CN107529686A - 信号处理方法、装置和计算机可读存储介质 - Google Patents
信号处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN107529686A CN107529686A CN201710535085.7A CN201710535085A CN107529686A CN 107529686 A CN107529686 A CN 107529686A CN 201710535085 A CN201710535085 A CN 201710535085A CN 107529686 A CN107529686 A CN 107529686A
- Authority
- CN
- China
- Prior art keywords
- signal
- coefficient
- filter
- particle
- handled
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种信号处理方法,所述信号处理方法包括以下步骤:接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。本发明还公开了一种信号处理装置及计算机可读存储介质。本发明在不需要知道传感器的传递函数的情况下,通过设计滤波器来达到补偿的目的,降低学习成本,且无需更换更好的传感器,降低了信号处理成本。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及信号处理方法、装置和计算机可读存储介质。
背景技术
目前,在信号处理过程中输出的信号要求为:输入0.3mv*s(3mv持续100ms)的脉冲信号,经过传感器后,在脉冲的末尾后响应的斜率不超过0.3mv/s;但实际状况是:输入脉冲信号后,经过传感器(BMD101)后,在脉冲的末尾响应的斜率远大于0.3mv/s。为了解决上述问题,所采取的方式为:
1)更换更好的传感器
2)已知传感器的传递函数,通过零极点的方法设计滤波器补偿频率响应。
综上,目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种信号处理方法、装置和计算机可读存储介质,旨在解决目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的技术问题。
为实现上述目的,本发明提供一种信号处理方法,所述信号处理方法包括以下步骤:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
优选地,所述方法,还包括:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
优选地,所述采用连接型神经网络处理得到初始滤波系数的步骤包括:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
优选地,所述运用粒子群优化算法得到最佳系数作为补偿滤波器的系数的步骤包括:
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
优选地,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,还包括:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
此外,为实现上述目的,本发明还提供一种信号处理装置,所述信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信号处理程序,所述信号处理程序被所述处理器执行时实现如下步骤:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号;
输出所述第二信号。
优选地,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
优选地,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
优选地,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
优选地,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信号处理程序,所述信号处理程序被处理器执行时实现如上所述的信号处理方法的步骤。
本发明通过将函数连接型神经网络和粒子群优化算法两者结合,利用函数连接型神经网络计算速度快的特点,得到一个初始滤波器系数,将其设计为PSO中粒子的初始状态,在一定程度上解决了PSO算法因初始值的设定导致的局部最优问题。有效避免目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的问题。在不需要知道传感器的传递函数的情况下,通过设计滤波器来达到补偿的目的,降低学习成本,且无需更换更好的传感器,降低了信号处理成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图;
图2为本发明信号处理方法一实施例的流程示意图;
图3为本发明一实施例中通过补偿滤波器处理第一信号得到第二信号的流程示意图;
图4为本发明一实施例中脉冲信号处理总流程的计算流程示意图;
图5为本发明一实施例中函数连接型神经网络处理信号的流程示意图;
图6为本发明一实施例中粒子群优化算法处理信号的流程示意图;
图7为本发明信号处理方法又一实施例的流程示意图;
图8为本发明不同方式处理下输出信号的效果示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
由于目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的技术问题。本发明提供一种解决方案,通过将函数连接型神经网络和粒子群优化算法两者结合,利用函数连接型神经网络计算速度快的特点,得到一个初始滤波器系数,将其设计为PSO中粒子的初始状态,在一定程度上解决了PSO算法因初始值的设定导致的局部最优问题。有效避免目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的问题。在不需要知道传感器的传递函数的情况下,通过设计滤波器来达到补偿的目的,降低学习成本,且无需更换更好的传感器,降低了信号处理成本。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器、温度传感器、霍尔曼传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及信号处理应用程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的信号处理应用程序,并执行以下操作:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
进一步地,处理器1001可以调用存储器1005中存储的信号处理应用程序,还执行以下操作:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
进一步地,处理器1001可以调用存储器1005中存储的信号处理应用程序,还执行以下操作:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
进一步地,处理器1001可以调用存储器1005中存储的信号处理应用程序,还执行以下操作:
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
进一步地,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,处理器1001可以调用存储器1005中存储的信号处理应用程序,还执行以下操作:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
参照图2,本发明的第一实施例提供一种信号处理方法,所述信号处理方法包括:
步骤S10,接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
在本发明的一实施例中,输入的信号为脉冲信号,对输出信号要求为脉冲的末尾响应的斜率小于0.3mv/s。在有信号需要处理时,接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号,所述第一信号为传感器处理的信号,此时输出的第一信号的脉冲的末尾响应的斜率远大于0.3mv/s。所述预设的传感器为BMD101传感器,通过传感器处理后输出的信号达不到输出需求。
步骤S20,获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
提前通过使用连接型神经网络和粒子群优化算法算出补偿滤波器的系数,其中函数连接型神经网络主要用于系统的辨识,通过已知输入信号,把输出信号表达成输入信号与输出信号的函数形式,通过误差反馈,调节函数参数,最终得出系统的传递函数的系数。PSO,Particle Swarm Optimization,粒子群优化算法初始化为一群随机例子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自身。第一个“极值”是粒子本身所找到的最优解,这个解叫做极值pBest,另一个“极值”是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的令居,那么在所有邻居中的极值就是局部极值,通过不断的迭代,通过适当的评价函数,可以得到全局最优的粒子。而适当的评价函数为熟知的(Griewank函数,Rastrigin函数,Schaffer函数,Ackley函数等)可用于本方案的评价函数,得到全局最优的粒子后,就得到了补偿滤波器的系数。在输出第一信号后,获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数。
步骤S30,根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
在获取到补偿滤波器的系数后,根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。而这里输出的第二信号满足需求,脉冲的末尾响应的斜率小于0.3mv/s。
具体的,参考图3,通过补偿滤波器处理第一信号得到第二信号的过程包括:
步骤S31,采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
步骤S32,运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
参考图4,脉冲信号中的粒子处理总的流程包括:函数连接型神经网络-粒子群优化算法-滤波器系数。函数连接型神经网络,参考图5,输入信号:为经过传感器处理后的第一信号;滤波器系数W:要设计的补偿滤波器的系数,初始化为[0.1 0.1 .0.1 0.1 0.10.1];期望输出信号:为输入的脉冲信号;输出信号与输入信号的关系为:Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数w的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
粒子群优化算法,参考图6,初始化:利用上一部分训练出来的w系数初始化第一个粒子的状态,将其他粒子的状态初始化为随机数,粒子总数为40;各粒子的速递初始化为随机数;惯性权重为0.7289,;学习因子c1,c2为1.4962。寻找全局最优点:适应度为输出信号与期望信号之间的均方误差,将所有粒子与输入信号做卷积,计算输出信号与期望信号之间的均方差,找出具有最小均方差的粒子,记录下其状态pg和适应度pBest。更新粒子的位置和速度:
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-W(i,:))+c2*rand*(pg-W(i,:));
W(i,:)=W(i,:)+v(i,:);
计算适应度:
寻找全局最优的点,更新粒子位置和速度;判断是否达到迭代次数;若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。若其输出信号与期望信号的均方差小于pbest,将此时的w记为pg,适应度记为pbest。达到迭代次数,退出。找到最佳粒子pg,找到补偿滤波器的最佳系数。通过将第一信号经过补偿滤波器,在不需要知道传感器的传递函数的情况下,依然可以通过设计滤波器来达到补偿的目的,使之适用于实际情况,通过函数连接型神经网络和粒子群优化算法来修正传感器的系统特性,在不改变传感器硬件,未知传感器函数的条件下,通过添加补偿滤波器,来弥补传感器对输入信号造成的伤害。
本实施例中通过将函数连接型神经网络和粒子群优化算法两者结合,利用函数连接型神经网络计算速度快的特点,得到一个初始滤波器系数,将其设计为PSO中粒子的初始状态,在一定程度上解决了PSO算法因初始值的设定导致的局部最优问题。有效避免目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的问题。在不需要知道传感器的传递函数的情况下,通过设计滤波器来达到补偿的目的,降低学习成本,且无需更换更好的传感器,降低了信号处理成本。
进一步的,参照图7,本发明的第二实施例提供一种信号处理方法,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,还包括:
步骤S40,将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
步骤S50,输出所述新的第二信号。
本实施例与上述实施例的区别在于,在通过补偿滤波器后,由于其阶数的限制,输出信号带有明显的吉布斯效应,再通过一个平滑滤波器,达到初步去除吉布斯效应的效果,提高输出信号的准确性,在经过平滑滤波器处理后的第二信号为新的第二信号,输出的新的第二信号更加准确,满足需求。
参考图8,加入补偿滤波器和平滑滤波器得到的输出信号在脉冲末尾的响应溢出为0.2385mv,满足要求。
在一实施例中,本发明还提供一种信号处理装置,所述信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信号处理程序,所述信号处理程序被所述处理器执行时实现如下步骤:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
在本发明的一实施例中,输入的信号为脉冲信号,对输出信号要求为脉冲的末尾响应的斜率小于0.3mv/s。在有信号需要处理时,接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号,所述第一信号为传感器处理的信号,此时输出的第一信号的脉冲的末尾响应的斜率远大于0.3mv/s。所述预设的传感器为BMD101传感器,通过传感器处理后输出的信号达不到输出需求。
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
提前通过使用连接型神经网络和粒子群优化算法算出补偿滤波器的系数,其中函数连接型神经网络主要用于系统的辨识,通过已知输入信号,把输出信号表达成输入信号与输出信号的函数形式,通过误差反馈,调节函数参数,最终得出系统的传递函数的系数。PSO,Particle Swarm Optimization,粒子群优化算法初始化为一群随机例子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自身。第一个“极值”是粒子本身所找到的最优解,这个解叫做极值pBest,另一个“极值”是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的令居,那么在所有邻居中的极值就是局部极值,通过不断的迭代,通过适当的评价函数,可以得到全局最优的粒子。而适当的评价函数为熟知的可用于本方案的评价函数,得到全局最优的粒子后,就得到了补偿滤波器的系数。在输出第一信号后,获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数。
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
在获取到补偿滤波器的系数后,根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。而这里输出的第二信号满足需求,脉冲的末尾响应的斜率小于0.3mv/s。
通过补偿滤波器处理第一信号得到第二信号的过程包括:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
参考图4,脉冲信号中的粒子处理总的流程包括:函数连接型神经网络-粒子群优化算法-滤波器系数。函数连接型神经网络,参考图5,输入信号:为经过传感器处理后的第一信号;滤波器系数W:要设计的补偿滤波器的系数,初始化为[0.1 0.1 .0.1 0.1 0.10.1];期望输出信号:为输入的脉冲信号;输出信号与输入信号的关系为:Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数w的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
粒子群优化算法,参考图6,初始化:利用上一部分训练出来的w系数初始化第一个粒子的状态,将其他粒子的状态初始化为随机数,粒子总数为40;各粒子的速递初始化为随机数;惯性权重为0.7289,;学习因子c1,c2为1.4962。寻找全局最优点:适应度为输出信号与期望信号之间的均方误差,将所有粒子与输入信号做卷积,计算输出信号与期望信号之间的均方差,找出具有最小均方差的粒子,记录下其状态pg和适应度pBest。更新粒子的位置和速度:
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-W(i,:))+c2*rand*(pg-W(i,:));
W(i,:)=W(i,:)+v(i,:);
计算适应度:
寻找全局最优的点,更新粒子位置和速度;判断是否达到迭代次数;若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。若其输出信号与期望信号的均方差小于pbest,将此时的w记为pg,适应度记为pbest。达到迭代次数,退出。找到最佳粒子pg,找到补偿滤波器的最佳系数。通过将第一信号经过补偿滤波器,在不需要知道传感器的传递函数的情况下,依然可以通过设计滤波器来达到补偿的目的,使之适用于实际情况。
本实施例中通过将函数连接型神经网络和粒子群优化算法两者结合,利用函数连接型神经网络计算速度快的特点,得到一个初始滤波器系数,将其设计为PSO中粒子的初始状态,在一定程度上解决了PSO算法因初始值的设定导致的局部最优问题。有效避免目前的信号处理需要更高的成本,且需要先已知传感器的传递函数,才能满足输出要求的问题。在不需要知道传感器的传递函数的情况下,通过设计滤波器来达到补偿的目的,降低学习成本,且无需更换更好的传感器,降低了信号处理成本。
进一步的,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,所述信号处理程序被所述处理器执行时实现如下步骤:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
本实施例与上述实施例的区别在于,在通过补偿滤波器后,由于其阶数的限制,输出信号带有明显的吉布斯效应,再通过一个平滑滤波器,达到初步去除吉布斯效应的效果,提高输出信号的准确性,在经过平滑滤波器处理后的第二信号为新的第二信号,输出的新的第二信号更加准确,满足需求。
参考图8,加入补偿滤波器和平滑滤波器得到的输出信号在脉冲末尾的响应溢出为0.2385mv,满足要求。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有信号处理程序,所述信号处理程序被处理器执行时实现如下操作:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号;
输出所述第二信号。
进一步地,所述信号处理程序被处理器执行时还实现如下操作:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
进一步地,所述信号处理程序被处理器执行时还实现如下操作:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
进一步地,所述信号处理程序被处理器执行时还实现如下操作:
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
进一步地,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,所述信号处理程序被处理器执行时还实现如下操作:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种信号处理方法,其特征在于,所述信号处理方法包括以下步骤:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号,输出所述第二信号。
2.如权利要求1所述的信号处理方法,其特征在于,所述方法,还包括:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
3.如权利要求2所述的信号处理方法,其特征在于,所述采用连接型神经网络处理得到初始滤波系数的步骤包括:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i),b'为更新后的常量;
study为学习步长,取0.03;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号。
4.如权利要求2所述的信号处理方法,其特征在于,所述运用粒子群优化算法得到最佳系数作为补偿滤波器的系数的步骤包括:
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
5.如权利要求1至4任一项所述的信号处理方法,其特征在于,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,还包括:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
6.一种信号处理装置,其特征在于,所述信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信号处理程序,所述信号处理程序被所述处理器执行时实现如下步骤:
接收输入信号,将所述输入信号通过预设的传感器处理后输出第一信号;
获取通过使用连接型神经网络和粒子群优化算法算出的补偿滤波器的系数;
根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号;
输出所述第二信号。
7.如权利要求6所述的信号处理装置,其特征在于,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
采用连接型神经网络处理得到初始滤波系数,运用所述初始滤波系数初始化所述第一信号;
运用粒子群优化算法得到最佳系数作为补偿滤波器的系数。
8.如权利要求7所述的信号处理装置,其特征在于,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
Z(i)=W*(X{i})'+b;
其中:
X{i}=[s(i),s(i-1),s(i-2),Z(i),Z(i-1),Z(i-2)];
s表示输入信号,Z表示输出信号,b表示一常量。
滤波器初始滤波系数W的更新过程:
W'=W+study*X{i}*e(i);
b'=b+study*e(i);
study为学习步长,取0.03,b'为更新后的常量;
e(i)=standard(i)-Z(i);
standard表示期望输出的标准信号;
寻找全局最优的点,更新粒子位置和速度;
判断是否达到迭代次数;
若是,从更新后的粒子中找到最佳粒子的最佳系数,将所述最佳系数标记为补偿滤波器的系数。
9.如权利要求6-8任一项所述的信号处理装置,其特征在于,所述根据所获取的补偿滤波器的系数对所述第一信号进行处理得到第二信号的步骤之后,所述处理器还用于执行所述信号处理程序,以实现以下步骤:
将所述第二信号通过平滑滤波器的处理减少吉布斯效应得到新的第二信号;
输出所述新的第二信号。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信号处理程序,所述信号处理程序被处理器执行时实现如权利要求1至5中任一项所述的信号处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710535085.7A CN107529686A (zh) | 2017-06-29 | 2017-06-29 | 信号处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710535085.7A CN107529686A (zh) | 2017-06-29 | 2017-06-29 | 信号处理方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107529686A true CN107529686A (zh) | 2018-01-02 |
Family
ID=60766279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710535085.7A Pending CN107529686A (zh) | 2017-06-29 | 2017-06-29 | 信号处理方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107529686A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420490A (zh) * | 2021-07-20 | 2021-09-21 | 山东大学 | 一种传感器动态补偿方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425152A (zh) * | 2008-12-12 | 2009-05-06 | 湖南大学 | 一种基于变学习率神经网络的fir滤波器的设计方法 |
TW201001908A (en) * | 2008-06-25 | 2010-01-01 | Univ Shu Te | Design method of digital filter |
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN103152014A (zh) * | 2013-01-30 | 2013-06-12 | 中国人民解放军理工大学 | Metropolis-Hastings变异粒子群重采样粒子滤波器实现方法 |
US20140376669A1 (en) * | 2013-06-21 | 2014-12-25 | Digital Compression Technology, Llc | Use of neural network based matched filter for fast response time in high-speed communications channels |
CN106059532A (zh) * | 2016-06-02 | 2016-10-26 | 国网山东省电力公司济宁供电公司 | 一种基于小波神经网络的多功能自适应滤波器及滤波方法 |
CN106067783A (zh) * | 2016-06-13 | 2016-11-02 | 电子科技大学 | 基于粒子群算法的fir滤波器设计方法 |
CN106419899A (zh) * | 2016-09-27 | 2017-02-22 | 深圳竹信科技有限公司 | Qrs波群提取方法及装置 |
-
2017
- 2017-06-29 CN CN201710535085.7A patent/CN107529686A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201001908A (en) * | 2008-06-25 | 2010-01-01 | Univ Shu Te | Design method of digital filter |
CN101425152A (zh) * | 2008-12-12 | 2009-05-06 | 湖南大学 | 一种基于变学习率神经网络的fir滤波器的设计方法 |
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN103152014A (zh) * | 2013-01-30 | 2013-06-12 | 中国人民解放军理工大学 | Metropolis-Hastings变异粒子群重采样粒子滤波器实现方法 |
US20140376669A1 (en) * | 2013-06-21 | 2014-12-25 | Digital Compression Technology, Llc | Use of neural network based matched filter for fast response time in high-speed communications channels |
CN106059532A (zh) * | 2016-06-02 | 2016-10-26 | 国网山东省电力公司济宁供电公司 | 一种基于小波神经网络的多功能自适应滤波器及滤波方法 |
CN106067783A (zh) * | 2016-06-13 | 2016-11-02 | 电子科技大学 | 基于粒子群算法的fir滤波器设计方法 |
CN106419899A (zh) * | 2016-09-27 | 2017-02-22 | 深圳竹信科技有限公司 | Qrs波群提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
吴健: ""传感器动态补偿滤波器及其硬件实现方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420490A (zh) * | 2021-07-20 | 2021-09-21 | 山东大学 | 一种传感器动态补偿方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156807B (zh) | 卷积神经网络模型的训练方法及装置 | |
US11151917B1 (en) | Electronic device including display having variable screen size and method for compensating degradation of the display | |
US10534837B2 (en) | Apparatus and method of low complexity optimization solver for path smoothing with constraint variation | |
CN108989678B (zh) | 一种图像处理方法、移动终端 | |
CN111260665A (zh) | 图像分割模型训练方法和装置 | |
US20160112701A1 (en) | Video processing method, device and system | |
CN107436801A (zh) | I/o资源调度方法、终端和计算机可读存储介质 | |
CN112330756B (zh) | 一种相机标定方法、装置、智能车辆和存储介质 | |
CN107909583A (zh) | 一种图像处理方法、装置及终端 | |
CN107144056A (zh) | 空调器及电子膨胀阀的控制方法和计算机可读存储介质 | |
CN109754084B (zh) | 网络结构的处理方法、装置及相关产品 | |
CN111144584A (zh) | 参数调优方法、装置及计算机存储介质 | |
CN113284142A (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
CN114612531A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN107529686A (zh) | 信号处理方法、装置和计算机可读存储介质 | |
US20210038142A1 (en) | Electronic device and method for providing personalized biometric information based on biometric signal using same | |
US20230232075A1 (en) | Electronic device for providing content recommendation service, and method therefor | |
CN108230372A (zh) | 一种图像处理方法、终端及计算机可读存储介质 | |
CN112381224A (zh) | 神经网络训练方法、装置、设备及计算机可读存储介质 | |
WO2021016932A1 (zh) | 数据处理方法、装置及计算机可读存储介质 | |
CN107613284B (zh) | 一种图像处理方法、终端和计算机可读存储介质 | |
US20210030290A1 (en) | Electronic device for acquiring biometrics using ppg sensor, and method therefor | |
CN106982389B (zh) | 视频类型识别方法及装置 | |
US20220147180A1 (en) | Electronic device including flexible display and method using the same | |
CN108416426A (zh) | 数据处理方法、装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180102 |
|
RJ01 | Rejection of invention patent application after publication |