CN107729289B - 一种基于遗传优化的多项式相位信号自适应时频变换方法 - Google Patents
一种基于遗传优化的多项式相位信号自适应时频变换方法 Download PDFInfo
- Publication number
- CN107729289B CN107729289B CN201710914969.3A CN201710914969A CN107729289B CN 107729289 B CN107729289 B CN 107729289B CN 201710914969 A CN201710914969 A CN 201710914969A CN 107729289 B CN107729289 B CN 107729289B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- polynomial phase
- pop
- phase 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于遗传优化的多项式相位信号自适应时频变换方法,能够完成多项式相位信号的时频分解,其中分解得到的每一个信号分量都为任一时刻都只对应一个频点的单分量,然后利用各信号分量、各时刻的瞬时频率取值,通过仅保留主瓣响应的Sinc函数直接计算生成相应时刻对应的信号频率分布,克服了传统的时频变换中一个时刻对应多个频点的非单分量存在交叉项的缺陷,最终输出无任何交叉项干扰且时频联合分辨率较优的时频分布;本发明原理简单,操作方便,可有效克服经典时频分析方法交叉项干扰的不利影响以及时频联合分辨率的损失,能够有效提升非平稳多项式相位信号时频分析的质量和效益。
Description
技术领域
本发明属于信号处理领域,尤其涉及一种基于遗传优化的多项式相位信号自适应时频变换方法。
背景技术
许多天然和人工的信号,譬如语音、生物医学信号、在色散媒质中传播的波、机械振动、动物叫声,音乐、雷达、声纳信号等,都是典型的非平稳信号,其特点是持续时间有限,并且频率是时变的,具有非平稳、非线性、非均匀、非结构、非确定、非可积、非可逆、非晶态、非规则、非连续、非光滑、非周期、非对称等特点。时频联合分析(joint time-frequencyanalysis,简称时频分析)正是着眼于真实信号组成成分的时变特征,将一个一维的时间信号以二维的时间-频率密度函数形式表示出来,旨在揭示信号中包含了多少频率分量,以及每一分量是怎样随时间变化的。
1948年,法国学者J.Ville将匈牙利布达佩斯出生的美籍物理学家E.P.Wigner在1932年提出的Wigner分布引入信号处理领域,得到了称为“Wigner-Ville分布”(Wigner-Ville distribution,WVD)。后续学者起而效仿,提出了一些新型的时频分布。整个时频分析的历史,几乎就是一部与WVD的不足作斗争的历史。按照各派的本质特征,可将形形色色的时频分布归入如下几类:(1)线性时频表示;(2)Cohen类双线性时频分布;(3)仿射类双线性时频分布;(4)重排类双线性时频分布;(5)自适应核函数类时频分布;(6)参数化时频分布。
其中,线性时频变换Gabor变换、STFT的时频分辨率受制于窗函数的形状和宽度。小波分析本质上是一种时间-尺度分析,更适于分析具有自相似结构的信号(如分形)和突变(瞬态)信号,而从刻画信号的时变结构角度看,小波变换的结果往往难于解释。
Cohen类双线性时频分布的实质,是将信号的能量(信号的某种平方形式)分布于时频平面内,其基础则为WVD。但WVD不是线性的,即两信号之和的WVD并非每一个信号的WVD之和,其中多出一个附加项。交叉项对WVD影响之烈,可见一斑。交叉项是实的,混迹于自项成分之间,且幅度较大;另外,交叉项是振荡型的,每两个信号分量就会产生一个交叉项。若信号有N个分量,则会产生个交叉项。交叉项的存在严重地干扰着人们对WVD的解释;当信号的组成成分变得复杂时,WVD给出的时频分布甚至变得毫无意义。
为了解决交叉项干扰的影响,人们相继提出了若干种不同的时频分析方法,其中Cohen类核函数时频分析方法通过设计二维核函数(二维滤波器),产生具有所需特性的时频分布。但是,该类时频分布用平滑的方法抑制交叉项,是以牺牲整个分布的时频分辨率为代价的。
前面介绍的各种分布(小波变换除外)对信号的时间和频率局部特性的刻画,是通过时移及频移变换实现的;与此对照的是,仿射类的分布则是通过时移和伸缩变换实现的。
仿射类中最著名的分布当推尺度图(Scale gram),即小波变换的平方。由于这一类分布的基础仍是WVD,因此,WVD自然地成为其成员之一。事实上,WVD正是连接Cohen类和仿射类的纽带。前者基于对WVD进行的时频平滑(time-frequency smoothing),而后者则基于仿射平滑(affine smoothing)。
Cohen类和仿射类时频分布,通过对WVD进行时频平滑及时间-尺度平滑处理,如图4所示,可以极大地抑制交叉项干扰,但仍有不少交叉项残留,而且有些分布还会引入一些新的交叉项。为进一步提高这两类分布的性能,K.Kdoera等首先提出对时频平面进行重排的思想,此后F.Auger和P.Flandrin拓展并完善了重排的方法。
在Cohen类、仿射类和重排类的双线性时频分布中,每一种分布均与一固定的核函数相对应,正是该核函数决定了相应分布的交叉项抑制特性。不言而喻,一种核函数只对一类信号有效,因而所有上述三类中的双线性时频分布均缺乏对信号的适应性。
前面介绍的各种时频分析方法,均为非参数化的方法,它们均没有先验地假定信号是由何种模型信号组成的。而参数化时频分析(parametric time frequency analysis)方法,则根据对信号层次结构的分析,构造出与信号层次结构最佳匹配的信号模型,因而能浓缩信号的信息,简化信号的表示,并由此得到信号的时频分布。
在线性时频表示(原子分解)方法中,若选用的原子与信号的主要成分相似,则仅需少数原子的线性组合,就能比较精确地表示信号,分解的结果将是稀疏的(sparse)。反之,如果原子的性状与信号的主要结构相去甚远或迥异,那么就需要用大量的,甚至无穷多的原子,才能足够精确地组装成原信号,信号的信息将弥散在太多的原子上,不利于有效地表示信号。所以在采用原子分解方法时,必须根据信号的局部结构特征,自适应地选择原子的组合,以期用尽可能少的原子来分解信号。1994年S.Qian和D.Chen开创了参数化时频分析之先河(其创造性思想可追溯到1988年),提出了“自适应展开’,(adaptive expansion)算法;1993年S.Mallat和Z.Zhang提出了自适应展开的姊妹算法—“matching pursuit”算法。这两种算法尽管名称不同,但本质上没有不可调和的异点,实质上等价。
自适应匹配投影塔形分解算法的实质,是用原子的时频能量分布逼近原信号的时频能量分布。由于S.Qian和S.Mallat采用的是频率不变的Gabor原子,因此迭代算法对时频平面的划分是一种格型分割。这种算法对时不变的频率分量效果很好,但当待分析的信号是Chirp信号时,这种匹配相当于零阶曲线逼近,势必造成分解过程存在许多截断和分量之间的混合畸变。为克服这一缺陷,S.Mann和S.Haykin等人几乎同时提出采用经伸缩、时移、频移和频率倾斜的Gauss函数一一“chirplet”作为原子,以取代频率不变的Gabor原子(S.Mann另增加了时间倾斜操作),并用内积法得到所谓的“chirplet变换”。
基于自适应匹配投影塔形分解算法的Chirplet变换,在本质上是对时频平面上的任意一条能量曲线用一组任意倾斜的线段进行线性逼近。显然,一阶逼近比零阶逼近能更紧凑地表达chirp类信号。尽管学者们一直热爱线性,然而大自然通常是非线性的。当信号的频率成分随时间非线性地变化时,譬如一类天然存在的或人工产生的Doppler信号,用频率随时间作线性(零阶或一阶)变化的原子来表征,势必造成原子数目的增加,从而既影响对分解结果的理解和途释,又影响分解结果的数据压缩能力。
但上述自适应时频分解方法基于已知的信号层次结构或者信号模型,在信号参数上是自适应分解的,但在信号类型上是非盲的。为进一步改进上述参数化时频分析方法还需要进行新的尝试。
时频分析在语音识别,雷达信号处理和图像处理,地震信号处理,信号重构以及扩频通信中的干扰抑制等方面,已有不少成功应用。总体说来,时频分析的应用领域大致有如下四类:一是时变谱分析;二是由时频分布间接计算出某些物理量;三是利用时频分布作为信号所携带的信息的载体(而不关心它是否真能表示能量密度);四是信号的重构、压缩和编码等。
从考察信号的频率成分随时间的演化特性角度来说,小波变换的结果令人费解,尽管这一领域炙手可热。小波变换是以时间和尺度为参数,在时间-尺度平面的不同位置上具有不同的分辨率,因而是一种多分辨率分析方法。小波分析得益于小波原子的完备性、自相似性和多分辨性,它能获得成功的两个最重要的原因,是它拥有塔形快速算法和良好的时频局域特性;缺点则是一旦母小波选择不当,应用效果会大受影响。从信号压缩及消除交叉项干扰角度看,参数化的时频分析方法较好,但求其原子模型的参数,也非易事。WVD及所有其它的Cohen类时频分布,都可用于分析窄带信号,不过它们均不太适于分析多分量的宽带信号以及雷达和声纳信号,若采用仿射类的分布,则存在分辨率空变的问题。客观地说,各种时频分析技术难分优劣,关键是其适合何种类型的信号。一条屡试不爽的经验是,可以首先用运算速度很快的STFT的谱图尝试,如图3所示;若需要较高的时频分辨率,可以采用参数化时频分析方法。
但是,现有各种时频分析方法尚难完全适用于相位调制可表示为有限项多项式级数的多项式相位信号。
专利“一种模型驱动的多项式相位信号自适应时频分解新方法”针对上述现实问题,提出了一种可行的新思路和新方法,但并未具体给出其中各种现代优化算法的具体的实用操作和运算过程。本发明针对这一问题,给出了一种用于非平稳多项式相位信号的自适应时频分解新算法,该算法是“一种模型驱动的多项式相位信号自适应时频变化方法”的一种具体实现方式和实用运算过程及计算流程,可以自适应的完成多项式相位信号的时频分解,并输出无任何交叉项干扰且时频联合分辨率较优的时频分布。
发明内容
为解决上述问题,本发明提供一种基于遗传优化的多项式相位信号自适应时频变换方法,利用各信号分量、各时刻的瞬时频率取值,通过仅保留主瓣响应的Sinc函数直接计算生成相应时刻对应的信号频率分布,克服了传统的时频变换中一个时刻对应多个频点的非单分量存在交叉项的缺陷,最终输出无任何交叉项干扰且时频联合分辨率较优的时频分布。
一种基于遗传优化的多项式相位信号自适应时频变换方法,包括以下步骤:
步骤1:利用遗传优化算法对雷达接收的原始多项式相位信号s(t)进行多次分解,每次分解均确定一个信号分量的最优模型阶数和最优待定系数集,具体的:
步骤11:根据多项式相位模型,生成原始多项式相位信号s(t)对应的参考函数hp,并初始化参考函数hp的模型阶数N1=1,并计算原始多项式相位信号s(t)的能量E0,随机生成参考函数hp的至少两个待定系数集{an},n=0,1,2,...,N1,其中待定系数集{an}的个数用Pop表示;将待定系数集{an}作为遗传优化算法中的父代个体,Pop个父代个体构成原始种群IPop;
步骤12:将各个待定系数集{an}对应的参考函数hp的共轭分别与原始多项式相位信号s(t)相乘得到混合调制信号x(t),对混合调制信号x(t)实施傅利叶变换,得到变换结果X(f),按设定的评价标准评价变换结果X(f);
步骤13:选取评价结果中最优的部分变换结果X(f)对应的父代个体,对其进行遗传操作,然后将遗传操作得到的新子代个体加入原始种群IPop进行变异操作,并按步骤12的方法,对变异操作后的所有个体的变换结果X(f)进行评价;
步骤14:选取步骤13中评价结果最优的前Pop个个体形成新种群,采用新种群每个个体对应的待定系数集{an}按照步骤12的方法,重新计算并评价新种群每个个体对应的变换结果X(f),然后重复步骤13,直至遗传代数达到设定的最大值Gen,得到经过Gen代遗传后的评价结果最优的Pop个个体;
步骤15:令模型阶数N1依次从2取到最大可能阶数order_max,每次取值后,重复步骤11至步骤14,从而得到不同模型阶数下的经过Gen代遗传后的评价结果最优的Pop个个体;
步骤16:从步骤15得到所有个体中选出评价结果最优的个体,从而确定原始多项式相位信号s(t)当前信号分量的最优模型阶数Np以及Np对应的最优待定系数集{an}max;
步骤2:利用最优模型阶数Np和最优待定系数集{an}max确定的信号分量的共轭与原始多项式相位信号s(t)相乘并实施傅利叶变换,得到频谱X'(f),将频谱X'(f)包络最大值处的强度复数取值置零后,实施逆傅立叶变换,从而得到时域信号y(t);
步骤3:利用模型阶数为Np和最优待定系数集{an}max确定的信号分量与时域信号y(t)相乘得到残差信号z(t),本次分解结束;
步骤4:计算残差信号z(t)的能量Ed,与原始多项式相位信号s(t)能量E0取比值R,如果比值R小于设定门限γ或分解次数达到设定的上限数量Nmax,则停止分解,得到各信号分量的最优模型阶数Np和最优待定系数集{an}max;否则,利用步骤3计算的残差信号z(t)替换步骤1中的原始多项式相位信号s(t)重新计算混合调制信号x(t),重复步骤1至步骤3,直至比值R小于设定门限γ或分解次数达到设定的上限数量Nmax;
步骤5:将最优模型阶数Np和最优待定系数集{an}max对应的各个信号分量按分解顺序编号为hc,其中c=1,2,...,C,C为分解的次数;
步骤6:按单分量信号瞬时频率的物理定义,得到各信号分量hc对应的瞬时频率曲线fc(t),并根据瞬时频率曲线fc(t)确定原始多项式相位信号s(t)的频率分布范围,最后对所述频率分布范围依次进行离散化、保留主瓣响应以及叠加操作后,得到原始多项式相位信号s(t)的时频联合分布f(t)。
进一步地,所述原始多项式相位信号s(t)对应的参考函数hp具体为:
其中,order_max为原始多项式相位信号s(t)的最大可能阶数。
进一步地,所述原始多项式相位信号s(t)的频率分布范围具体为:
所有信号分量hc的瞬时频率曲线fc(t)中的瞬时频率最小值为原始多项式相位信号s(t)的最小频率fimin,瞬时频率最大值为原始多项式相位信号s(t)的最大频率fimax。
进一步地,所述待定系数集{an}具体为矢量其中N1代表当前优化的模型阶数,a0为固定取值,设为原始多项式相位信号s(t)直接傅利叶变换所得峰值的所在采样点的位置序号;为待优化的待定系数,由随机函数Rand产生,取值范围为[-M,M],其中M为原始多项式相位信号s(t)的采样点数目,具体的:
其中rand(Pop,N1)表示随机产生Pop个维数为N1的分布于[0,1]的随机数。
进一步地,所述设定的评价标准为频谱峰值、频谱的对比度或频谱的谱形熵中的任意一个,其中频谱峰值Xp、频谱的对比度Xc以及频谱的谱形熵Xe分别为:
Xp=max{abs[X(f)]}
Xe=sum(-pS·logpS)
其中
sum(·)代表向量的求和操作,abs(·)为取绝对值;
当选择频谱峰值或频谱对比度作为评价标准时,该值越大,评价结果越优,当选择频谱的谱形熵作为评价标准时,该值越小,评价结果越优。
进一步地,所述遗传操作具体方法为:
按设定的遗传概率Pg,将评价结果最优的Y个父代个体中的所有个体分别进行两两交叉操作,得到2·ceil(Pg·Pop)个新的子代个体,其中ceil(·)代表向上取整数的操作,且两两交叉操作具体为:
Popson1=α·Pop1+(1-α)·Pop2
Popson2=α·Pop2+(1-α)·Pop1
其中,Pop1和Pop2分别为评价结果最优的Y个父代个体中的两个个体,Popson1和Popson2分别为两两操作后产生的新个体,α是位于区间(0,1)的随机数。
进一步地,所述变异操作具体方法为:
将步骤(3)得到的所有新的子代个体加入原始种群IPop,得到有Popnew个个体的新种群,按设定的变异概率Pab,从新种群任意选择ceil(Pab·Popnew)个个体,其中ceil(·)代表向上取整数的操作,利用随机函数Rand重新生成所选择的个体的组成元素
进一步地,步骤2所述的信号分量hc具体为:
进一步地,步骤6所述的对所述频率分布范围依次进行离散化具体为:
fis=[fimin fimin+Δf fimin+2Δf fimin+3Δf...fimax]T
其中,fis为离散频率向量的瞬时频率值,Δf为设定的频率分辨率,具体的:
其中,fimin为原始多项式相位信号s(t)的最小频率,fimax为原始多项式相位信号s(t)的最大频率,K为设定的离散频率维数,i为虚部单位。
进一步地,步骤6所述的对所述频率分布范围进行保留主瓣响应具体计算方法为:
其中,Ac为第c个信号分量hc的频谱包络最大值处的强度复数取值,i为虚部单位,Δf为设定的频率分辨率,fis为离散频率向量fs的瞬时频率值、fic(t)为各信号分量hc对应的瞬时频率曲线fc(t)的瞬时频率值。
有益效果:
本发明提供一种基于遗传优化的多项式相位信号自适应时频变换方法,能够完成多项式相位信号的时频分解,其中分解得到的每一个信号分量都为任一时刻都只对应一个频点的单分量,然后利用各信号分量、各时刻的瞬时频率取值,通过仅保留主瓣响应的Sinc函数直接计算生成相应时刻对应的信号频率分布,克服了传统的时频变换中一个时刻对应多个频点的非单分量存在交叉项的缺陷,最终输出无任何交叉项干扰且时频联合分辨率较优的时频分布;
本发明原理简单,操作方便,可有效克服经典时频分析方法交叉项干扰的不利影响以及时频联合分辨率的损失,能够有效提升非平稳多项式相位信号时频分析的质量和效益。
附图说明
图1为本发明遗传优化的自适应时频变换方法流程图;
图2为本发明其中一个多分量多项式相位信号的时域波形图;
图3为现有技术中经典STFT分析时频图;
图4为现有技术中经典WVD时频图;
图5为本发明遗传优化的自适应时频变换方法所得时频图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细叙述。
本发明首先通过一定进化代数的遗传优化估计出多项式相位信号各组成分量的模型阶数及对应的各阶相位参数,然后利用“清洁”的思想,提取出相应的多项式相位信号分量,并从原始信号中剔除该信号分量得到残差信号,接着以迭代“清洁”的方式,重复利用遗传优化针对残差信号实施自适应模型定阶及最优模型参数优化,并逐步提取出各信号分量,如此反复,直至残差信号能量低于预设的门限或提取出的信号分量数目达到预设的最大值。随后,利用遗传优化分解所得的各分量信号的相位参数构建相位-时间历史,并根据单分量信号瞬时频率的物理定义,对相位历史求导,以解析的方式直接得到各信号分量的频率-时间历史,即时频变化曲线,根据信号各分量的时频变化曲线,确定整个信号的最大及最小频率,利用其确定整个信号的频率变化范围,按应用所需的频率分辨率需求,对该频率范围进行离散化,得到所需维数的离散频率向量,最后,利用各分量、各时刻的瞬时频率取值,通过仅保留主瓣响应的Sinc函数直接计算生成相应时刻对应的信号频率分布;如此反复,直至所有信号分量所有时刻的频率分布均生成完毕,将其按时间先后顺序存储并逐信号分量累加,即可得到最终多项式相位信号的时频联合分布。
如图1所示,一种基于遗传优化的多项式相位信号自适应时频变换方法,包括以下步骤:
步骤1:利用遗传优化算法对雷达接收的原始多项式相位信号s(t)进行多次分解,每次分解均确定一个信号分量的最优模型阶数和最优待定系数集,具体的:
步骤11:根据多项式相位模型,生成原始多项式相位信号s(t)对应的参考函数hp,并初始化参考函数hp的模型阶数N1=1,并计算原始多项式相位信号s(t)的能量E0,随机生成参考函数hp的至少两个待定系数集{an},n=0,1,2,...,N1,其中待定系数集{an}的个数用Pop表示;将待定系数集{an}作为遗传优化算法中的父代个体,Pop个父代个体构成原始种群IPop;
步骤12:将各个待定系数集{an}对应的参考函数hp的共轭分别与原始多项式相位信号s(t)相乘得到混合调制信号x(t),对混合调制信号x(t)实施傅利叶变换,得到变换结果X(f),按设定的评价标准评价变换结果X(f),根据评价结果对父代个体的适应度优劣进行排序;
步骤13:选取评价结果中最优的部分变换结果X(f)对应的父代个体,对其进行遗传操作,然后将遗传操作得到的新子代个体加入原始种群IPop进行变异操作,并按步骤12的方法,对变异操作后的所有个体的变换结果进行评价;
步骤14:选取步骤13中评价结果最优的前Pop个个体形成新种群,采用新种群每个个体对应的待定系数集{an}按照步骤12的方法,重新计算并评价新种群每个个体对应的变换结果X(f),然后重复步骤13,直至遗传代数达到设定的最大值Gen,得到经过Gen代遗传后的评价结果最优的Pop个个体;
步骤15:令模型阶数N1依次从2取到最大可能阶数order_max,每次取值后,重复步骤11至步骤14,从而得到不同模型阶数下的经过Gen代遗传后的评价结果最优的Pop个个体;
步骤16:从步骤15得到所有个体中选出评价结果最优的个体,从而确定原始多项式相位信号s(t)当前信号分量的最优模型阶数Np以及Np对应的最优待定系数集{an}max;
步骤2:利用最优模型阶数Np和最优待定系数集{an}max确定的信号分量的共轭与原始多项式相位信号s(t)相乘并实施傅利叶变换,得到频谱X'(f),将频谱X'(f)包络最大值处的强度复数取值置零后,实施逆傅立叶变换,从而得到时域信号y(t),如图2所示;
步骤3:利用模型阶数为Np和最优待定系数集{an}max确定的信号分量与时域信号y(t)相乘得到残差信号z(t),本次分解结束;
步骤4:计算残差信号z(t)的能量Ed,与原始多项式相位信号s(t)能量E0取比值R,如果比值R小于设定门限γ或分解次数达到设定的上限数量Nmax,则停止分解,得到各信号分量的最优模型阶数Np和最优待定系数集{an}max;否则,利用步骤3计算的残差信号z(t)替换步骤1中的原始多项式相位信号s(t)重新计算混合调制信号x(t),重复步骤1至步骤3,直至比值R小于设定门限γ或分解次数达到设定的上限数量Nmax;
步骤5:将最优模型阶数Np和最优待定系数集{an}max对应的各个信号分量按分解顺序编号为hc,其中c=1,2,...,C,C为自适应分解的次数;
步骤6:按单分量信号瞬时频率的物理定义,得到各信号分量hc对应的瞬时频率曲线fc(t),并根据瞬时频率曲线fc(t)确定原始多项式相位信号s(t)的频率分布范围,最后对所述频率分布范围依次进行离散化、保留主瓣响应以及叠加操作后,得到原始多项式相位信号s(t)的时频联合分布f(t),如图5所示。
进一步地,所述原始多项式相位信号s(t)对应的参考函数hp具体为:
其中,待定系数集{an},n=0,1,2,...N1,中的待定系数an初始值随机生成,order_max为原始多项式相位信号s(t)的最大可能阶数。
进一步地,所述原始多项式相位信号s(t)的频率分布范围具体为:
所有信号分量hc的瞬时频率曲线fc(t)中的瞬时频率最小值为原始多项式相位信号s(t)的最小频率fimin,瞬时频率最大值为原始多项式相位信号s(t)的最大频率fimax。
进一步地,所述待定系数集{an}具体为矢量其中N1代表当前优化的模型阶数,a0为固定取值,设为原始多项式相位信号s(t)直接傅利叶变换所得峰值的所在采样点的位置序号;为待优化的待定系数,由随机函数Rand产生,取值范围为[-M,M],其中M为原始多项式相位信号s(t)的采样点数目,具体的:
其中rand(Pop,N1)表示随机产生Pop个维数为N1的分布于[0,1]的随机数,从而得到模型阶数为N1的初始父代个体。
进一步地,所述设定的评价标准为频谱峰值、频谱的对比度或频谱的谱形熵中的任意一个,其中频谱峰值Xp、频谱的对比度Xc以及频谱的谱形熵Xe分别为:
Xp=max{abs[X(f)]}
Xe=sum(-pS·logpS)
其中
sum(·)代表向量的求和操作,abs(·)为取绝对值;
当选择频谱峰值或频谱对比度作为评价标准时,该值越大,评价结果越优,当选择频谱的谱形熵作为评价标准时,该值越小,评价结果越优。
进一步地,所述遗传操作具体方法为:
按设定的遗传概率Pg,将评价结果最优的Y个父代个体中的所有个体分别进行两两交叉操作,得到2·ceil(Pg·Pop)个新的子代个体,其中ceil(·)代表向上取整数的操作,且两两交叉操作具体为:
Popson1=α·Pop1+(1-α)·Pop2
Popson2=α·Pop2+(1-α)·Pop1
其中,Pop1和Pop2分别为评价结果最优的Y个父代个体中的两个个体,Popson1和Popson2分别为两两操作后产生的新个体,α是位于区间(0,1)的随机数。
进一步地,所述变异操作具体方法为:
将步骤(3)得到的所有新的子代个体加入原始种群IPop,得到有Popnew个个体的新种群,按设定的变异概率Pab,从新种群任意选择ceil(Pab·Popnew)个个体,其中ceil(·)代表向上取整数的操作,利用随机函数Rand重新生成所选择的个体的组成元素
进一步地,步骤2所述的信号分量hc具体为:
进一步地,步骤6所述的对所述频率分布范围依次进行离散化具体为:
fis=[fimin fimin+Δf fimin+2Δf fimin+3Δf...fimax]T
其中,fis为离散频率向量的瞬时频率值,Δf为设定的频率分辨率,具体的:
其中,fimin为原始多项式相位信号s(t)的最小频率,fimax为原始多项式相位信号s(t)的最大频率,K为设定的离散频率维数,i为虚部单位。
进一步地,步骤6所述的对所述频率分布范围进行保留主瓣响应具体计算方法为:
其中,Ac为第c个信号分量hc的频谱包络最大值处的强度复数取值,i为虚部单位,Δf为设定的频率分辨率,fis为离散频率向量fs的瞬时频率值、fic(t)为各信号分量hc对应的瞬时频率曲线fc(t)的瞬时频率值。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于遗传优化的多项式相位信号自适应时频变换方法,其特征在于,包括以下步骤:
步骤1:利用遗传优化算法对雷达接收的原始多项式相位信号s(t)进行多次分解,每次分解均确定一个信号分量的最优模型阶数和最优待定系数集,具体的:
步骤11:根据多项式相位模型,生成原始多项式相位信号s(t)对应的参考函数hp,并初始化参考函数hp的模型阶数N1=1,并计算原始多项式相位信号s(t)的能量E0,随机生成参考函数hp的至少两个待定系数集{an},n=0,1,2,...,N1,其中待定系数集{an}的个数用Pop表示;将待定系数集{an}作为遗传优化算法中的父代个体,Pop个父代个体构成原始种群IPop;
步骤12:将各个待定系数集{an}对应的参考函数hp的共轭分别与原始多项式相位信号s(t)相乘得到混合调制信号x(t),对混合调制信号x(t)实施傅利叶变换,得到变换结果X(f),按设定的评价标准评价变换结果X(f);
步骤13:选取评价结果中最优的部分变换结果X(f)对应的父代个体,对其进行遗传操作,然后将遗传操作得到的新子代个体加入原始种群IPop进行变异操作,并按步骤12的方法,对变异操作后的所有个体的变换结果X(f)进行评价;
步骤14:选取步骤13中评价结果最优的前Pop个个体形成新种群,采用新种群每个个体对应的待定系数集{an}按照步骤12的方法,重新计算并评价新种群每个个体对应的变换结果X(f),然后重复步骤13,直至遗传代数达到设定的最大值Gen,得到经过Gen代遗传后的评价结果最优的Pop个个体;
步骤15:令模型阶数N1依次从2取到最大可能阶数order_max,每次取值后,重复步骤11至步骤14,从而得到不同模型阶数下的经过Gen代遗传后的评价结果最优的Pop个个体;
步骤16:从步骤15得到所有个体中选出评价结果最优的个体,从而确定原始多项式相位信号s(t)当前信号分量的最优模型阶数Np以及Np对应的最优待定系数集{an}max;
步骤2:利用最优模型阶数Np和最优待定系数集{an}max确定的信号分量的共轭与原始多项式相位信号s(t)相乘并实施傅利叶变换,得到频谱X'(f),将频谱X'(f)包络最大值处的强度复数取值置零后,实施逆傅利叶变换,从而得到时域信号y(t);
步骤3:利用模型阶数为Np和最优待定系数集{an}max确定的信号分量与时域信号y(t)相乘得到残差信号z(t),本次分解结束;
步骤4:计算残差信号z(t)的能量Ed,与原始多项式相位信号s(t)能量E0取比值R,如果比值R小于设定门限γ或分解次数达到设定的上限数量Nmax,则停止分解,得到各信号分量的最优模型阶数Np和最优待定系数集{an}max;否则,利用步骤3计算的残差信号z(t)替换步骤1中的原始多项式相位信号s(t)重新计算混合调制信号x(t),重复步骤1至步骤3,直至比值R小于设定门限γ或分解次数达到设定的上限数量Nmax;
步骤5:将最优模型阶数Np和最优待定系数集{an}max对应的各个信号分量按分解顺序编号为hc,其中c=1,2,...,C,C为分解的次数;
步骤6:按单分量信号瞬时频率的物理定义,得到各信号分量hc对应的瞬时频率曲线fc(t),并根据瞬时频率曲线fc(t)确定原始多项式相位信号s(t)的频率分布范围,最后对所述频率分布范围依次进行离散化、保留主瓣响应以及叠加操作后,得到原始多项式相位信号s(t)的时频联合分布f(t)。
3.如权利要求1所述的一种基于遗传优化的多项式相位信号自适应时频变换方法,其特征在于,所述原始多项式相位信号s(t)的频率分布范围具体为:
所有信号分量hc的瞬时频率曲线fc(t)中的瞬时频率最小值为原始多项式相位信号s(t)的最小频率fimin,瞬时频率最大值为原始多项式相位信号s(t)的最大频率fimax。
6.如权利要求1所述的一种基于遗传优化的多项式相位信号自适应时频变换方法,其特征在于,所述遗传操作具体方法为:
按设定的遗传概率Pg,将评价结果最优的Y个父代个体中的所有个体分别进行两两交叉操作,得到2·ceil(Pg·Pop)个新的子代个体,其中ceil(·)代表向上取整数的操作,且两两交叉操作具体为:
Popson1=α·Pop1+(1-α)·Pop2
Popson2=α·Pop2+(1-α)·Pop1
其中,Pop1和Pop2分别为评价结果最优的Y个父代个体中的两个个体,Popson1和Popson2分别为两两操作后产生的新个体,α是位于区间(0,1)的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914969.3A CN107729289B (zh) | 2017-09-30 | 2017-09-30 | 一种基于遗传优化的多项式相位信号自适应时频变换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914969.3A CN107729289B (zh) | 2017-09-30 | 2017-09-30 | 一种基于遗传优化的多项式相位信号自适应时频变换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729289A CN107729289A (zh) | 2018-02-23 |
CN107729289B true CN107729289B (zh) | 2020-09-11 |
Family
ID=61209509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710914969.3A Active CN107729289B (zh) | 2017-09-30 | 2017-09-30 | 一种基于遗传优化的多项式相位信号自适应时频变换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729289B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646091B (zh) * | 2018-03-28 | 2020-06-30 | 南京航空航天大学 | 一种多分量多项式相位信号的分离方法 |
CN109063613A (zh) * | 2018-07-20 | 2018-12-21 | 东北大学 | 基于广义参数化同步提取变换的非平稳信号处理方法 |
CN109446665B (zh) * | 2018-10-31 | 2020-09-22 | 中国科学院电子学研究所 | 一种非线性调频信号优化方法及装置、存储介质 |
CN110287948B (zh) * | 2019-07-24 | 2021-04-27 | 成都理工大学 | 一种基于能量分离的魏格纳-维利时频分解方法 |
CN112329936B (zh) * | 2020-11-05 | 2023-03-24 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5187484A (en) * | 1991-02-26 | 1993-02-16 | U.S. Philips Corporation | Linearizing a swept-frequency radar |
CN104731762A (zh) * | 2015-03-25 | 2015-06-24 | 西安电子科技大学 | 基于循环移位的立方相位信号参数估计方法 |
CN105548972A (zh) * | 2014-09-19 | 2016-05-04 | 波音公司 | 合成孔径雷达的阶梯式线性调频信号的相位校准 |
CN105629233A (zh) * | 2016-01-19 | 2016-06-01 | 北京理工大学 | 一种基于isar图像的多散射点微动提取方法 |
CN106597441A (zh) * | 2016-12-14 | 2017-04-26 | 中国人民解放军空军工程大学 | 一种面向多目标isar成像任务的mimo雷达波形优化设计方法 |
-
2017
- 2017-09-30 CN CN201710914969.3A patent/CN107729289B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5187484A (en) * | 1991-02-26 | 1993-02-16 | U.S. Philips Corporation | Linearizing a swept-frequency radar |
CN105548972A (zh) * | 2014-09-19 | 2016-05-04 | 波音公司 | 合成孔径雷达的阶梯式线性调频信号的相位校准 |
CN104731762A (zh) * | 2015-03-25 | 2015-06-24 | 西安电子科技大学 | 基于循环移位的立方相位信号参数估计方法 |
CN105629233A (zh) * | 2016-01-19 | 2016-06-01 | 北京理工大学 | 一种基于isar图像的多散射点微动提取方法 |
CN106597441A (zh) * | 2016-12-14 | 2017-04-26 | 中国人民解放军空军工程大学 | 一种面向多目标isar成像任务的mimo雷达波形优化设计方法 |
Non-Patent Citations (2)
Title |
---|
Method for inverse synthetic aperture radar imaging of space debris using improved genetic algorithm;Yu Ning 等;《 IET Radar, Sonar & Navigation》;20170501;第11卷(第5期);全文 * |
基于压缩感知的ISAR成像技术研究;刘记红;《中国博士学位论文全文数据库》;20141015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107729289A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729289B (zh) | 一种基于遗传优化的多项式相位信号自适应时频变换方法 | |
Gokhale et al. | Time domain signal analysis using wavelet packet decomposition approach | |
Venema et al. | A stochastic iterative amplitude adjusted Fourier transform algorithm with improved accuracy | |
Fevotte et al. | A Bayesian approach for blind separation of sparse sources | |
CN111723701B (zh) | 一种水中目标识别方法 | |
CN107729288B (zh) | 一种基于粒子群优化的多项式相位信号时频变换方法 | |
Meynard et al. | Spectral analysis for nonstationary audio | |
Rank | Application of Bayesian trained RBF networks to nonlinear time-series modeling | |
JP2023546099A (ja) | オーディオ生成器ならびにオーディオ信号生成方法およびオーディオ生成器学習方法 | |
CN107622036B (zh) | 一种基于蚁群优化的多项式相位信号自适应时频变换方法 | |
CN107783939B (zh) | 一种模型驱动的多项式相位信号自适应时频变换方法 | |
Andreux et al. | Music Generation and Transformation with Moment Matching-Scattering Inverse Networks. | |
CN107622035B (zh) | 一种基于模拟退火的多项式相位信号自适应时频变换方法 | |
US20070124137A1 (en) | Highly optimized nonlinear least squares method for sinusoidal sound modelling | |
Virtanen | Algorithm for the separation of harmonic sounds with time-frequency smoothness constraint | |
Kowalski et al. | Random models for sparse signals expansion on unions of bases with application to audio signals | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
Sturm et al. | Dark energy in sparse atomic estimations | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 | |
JP6741051B2 (ja) | 情報処理方法、情報処理装置およびプログラム | |
Demirli et al. | A high-fidelity time-frequency representation for ultrasonic signal analysis | |
Lagrange et al. | Analysis/synthesis of sounds generated by sustained contact between rigid objects | |
Chen et al. | Uncertainty quantification over spectral estimation of stochastic processes subject to gapped missing data using variational bayesian inference | |
de Oliveira et al. | Artificial neural networks for dictionary selection in adaptive greedy decomposition algorithms with reduced complexity | |
de Oliveira et al. | Implementation of an electrical signal compression system using sparce representation |
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 |