CN108322218A - 基于信息分布模式的随机采样方法 - Google Patents
基于信息分布模式的随机采样方法 Download PDFInfo
- Publication number
- CN108322218A CN108322218A CN201711202624.1A CN201711202624A CN108322218A CN 108322218 A CN108322218 A CN 108322218A CN 201711202624 A CN201711202624 A CN 201711202624A CN 108322218 A CN108322218 A CN 108322218A
- Authority
- CN
- China
- Prior art keywords
- module
- distribution
- signal
- nyquist
- original 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
- H03M1/124—Sampling or signal conditioning arrangements specially adapted for A/D converters
- H03M1/1245—Details of sampling arrangements or methods
- H03M1/1265—Non-uniform sampling
- H03M1/128—Non-uniform sampling at random intervals, e.g. digital alias free signal processing [DASP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/58—Random or pseudo-random number generators
- G06F7/588—Random number generators, i.e. based on natural stochastic processes
-
- 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
Abstract
基于信息分布模式的随机采样方法。自适应地建立与原始信号分布有相似分布特征的随机采样点进行原始信号采集的方法。本方法主要由信号采集模块(1)、信号传感器(5)、FIFO模块(8)、随机数据生成模块(9)、计算机(10)、Y分布模块(12)和信号分析模块(13)组成。当声音带宽22.05KHz时,奈奎斯特采样率需要44.1KHz,才能实现完全重建原始声音;然而,用正态分布模式采样重建原始声音时,只需要采样频率400Hz,就能够获得小于0.3%误差的声音效果。当用Y分布模式采样与奈奎斯特模式采样得到相同信号分辨率的情况下,可以大大压缩Y分布模式采样的数据量。
Description
技术领域
本发明属于信号检测与信息获取技术领域,特别涉及一种基于信息分布而 建立的伪随机采样技术。
背景技术
采样是将一个目标信号转换成一个数值序列的数学方法。在相应时间采集 目标信号数据的采集点我们称为采样点,样本的采样过程称为样本采样,每一 个采样的信号数值称为一个采样样本;两个采样点之间的时间空隙称为采样间 隔;信号采样的时间间隔很小,可以在毫秒和微秒甚至纳秒的量级;采样点的 时间函数为x(t),在采样点采集的信号数值为信号电平,通过模/数转换,将 模拟信号电平值变成为数字信号——称为采样数值或样本数值。
采样定理指出,如果信号是带限的,并且采样频率f高于信号带宽频率F 的两倍,f>2F,那么,原来的连续信号可以从采样样本中完全重建出来;当采 样频率f低于原始信号中频率F的两倍时f≤2F,采样后的频率分量会导致混叠 现象,混叠问题的严重程度与这些混叠频率分量的相对强度有关。f-2F的数值 越小,则混叠现象越严重。
例如:当前一段音乐的频率在22KHz,当采用奈奎斯特采样时,声卡常用的 采样频率f=44.1KHz,每秒采集声音样本44.1千次,能够充分还原原始信号的 频率是F=22.05KHz以下的声音频率,采样频率f越高,获得的声音文件质量 越好,占用存储空间也就越大。一首CD音质的歌曲会占去45M左右的存储空间。
为了压缩音频信号的存储空间,近年来,出现了替代奈奎斯特采样定理的 “压缩采样”理论。用随机采样来获取信号的离散样本,然后通过非线性重建 算法重建信号,实现用不完全的数据组来重建原信号。以下两种措施可避免混 叠的发生:1)提高采样频率,使之达到最高信号频率的两倍以上;2)引入低 通滤波器或提高低通滤波器的参数;该低通滤波器通常称为抗混叠滤波器。这 两种措施依然是建立在均匀采样的基础之上的。
最新发展的“压缩采样信号”理论,即CS理论依靠两个准则:稀疏性和不 连贯性。稀疏性:CS方法发现许多自然信号是十分稀疏并可压缩的,当用适当 的基础特征函数Ψ表述时,他们就能有简明的表达。不连贯性:延续了时间和 频率的二元性,并表明目标在基础特征函数Ψ的区间内有一个稀少的特征并一 定会在他们已有的范围内扩展。这种压缩采样为加速断层成像,模数转换和数 字摄影等一系列应用提供了新的方向。但是,在“压缩采样”理论的实践中发 现,“压缩采样”中的奈奎斯特采样仍然会遵循采样定理的规律出现“混叠”现 象。
发明内容
本发明的目的是基于原信号信息分布情况,自适应地建立起相似分布的随 机采样点,对原始信号进行采样的方法。
为什么“压缩采样信号”理论出现后,至今没有实现这一方法的系统出现? 这是因为该CS理论依靠两个准则:原始信号的稀疏性和不连贯性。长期以来, 人们在不断寻找符合该理论的表达方式或函数,但是到目前为止,没有找到更 好的表达模式。
本发明是将均匀采样点的时间函数x(t),用正态分布、瑞利分布、泊松分 布或二次分布等等不同分布来替代;并且通过调整不均匀分布的统计参数,均 值(μ)和/或方差(σ),以寻找原信号的稀疏性结构,得到用最少的采样点获 得与奈奎斯特采样频率f=2F时相同采样效果的分布,收到了意想不到的结果。 一般来讲,统计参数μ代表分布的中心线位置,μ的变化代表中心线在时间轴上 移动和σ代表分布的变化率,σ越小,分布变化越平坦,σ越大,分布变化越陡 峭。本发明实质是通过不断变换各种分布模式以使该模式能够符合原始信号的 实际分布模式;通过调整统计参数σ使分布的变化规律与原始信号分布的规律重合;通过调整统计参数μ使分布的中心线位置与原始信号分布规律中的中心点位 置重合。
应用工具:遗传算法(见附图1-1遗传算法计算变化流程示意图)。
a)设置进化代数计数器t=0,设置最大进化代数T。
b)计算初始种群P(t)中各个个体的适应度。
c)将选择算子作用于初始种群P(t)。通过对初始种群P(t)中个体的适应度 进行评估,找出较高适应度的个体,作为结果输出;
d)将交叉算子作用于初始种群P(t)。遗传算法中起核心作用的就是交叉算 子,通过两个父代个体的部分结构加以替换重组而生成新个体的操作,以获得 新的更加优化的个体,通过适应度评估,得到较高适应度的个体,作为结果输 出;
如果通过选择和交叉算子仍然没有达到适应度的期望值,或没有达到最大 进化代数T,则继续:
e)将变异算子作用于初始种群P(t)。通过对种群中的个体串的某些基因座 上的基因值作变动,以改变个体的适应度,从而能得到较高适应度的个体。初 始种群P(t)经过选择、交叉和变异运算之后得到下一代种群P(t1);令种群P(t1) 为新一代初始种群P(t);重新对新一代初始种群P(t)中个体适应度作集体评估, 以获得选择、交叉、变异运算的发展特性,即判断如何进化的发展趋势;通过 对适应度优化的P(tx)种群进行多次进化,以得到适应度最高的个体作为结果输 出。
符合终止条件时则转到f);如果不符合终止条件,则令tx=t;P(tx)=P(t), 即P(tx)作为新一代的初始种群P(t)。当对新一代的初始种群P(t)进行再一次 遗传计算时,该新一代初始种群P(t)作为本次计算的初始种群,重新设置最大 进化代数T。转到b)——e)步骤执行,直到P(tx)种群内的个体符合终止条件时 则转到f)。
f)终止条件判断:若达到t=T或明确找到了适应度最高的个体,则以进化 过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
实现本发明的模块有:1-信号采集模块;2-定时器;4-ADC模块;5-信号传 感器;6-通信模块;7-缓存模块;8-FIFO模块;9-随机数据生成模块;10-计算 机;12-Y分布模块;13-信号分析模块。
(A)FIFO模块包含一个通信模块和若干个缓存模块,具有通信功能和存贮 功能,能够让数据按照先进先出的方式进入和发出;
(B)随机数据生成模块,因为计算机只能生成伪随机数,为表述简便以下 仍然称为随机数。随机数据生成模块包括奈奎斯特模块和Y分布模块;Y分布模 块通过变化均值(μ)和/或方差(σ),生成符合多种分布模式的随机数据组; (C)一个Y分布模块-该模块中包含有均匀分布模块、正态分布模块、瑞 利分布模块、泊松分布模块、二项分布模块等;发布各种分布模式的数据组;
(D)信号分析模块根据原始信号数值,用奈奎斯特数据组和/或随机数据 组作数据采样,对采样值进行信号特征计算;并对计算的信号特征进行分析; 信号分析模块是一种遗传算法模块;根据目标信号的特征,查找出具有与目标 信号特征较大适应度(大于或等于阈值)的多个个体作为优解输出。在实际工 作中,为了防止因为查找最优解需要太长的时间,本发明给予一个较宽的阈值, 以取得符合发明人要求的优解,提高时间效率。
本发明的基本原理如下:
①首先标定奈奎斯特分布所得到的分布特征数据为阈值指标;其次是将Y 分布模式的各种分布特征数据组为候选解;
②再其次依据阈值指标,用适应性条件测算这些候选解的适应度;
③根据适应度程度,保留部分适应度符合率90%以上的解为新的候选解,放 弃其他候选解;
④对通过初选后保留的候选解生成新的候选解集;再次依据阈值指标,用 适应性条件测算这些保留的候选解的适应度选出最优解。以进化过程中所得到 的具有最大适应度个体作为最优解输出。
本发明是这样实现的:
步骤1:启动随机数据生成模块的奈奎斯特模块,产生奈奎斯特分布模式的 N个采样点的数据组,称为奈奎斯特数据组。当采样频率f高于信号带宽频率F 的两倍时,f>2F,那么,原来的连续信号可以从采样样本中完全重建出来;所 以奈奎斯特采样是实现原信号完全重建的标准采样方式。采样率高,数据量大, 分析时间长。
步骤2:将奈奎斯特数据组送到FIFO模块,由该FIFO模块一个缓存模块给 予保存;
步骤3:计算机控制从该FIFO模块中取出奈奎斯特数据组,送信号采集模 块;
步骤4:信号采集模块通过定时器与ADC模块组合,按照奈奎斯特数据组采 样点对信号传感器传送来的原始信号进行采样,在奈奎斯特数据组的每一个采 样点采集原始信号数值,由这些原始信号数值组成的数据组称为数值组;并将 采集的原始信号数值组和奈奎斯特数据组一同传回FIFO模块的一个缓存模块给 予保存;奈奎斯特数据组和按照该数据组采集的原始信号数值组,通过信号重 建获得原始信号信息特征,作为采样样本的质量标准。
步骤5:启动随机数据生成模块中Y分布模块,产生各种分布模式的数据组; 如:正态分布模式的数据组,各数据在时间上的分布模式与正态分布的特征相 同;瑞利分布模式的数据组,各数据在时间上的分布模式与瑞利分布的特征相 同等等;每一种不同分布的数据组设同样N个采样点,统一称为Y分布模式数 据组;将各种Y分布模式数据组分别送到FIFO模块各自独立的缓存模块保存;
步骤6:从FIFO模块各种Y分布模式数据组有关的缓存模块中取出Y分布 模式数据组,送信号采集模块;
步骤7:信号采集模块通过定时器与ADC模块的组合,按照送来的Y分布模 式数据组的N个采样点对信号传感器传送来的原始信号进行采样,采集原始信 号数值,将采集的原始信号数值按照各种分布模式组成数据组,称为数值组; 并将采集的原始信号数值组和对应的分布模式数据组一同送回各自的FIFO模块 的缓存模块中给予保存;通过信号重建求得原始信号信息特征;
步骤8:根据计算机发出的指令,接收到计算机发来“输送随机数据组和原 始信号数值组进行计算”的指令时,FIFO模块通过通信模块将奈奎斯特数据组 和采集的原始信号数值组以及Y分布模式数据组和采集的原始信号数值组一同 送信号分析模块;
步骤9:信号分析模块是一种遗传算法模块,通过设置进化代数计数器t=0, 设置最大进化代数T;我们将奈奎斯特采样的原始信号信息特征和Y分布采样的 原始信号信息特征进行比对;通过叠代法不断调整Y分布中各分布的统计参数μ 和/或σ的变化,以及逐步收窄分布区间,减少Y分布数据组两端采样点和Y分 布数据组两端采样数据,获得不同的概率密度;使得各分布随机数据点采样重 建的原始信号信息特征与通过奈奎斯特方式采样重建的原始信号信息特征接 近;对于每一种分布采样重建的原始信号信息特征而言,只要随机数据点采样 重建的原始信号信息特征与奈奎斯特方式采样重建的原始信号信息特征适应度 ≥90%,即为分布的优解数据组;对于绝大部分非优解数据组给予抛弃。
进一步,将以上所得各种分布的优解数据组再送入信号分析模块,通过叠 代法计算,从各种分布的优解数据组在进化过程中所得到重建的原始信号信息 特征与通过奈奎斯特采样方式所得到重建的原始信号信息特征进行比对,将具 有最大适应度的个体作为最优解输出。
步骤10:将Y分布个体数据组最优解存入FIFO模块中的一个缓存模块;作 为产生采样点的唯一分布模式数据组,送信号采集模块作为采集当前原始信号 的采集点。
实验表明,通过以上方法进行的数据采集,能够满足减少采样点的要求。Y 分布模式采样与奈奎斯特采样相比较:一段音乐的频率带宽在22.05KHz,当采 用奈奎斯特采样时,采样率为44.1KHz时,能够获得高保真的声音效果;而同 样的声音效果用Y分布模式采样时,正态分布采样率只需要400Hz,即可得到与 奈奎斯特采样率44.1KHz时失真度误差小于0.3%的数据组。Y分布模式中的正 态分布产生了适应度最高的解,我们将该解输出作为采样当前音乐的频率的唯 一采样模式,获得了最小采样率400Hz,而且能够重建原始信号信息而不产生混 叠现象。结论是采用了Y分布模式采样和采用奈奎斯特模式采样相比,在仍然 保持奈奎斯特较高采样频率所获得的同样分辨率的情况下,Y分布模式采样的数 据量能够大大下降。
附图说明
图1是本发明随机采样系统示意图;
图2是遗传算法计算变化流程示意图;
图3是本发明原始信号分布模式与多种分布模式之比较示意图;
图4是本发明原始信号分布模式与正态分布模式不同统计参数σ的分布之 比较示意图;
图5是本发明原始信号分布模式与正态分布模式不同统计参数μ的分布之 比较示意图;
图6是本发明原始信号分布模式与正态分布模式重叠之比较示意图;
图7是本发明实验中显示器对提琴声音采样中随机采样与奈奎斯特采样频 率谱与时间的对比图;
图8是本发明实验中显示器对提琴声音采样中随机采样与奈奎斯特采样功 率谱对比图;
图9是本发明实验中显示器对233Hz和678Hz信号,采样频率400Hz时的 均匀分布随机采样重建原始信号图;
图10是本发明实验中显示器对233Hz和678Hz信号,采样频率400Hz时的 正态分布随机采样重建原始信号图;
图11是本发明实验中显示器对233Hz和678Hz信号,采样频率400Hz时的 瑞利分布随机采样重建原始信号图;
图12是本发明实验中显示器对233Hz和678Hz信号,采样频率400Hz时的 奈奎斯特采样重建原始信号图;
图13是本发明低音提琴频率检测图,平均采样频率400Hz,低音提琴时域 波形对比示意图;
图14是本发明低音提琴频率检测图,平均采样频率400Hz,采样分布模式 的频谱对比示意图。
说明:1-信号采集模块;2-定时器;4-ADC模块;5-信号传感器;6-通信模 块;7-缓存模块;8-FIFO模块;9-随机数据生成模块;10-计算机;12-Y分布 模块;13-信号分析模块;14-均匀分布;15-正态分布;16-端利分布。
具体实施方式
本发明是这样实现的:系统由计算机10、信号传感器5、信号采集模块1 和FIFO模块8组成。其中:信号采集模块1有定时器2和ADC模块4组成;在 FIFO模块8中有通信模块6和缓存模块7;在计算机10中增加随机数据生成模 块9,包括奈奎斯特模块和Y分布模块12,信号分析模块13完成。
FIFO模块8包含通信模块6和缓存模块7,采用FT2232芯片实现;实现FIFO 模块8与计算机10和信号采集模块1之间的通信,并将需要存储的数据存入缓 存模块7;计算机10通过FIFO模块8给单片机下达工作指令,设置工作模式等, 单片机通过FIFO模块8回馈采样点、采样数值和执行信息。通信模块6负责计 算机10与信号采集模块1的通信,内容包含采样点、采样数值和控制信息。
ADC采样模块由计数器比较匹配中断触发,在ADC模块4控制下完成信号传 感器5对原始信号采样数值后,触发ADC模块4中断服务程序,该程序读取采 样数值,并通过FIFO模块8的通信模块6,将采样点和采样数值一对数据回传 送给FIFO模块8至缓存模块7贮存;FIFO模块8判断没有随机数错误的情况下, 置位于send_ready(准备好)位置,主程序会在数据准备好位置时将准备好的 缓存模块7的数据通过FIFO模块8的通信模块6发送给ADC采样模块。
定时器2工作在比较匹配中断模式,当FIFO模块8置位于准备好位置时, 通过FIFO模块8的通信模块6发送给ADC模块4一个触发信号到比较匹配寄存 器3,比较匹配寄存器3被触发,比较匹配寄存器3的值被更新,设置为下一个 新的随机数,如果新的随机数还没有准备好,则置位在随机数错误标志位,等 待下一个随机数的到来。
计算机10对数据流程进行调整:信号采集模块1包含定时器2与ADC模块 4,以及信号传感器5组成;按照计算机10的要求实现对原始信号的定时采样。
执行步骤如下:
步骤1:启动计算机10随机数据生成模块9的奈奎斯特模块,产生奈奎斯 特分布模式的N个采样点的数据组,称为奈奎斯特数据组;当采样频率f高于 信号带宽频率F的两倍时,f>2F,那么,原来的连续信号可以从采样样本中完 全重建出来;所以奈奎斯特采样是实现原信号完全重建的标准采样方式。采样 率高,数据量大,分析时间长。
步骤2:将奈奎斯特数据组送到FIFO模块8,由该FIFO模块8的一个缓存 模块7给予保存;
步骤3:计算机10控制FIFO模块8从缓存模块7中取出奈奎斯特数据组, 送信号采集模块1;当FIFO模块8接收到计算机10发来“输送随机数据组”的 指令时,会立刻将奈奎斯特数据组送达信号采集模块1,通过定时器2与ADC模 块4配合,根据随机数据设置时间间隔采集点,这些时间间隔符合奈奎斯特分 布模式要求;在每一个时间采集点对原始信号进行数据采集。例如:随机数据 为0.31时,则表示要在0.31秒时间点采集信号数据,随机数据为0.52时,则 表示要在0.52秒时间点采集信号数据,……。如果是其它分布模式,则由于各种分布的随机数据不同,所以,各分布模式下产生的随机数据组时间间隔也不 相同,各随机数据点采集到的原始信号数值也不相同。
步骤4:将分布模式下产生的随机数据和信号采集模块1采集的原始信号数 值进行排列,并存入FIFO模块8缓存模块7;奈奎斯特数据组和按照该数据组 采集的原始信号数值组,通过信号重建获得原信号特征,作为其它分布模式采 样样本的质量标准阈值。
步骤5:启动随机数据生成模块9中Y分布模块12,调出通过随机数据生 成模块9产生Y分布模块12的各种随机分布模式12的采样点的数据组,产生 各种分布模式的数据组;每一种不同分布的数据组设同样N个采样点,统一称 为Y分布模式数据组12;包含了如:正态分布15模式的数据组,各数据在时间 上的分布模式与正态分布的特征相同;瑞利分布16模式的数据组,各数据在时 间上的分布模式与瑞利分布的特征相同;统一称为Y分布模式数据组;将Y分 布模式数据组分别送到FIFO模块8,由FIFO模块8的各个缓存模块7分别给予保存;一种模式的数据组存入一个独立的缓存模块7;
步骤6:从FIFO模块8的各个缓存模块7中取出奈奎斯特数据组和Y分布 模式数据组,送信号采集模块1;
步骤7:信号采集模块1通过定时器2与ADC模块4的组合,按照送来的奈 奎斯特数据组和Y分布模式数据组的N个采样点对信号传感器5送来的原始信 号进行采样,分别采集原始信号数据组成各种分布的数值组;并将采集的原始 信号数值组和对应的分布模式数据组一同送FIFO模块8的有关缓存模块7给 予保存;通过信号重建获得原始信号特征;
步骤8:根据计算机10发出的指令,接收到计算机10发来“输送随机数据 组和原始信号数值组进行计算”的指令时,FIFO模块8通过通信模块6将存贮 在缓存模块7的奈奎斯特模式的随机数据组和原始信号数值组,以及Y分布模 式的随机数据组和原始信号数值组一起送计算机10信号分析模块13;
步骤9:信号分析模块13是一种遗传算法模块,通过设置进化代数计数器 t=0,设置最大进化代数T;我们将奈奎斯特采样的原始信号信息特征和Y分布 采样的原始信号信息特征进行比对,调整Y分布的特征统计参数μ和σ的变化, 逐步收窄分布区间,减少Y分布数据组两端采样点和Y分布数据组两端采样数 据,获得不同的概率密度;使Y分布产生新特征种群P(t);计算特征种群P(t) 中各个个体相对于奈奎斯特特征的适应度;对于每一种分布采样重建的原始信 号信息特征而言,只要随机数据点采样重建的原始信号信息特征与奈奎斯特方 式采样重建的原始信号信息特征适应度仍然≥90%即为优解;由优解所得到的 数据组即为分布的优解数据组;
进一步,将以上所得各种分布的优解数据组再送入信号分析模块1,通过叠 代法计算,从各种分布的优解数据组在进化过程中所得到重建的原始信号信息 特征与通过奈奎斯特采样方式所得到重建的原始信号信息特征进行比对,将具 有最大适应度的个体作为最优解输出。
步骤10:将Y分布个体数据组最优解存入FIFO模块8的一个缓存模块7; 作为本发明采样点的分布模式数据组,送信号采集模块作为采集当前原始信号 的采集点。
实施例一:音频信号的频谱分析
针对一段音频信号,在不知道其信号分布模式时,首先使用Y分布的各种 不同的分布模式规律的采样点进行采样试验,同时应用奈奎斯特采样点进行采 样,然后将通过Y分布模式采样与奈奎斯特模式采样重建的原始信号信息特征 相比较。通过实验:当奈奎斯特采样率为44.1KHz时,能够获得高保真的声音 效果;而同样的声音效果用Y分布模式采样时,正态分布15采样率只需要400Hz, 即可得到与奈奎斯特采样率44.1KHz时失真度误差小于0.3%的数据组。Y分布 模式中的正态分布15产生了适应度最高的解,我们将该解输出,获得了最小采 样率400Hz,而且能够使产生重建的原始信号信息特征。结论是采用了Y分布模 式采样和采用奈奎斯特模式采样相比,在仍然保持奈奎斯特较高采样频率所获 得的同样分辨率的情况下,Y分布模式采样的数据量能够大大下降。
通过实验分析得知:
1.当奈奎斯特采样率为44.1KHz时,能够获得高保真的声音效果;而同样 的声音效果用Y分布模式采样时,正态分布15采样率只需要400Hz,即可得到 与奈奎斯特采样率44.1KHz时失真度误差小于0.3%的数据组。并且从实验中还 得知,在频率谱和功率谱的比较中都能够获得较高保真度。(如图2-1和图2-2 所得)
2.从图4-1、图4-2、图4-3、图4-4分析来看。当用233Hz和678Hz作为 原始信号或者目标信号时,当采用233和678同样采样样本,奈奎斯特分布方 式采样的信号失真度最大,只在1/2采样频率点以及它的倍数点比较有效,只 要是低于采样频率一半的频率信号全部无法还原;然而按照均匀分布14、正态 分布15、端利分布16采样,还原的原始信号频率更丰富和真实,较好地还原了 原始信号信息特征。
Claims (6)
1.基于信息分布模式的随机采样方法,其特征在于:
步骤1:启动计算机(10)随机数据生成模块(9)的奈奎斯特模块,产生奈奎斯特分布模式的N个采样点的数据组,称为奈奎斯特数据组;
步骤2:将奈奎斯特数据组送到FIFO模块(8),由该FIFO模块(8)的1个缓存模块(7)给予保存;
步骤3:计算机(10)控制从FIFO模块(8)的缓存模块(7)中取出奈奎斯特数据组,送信号采集模块(1);
步骤4:信号采集模块(1)按照奈奎斯特数据组采样点对信号传感器(5)传来的原始信号采样,在奈奎斯特数据组的每一个采样点采集原始信号数值;并将采集的原始信号数值组和奈奎斯特数据组一同传回FIFO模块(8)的1个缓存模块(7)给予保存;
步骤5:调出计算机(10)中的Y分布模块(12),Y分布模块(12)通过随机数据生成模块(9)产生Y分布模块(12)的各种随机分布模式的采样点的数据组,称为Y分布模式数据组;将Y分布模式数据组分别送到FIFO模块(8),由FIFO模块(8)的各个缓存模块(7)分别给予保存;一种模式的数据组分别存入一个独立的缓存模块(7)保存;
步骤6:从FIFO模块(8)的各个缓存模块(7)中取出奈奎斯特数据组和Y分布模式数据组,送信号采集模块(1);
步骤7:信号采集模块(1)按照送来的奈奎斯特数据组和Y分布模式数据组的N个采样点对信号传感器(5)送来的原始信号进行采样,将采集的原始信号数值按照各种分布模式组成数据组,称为数值组;并将采集的原始信号数值组和对应的分布模式数据组一同送回FIFO模块(8)的有关缓存模块(7)给予保存;通过信号重建获得原始信号信息特征;
步骤8:根据计算机(10)发出的指令,接收到计算机(10)发来“输送随机数据组和原始信号数值组进行计算”的指令时,FIFO模块(8)通过通信模块(6)将奈奎斯特数据组和原始信号数值组,以及Y分布模式数据组和采集的原始信号数值组一同送计算机(10)信号分析模块(13);
步骤9:信号分析模块(13)通过调整Y分布的特征统计参数μ和σ的变化,使得各分布随机数据点采样重建的原始信号信息特征与通过奈奎斯特方式采样重建的原始信号信息特征趋近;
所得各种分布的优解数据组再送入信号分析模块(13),通过叠代法计算,从各种分布的优解数据组在进化过程中所得到重建的原始信号信息特征与通过奈奎斯特采样方式所得到重建的原始信号信息特征进行比对,将具有最大适应度的个体作为最优解输出;
步骤10:将Y分布个体数据组最优解存入FIFO模块(8)的一个缓存模块(7);送信号采集模块(1)作为采集当前原始信号的采集点。
2.根据权利要求1所述的基于信息分布模式的随机采样方法,其特征在于,各分布随机数据点采样重建的原始信号信息特征与通过奈奎斯特方式采样重建的原始信号信息特征适应度≥90%,即为各种分布的优解数值组;将数据特征适应度<90%的数值组确定为非优解数据给予抛弃。
3.根据权利要求1所述的基于信息分布模式的随机采样方法,其特征在于,
Y分布模块(12)包含均匀分布(14)、正态分布(15)、瑞利分布(16)、泊松分布和二次分布模块,通过随机数据生成模块(9)产生均匀分布(14)、正态分布(15)、瑞利分布(16)、泊松分布和二次分布模式的数据组。
4.根据权利要求1所述的基于信息分布模式的随机采样系统,其特征在于,信号分析模块(13)是一种遗传算法模块。
5.根据权利要求1所述的基于信息分布模式的随机采样系统,其特征在于,信号采集模块(1)应用定时器(2)与ADC模块(4)相配合按照分布数据点的要求采集原始信号数值。
6.根据权利要求1所述的基于信息分布模式的随机采样系统,其特征在于,由计算机(10)发出指令,通过通信模块(6)实现FIFO模块(8)与计算机(10)和信号采集模块(1)之间的通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202624.1A CN108322218B (zh) | 2017-11-27 | 2017-11-27 | 基于信息分布模式的随机采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202624.1A CN108322218B (zh) | 2017-11-27 | 2017-11-27 | 基于信息分布模式的随机采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108322218A true CN108322218A (zh) | 2018-07-24 |
CN108322218B CN108322218B (zh) | 2021-09-07 |
Family
ID=62893065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711202624.1A Active CN108322218B (zh) | 2017-11-27 | 2017-11-27 | 基于信息分布模式的随机采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108322218B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
WO2008117890A1 (ja) * | 2007-03-26 | 2008-10-02 | Toyota Jidosha Kabushiki Kaisha | Mg合金およびその製造方法 |
US20110153419A1 (en) * | 2009-12-21 | 2011-06-23 | Hall Iii Arlest Bryon | System and method for intelligent modeling for insurance marketing |
CN106886842A (zh) * | 2017-03-22 | 2017-06-23 | 华北电力大学 | 一种分布式供电系统的部署方法、装置和计算设备 |
-
2017
- 2017-11-27 CN CN201711202624.1A patent/CN108322218B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008117890A1 (ja) * | 2007-03-26 | 2008-10-02 | Toyota Jidosha Kabushiki Kaisha | Mg合金およびその製造方法 |
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
US20110153419A1 (en) * | 2009-12-21 | 2011-06-23 | Hall Iii Arlest Bryon | System and method for intelligent modeling for insurance marketing |
CN106886842A (zh) * | 2017-03-22 | 2017-06-23 | 华北电力大学 | 一种分布式供电系统的部署方法、装置和计算设备 |
Non-Patent Citations (2)
Title |
---|
NICOL´AS S´AENZ-LECH´ON: "Effects of Audio Compression in Automatic Detection of Voice Pathologies", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
南瑶: "重频激光参数综合测试仪", 《红外与激光工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108322218B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN1172293C (zh) | 有效频谱包络编码方法及其编解码设备 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN106483842B (zh) | 一种高精度智能仿核信号发生系统及其工作方法 | |
CN109086555A (zh) | 采用蒙特卡罗方法的模拟能谱曲线仿真方法 | |
CN104780008A (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
CN108982965A (zh) | 一种频谱分析装置 | |
CN106483551A (zh) | 一种仿核信号发生器及其工作方法 | |
KR20230135516A (ko) | 음향 방출 파형 신호 기반의 암석 파쇄 전조 식별 방법 | |
Therrien et al. | Machine learning at the edge for ultra high rate detectors | |
CN108322218A (zh) | 基于信息分布模式的随机采样方法 | |
CN108307267A (zh) | 基于目标信息分布模式的随机采样系统 | |
Jiang et al. | Performance analysis and improvement of replica selection algorithms for key-value stores | |
CN105138304B (zh) | 数字信号的自适应量化方法及装置 | |
CN103869123B (zh) | 一种具有脉宽测量功能的示波器 | |
CN108055042A (zh) | 基于斜率分布的离散波形数据压缩方法 | |
CN111371624A (zh) | 一种基于环境反馈的战术通信网关键节点识别方法 | |
CN112671486B (zh) | 一种基于神经网络的联合频谱感知方法及系统 | |
CN107450886A (zh) | 一种随机数生成方法及装置 | |
CN108334932B (zh) | 基于目标信号特征的频率区分方法 | |
CN116991145B (zh) | 一种应用于励磁电流的主控单元制备测试方法和装置 | |
CN113051873A (zh) | 基于变分自编码器的轻量级口令猜测字典生成方法及装置 | |
Pastor-Satorras et al. | Branch distribution in diffusion-limited aggregation: a maximum entropy approach | |
CN105117470B (zh) | 数据存储方法和装置 | |
CN110399817B (zh) | 一种基于改进蝙蝠算法的eeg通道选择方法 |
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 |