件限制,基于最大最小方法将输入变量样本进行线性归一化处理,将其规整到一个范围区间,使得各变量之间具有相同地位,避免随机共振的输出发生震荡或是发生过共振和欠共振;
步骤B2:判断共振输出值均方误差是否达到要求精度范围内,如是,进入步骤C,如否,进入步骤B3;
步骤B3:利用基于标准差的归一化方法进一步归一化处理。
7.根据权利要求1所述的基于人工鱼群算法的自适应随机共振方法,其特征在于:所述步骤D包括:
步骤D1:计算每条人工鱼的食物浓度,即当前确定的非线性系统参数带入非线性系统,得到输出信号的信噪比即食物浓度,结果反馈至鱼群聚群觅食单元即步骤D2和鱼群追尾觅食单元即步骤D3;
步骤D2:每条人工鱼进行聚群行为,即若满足视野范围内所有人工鱼平均食物浓度值大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D3:每条人工鱼进行追尾行为,即若满足视野范围内人工鱼的最大食物浓度与人工鱼数量的比大于当前食物浓度和拥挤度因子的乘积,则向此目标移动一步,步长值为步骤E的输出结果,若不,则随机移动一步;
步骤D4:给人工鱼代表的周期信号添加噪声,当食物浓度能够提升的人工鱼比例达到门限值时,取此时添加的噪声强度值,给输入信号恒定添加此大小噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710175303.0A CN107038475B (zh) | 2017-03-22 | 2017-03-22 | 一种基于人工鱼群算法的自适应随机共振系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710175303.0A CN107038475B (zh) | 2017-03-22 | 2017-03-22 | 一种基于人工鱼群算法的自适应随机共振系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038475A true CN107038475A (zh) | 2017-08-11 |
CN107038475B CN107038475B (zh) | 2019-10-11 |
Family
ID=59534608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710175303.0A Expired - Fee Related CN107038475B (zh) | 2017-03-22 | 2017-03-22 | 一种基于人工鱼群算法的自适应随机共振系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038475B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109057776A (zh) * | 2018-07-03 | 2018-12-21 | 东北大学 | 一种基于改进鱼群算法的抽油井故障诊断方法 |
CN109889467A (zh) * | 2018-12-25 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 一种微弱中频数字信号增强方法及系统 |
CN110133580A (zh) * | 2019-04-29 | 2019-08-16 | 西北工业大学 | 一种随机共振增强的声矢量信号定向方法 |
CN110276256A (zh) * | 2019-05-17 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 |
CN112326987A (zh) * | 2020-10-29 | 2021-02-05 | 厦门大学 | 基于水下声信号的海上风机非接触式叶轮转速监测方法 |
CN113806539A (zh) * | 2021-09-17 | 2021-12-17 | 平安科技(深圳)有限公司 | 一种文本数据增强系统、方法、设备及介质 |
Citations (2)
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 |
CN105893690A (zh) * | 2016-04-18 | 2016-08-24 | 中国矿业大学 | 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 |
-
2017
- 2017-03-22 CN CN201710175303.0A patent/CN107038475B/zh not_active Expired - Fee Related
Patent Citations (2)
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 |
CN105893690A (zh) * | 2016-04-18 | 2016-08-24 | 中国矿业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
刘彦君 等: ""自适应视野和步长的改进人工鱼群算法"", 《计算机工程与应用》 * |
朱维娜: ""随机共振参数优化及其应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108683623B (zh) * | 2018-03-29 | 2020-09-08 | 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 |
CN109057776A (zh) * | 2018-07-03 | 2018-12-21 | 东北大学 | 一种基于改进鱼群算法的抽油井故障诊断方法 |
CN109889467A (zh) * | 2018-12-25 | 2019-06-14 | 中国人民解放军战略支援部队信息工程大学 | 一种微弱中频数字信号增强方法及系统 |
CN109889467B (zh) * | 2018-12-25 | 2021-11-02 | 中国人民解放军战略支援部队信息工程大学 | 一种微弱中频数字信号增强方法及系统 |
CN110133580A (zh) * | 2019-04-29 | 2019-08-16 | 西北工业大学 | 一种随机共振增强的声矢量信号定向方法 |
CN110276256A (zh) * | 2019-05-17 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 |
CN112326987A (zh) * | 2020-10-29 | 2021-02-05 | 厦门大学 | 基于水下声信号的海上风机非接触式叶轮转速监测方法 |
CN113806539A (zh) * | 2021-09-17 | 2021-12-17 | 平安科技(深圳)有限公司 | 一种文本数据增强系统、方法、设备及介质 |
CN113806539B (zh) * | 2021-09-17 | 2023-07-07 | 平安科技(深圳)有限公司 | 一种文本数据增强系统、方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107038475B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038475A (zh) | 一种基于人工鱼群算法的自适应随机共振系统和方法 | |
CN108959728A (zh) | 基于深度学习的射频器件参数优化方法 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN110751121B (zh) | 基于聚类与sofm的无监督雷达信号分选方法 | |
CN109117751A (zh) | 基于自适应混沌粒子群算法的随机共振微弱信号检测方法 | |
CN104077629A (zh) | 一种变步长自适应的改进人工鱼群算法 | |
Li et al. | A cyclical learning rate method in deep learning training | |
CN111401226A (zh) | 一种辐射源快速识别方法 | |
US20220253751A1 (en) | Human identification method based on expert feedback mechanism | |
CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
Masrom et al. | Hybridization of particle swarm optimization with adaptive genetic algorithm operators | |
WO2019041752A1 (zh) | 一种基于过程参数的结果反馈方法及装置 | |
Xiaoyuan et al. | A new improved BP neural network algorithm | |
Zhang et al. | The WuC-Adam algorithm based on joint improvement of Warmup and cosine annealing algorithms | |
CN109063571A (zh) | 基于小波包分解的人工蜂群bp神经网络信号识别方法 | |
Su et al. | Unsupervised k-means combined with SOFM structure adaptive radar signal sorting algorithm | |
CN109858617A (zh) | 一种优化初始化方式的烟花计算方法 | |
CN109886454A (zh) | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 | |
CN113110061B (zh) | 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统 | |
CN107507157A (zh) | 一种改进的图像增强方法 | |
Cui et al. | Weighted particle swarm clustering algorithm for self-organizing maps | |
Liang et al. | An adaptive stochastic resonance detection method based on a fast artificial fish swarm algorithm | |
Moayed et al. | Regularization of neural network using dropcoadapt | |
CN106951910A (zh) | 一种数据聚类的方法及装置 | |
CN114139957B (zh) | 一种基于XGBoost算法的农村台区电压和线损影响的评估方法 |
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 | ||
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: 20191011 |