CN108334932B - 基于目标信号特征的频率区分方法 - Google Patents

基于目标信号特征的频率区分方法 Download PDF

Info

Publication number
CN108334932B
CN108334932B CN201711202667.XA CN201711202667A CN108334932B CN 108334932 B CN108334932 B CN 108334932B CN 201711202667 A CN201711202667 A CN 201711202667A CN 108334932 B CN108334932 B CN 108334932B
Authority
CN
China
Prior art keywords
signal
module
frequency
distribution
data set
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
Application number
CN201711202667.XA
Other languages
English (en)
Other versions
CN108334932A (zh
Inventor
姚萌
苏勇飞
叶征宇
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.)
Zhongke Guanshi Beijing Technology Co ltd
Original Assignee
Zhongke Guanshi Beijing Technology Co ltd
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 Zhongke Guanshi Beijing Technology Co ltd filed Critical Zhongke Guanshi Beijing Technology Co ltd
Priority to CN201711202667.XA priority Critical patent/CN108334932B/zh
Publication of CN108334932A publication Critical patent/CN108334932A/zh
Application granted granted Critical
Publication of CN108334932B publication Critical patent/CN108334932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

基于目标信号特征的频率区分方法。包括信号采集模块(1)、定时器(2)、ADC模块(4)、信号传感器(5)、通信模块(6)、缓存模块(7)、FIFO模块(8)、随机数据生成模块(9)、计算机(10)、Y分布模块(12)、信号分析模块(13)组成。信号采集模块(1)通过定时器(2)与ADC模块(4)组合，由定时器(2)控制第一个固定时间段为采样周期，用Y分布模式数据组采样点间隔定义窗A的宽度和基信号B的陡峭程度，用窗A和基信号B配合对时间周期进行频率搜索，能够得到比奈奎斯特分布模式采样点采样更加清晰的原始信号的信号特征，直到相邻频率完全区分出来。

Description

基于目标信号特征的频率区分方法
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号特征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。
经典的信号分析告诉我们，由傅里叶变化可以分析信号的频谱。但是，我们知道原始信号一般的都是由多波段频率的信号混杂在一起，特别是对非平稳频率变化过程的原始信号，傅里叶变换有局限性区分不开。但是，人们面对原始信号始终同时存在着相近频率的复杂混叠波时，往往需要将各个精微频率清楚地分辨出来。依靠目前的傅里叶变化已无法实现。同时我们还想知道各个频率成分出现的时间。知道信号频率随时间变化的情况，各个时刻的瞬时频率及其幅值——这就是时频分析。
自然界的大量频率混杂的信号都是不均匀分布的，有些频率段信号分布较稀疏，有些频率段信号分布较密集；密集增加采样点，可以分辨出大部分频率的信号；但是，生物信号处理中有这种情形——在某频率段下，几种频率信号的频率差别微小——仅差0.5HZ、0.3HZ，甚至0.1HZ；在种情况下，要想把每一个频率都分辨清楚是很困难的，需要通过特殊的方法来区分，才能实现将每一个细微差别的信号频率特征信息完全区分出来。如果只是简单的增加采样点的密度，这必然导致信号分析设备需要巨量的存贮空间，且对运算速度要求极高，这对于一般用户是很难同时满足的。
举例1：当前对一段频率进行采样时，如果频率点靠得较近，例如：233.5Hz和233.6Hz的两个音频信号混频在一起，采用奈奎斯特采样方法要让233.6Hz和233.6Hz仅差0.1Hz的频率能够清晰地区分开是很困难的。
举例2：如果有678.5Hz和678.6Hz的两个音频信号混频在一起，采用奈奎斯特采样方法将这两个频率区分开来，同样是很困难的。
发明内容
本发明的目的是基于原始信号特征信息情况，自适应地建立起与原始信号特征信息相匹配的随机加窗采样方法。
工作原理如下：
步骤一：将原始信号按照自定义周期给予重新定义，人为将原始信号划分成以每个固定时间段为周期的等长区间；
步骤二：对每个区间执行加窗采样；
步骤三：本发明通过系统生成各种不同分布的数据组——正态分布、瑞利分布、泊松分布或二次分布等等分布形式的数据组；
步骤四：系统进行精微频率搜索时，取出一个分布的数据组，按照数据之间分布的间隔大小取采样窗的宽度和基信号的陡峭程度；当一组数据组执行完毕后，通过调整不均匀分布的统计参数，均值(μ)和/或方差(σ)，以寻找原始信号的信号频率特征信息；
步骤五：比较原始信号的特征信息情况，当满足了人们能够精细的分辨出所需要频率时，停止搜索；当人们仍然不能够精细的分辨出所需要频率时，重新生成一个新的分布数据组，重新执行步骤四，直到满足了人们能够精细的分辨出所需要频率时停止搜索。
在每一个随机加窗采样过程中，给出一个自定义的基信号；这个基信号与窗的宽度相适应——当采样频率较低时，窗的宽度增加，基信号取值平缓；当采样频率升高时，窗的宽度收窄，基信号取值陡峭。
通过调整不均匀分布的统计参数，均值(μ)和/或方差(σ)，以寻找原始信号的特征信息——稀疏性结构，得到对混杂频率的原始信号的频率分辨效果。通过实践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中各频率的实际分布特征信息；通过调整统计参数σ和/或μ使分布的变化规律与原始信号频率分布的特征信息规律重合。
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。
本发明是这样实现的：
信号分析设备：有信号采集模块、定时器、ADC模块、信号传感器、通信模块、缓存模块、FIFO模块、随机数据生成模块、计算机、Y分布模块、信号分析模块组成。
(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最大适应度的个体作为最优解输出。
信号分析设备的分析步骤：
步骤1：将原始信号在有效时间区间内，进行定义分割，分割为每段等长的时间周期；
步骤2：启动随机数据生成模块的Y分布模块，产生正态分布模式的N个采样点的数据组，称为正态分布数据组；将正态分布数据组送到FIFO模块，由该FIFO模块中的一个缓存模块给予保存；
步骤3：计算机控制从该FIFO模块中取出正态分布数据组，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，由定时器控制第一时间周期，用正态分布数据组第二个采样点和第一个采样点的数值差定义窗A1的宽度和基信号B1的陡峭程度，用窗A1和基信号B1配合对第一时间周期进行频率搜索；
步骤5：第一时间周期结束，定时器控制第二时间周期搜索开始；计算机用从正态分布数据组第三个采样点和第二个采样点的数值差定义窗A2的宽度和基信号B2的陡峭程度，用该窗A2和基信号B2配合对第二个时间周期进行频率搜索；
步骤6：第二时间周期结束，定时器控制第三时间周期搜索开始；计算机用从正态分布数据组第四个采样点和第三个采样点的数值差定义窗A3的宽度和基信号B3的陡峭程度，用该窗3和基信号3配合对第三时间周期进行频率搜索；
以此类推
步骤7：第N-1时间周期结束，定时器控制第N时间周期搜索开始；计算机用从正态分布数据组第N个采样点和第N-1个采样点的数值差定义窗AN的宽度和基信号BN的陡峭程度，用该窗AN和基信号BN配合对第N个时间周期进行频率搜索；将N段采样周期的搜索数据为一组，将原始信号频率的信号特征数值按照各段数据分组，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；
步骤8：根据计算机发出的指令，FIFO模块接收到计算机发来“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正态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；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，获得不同的概率密度；使得各频率信号的信号特征趋向清晰，这样就能够将第1频率信号从第2相邻频率的信号中完全区分出来；即将信号分析设备使用的第1频率的窗和相应基信号为分辨原始信号中第1频率的最优解数据组；将信号分析设备使用的第2频率的窗和相应基信号为分辨原始信号中第2频率的最优解数据组；其他非最优解数据组给予抛弃；如果仍然不能使得各频率信号的信号特征趋向清晰，就继续以下步骤；
步骤10：启动随机数据生成模块的Y分布模块，产生瑞利分布模式的N个采样点的数据组，称为瑞利分布数据组；用瑞利分布数据组替换正态分布数据组，重复步骤2到步骤9；
步骤11：启动随机数据生成模块的Y分布模块，产生泊松分布模式的N个采样点的数据组，称为泊松分布数据组；用泊松分布数据组替换正态分布数据组，重复步骤2到步骤9；
使用不同分布模式的数据数分别替代正态分布的数据组，直到能够清晰分辨出各个需要分辨的精微频率为止；
步骤12：将Y分布个体数据组中第1频率最优解的分布数据组存入FIFO模块中的一个缓存模块；作为产生采样点采集第1频率信号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中第1频率的标准采集点；
将Y分布个体数据组中第2频率最优解的分布数据组存入FIFO模块中的一个缓存模块；作为产生采样点采集第2频率信号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中第2频率的标准采集点。
本发明的有益之处在于：使用Y分布模式采样方式，能够将信号频率差较小的两个信号，通过设计不同的窗宽度和基信号进行信号区段搜索，能够清晰地将细微差别的频率的信号特征完全区分出来，实现了人们长期渴望实现但一直无法在普通计算机上实现的频率区分方法。
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是普通信号的相关电位示意图；
图4是普通信号频率变化与加窄窗频率分析的示意图之一；
图5是普通信号频率变化与加宽窗频率分析的示意图之二；
图6本发明混合频率目标信号(233.5Hz+233.6Hz)，Y分布采样频率频谱示意图；
图7本发明混合频率目标信号(233.5Hz+233.6Hz)奈奎斯特分布采样频谱示意图；
图8本发明混合频率目标信号(678.5Hz+678.6Hz)，Y分布采样采样频率采样频谱示意图；
图9本发明混合频率目标信号(678.5Hz+678.6Hz)奈奎斯特分布采样频谱示意图；
图10本发明微波近场空间介电差异探测回波频率的奈奎斯特采样和三种随机插值的时域波形采样点示意图；
图11本发明微波近场空间介电差异探测回波频率前后插值500个采样点频谱图；
图12本发明微波近场空间介电差异探测回波频率前后插值50个采样点频谱图；
图13本发明微波近场空间介电差异探测回波频率前后插值30、50、1K采样点的频谱差异对比图。
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。
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，包括正态分布模块和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发送给采样ADC模块4。
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4一个触发信号在数据采集模块1内的值被更新，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。
实验1：当前对一段频率进行采样时，如果频率点靠得较近时，例如：233.5Hz和233.6Hz的两个音频信号混频在一起，采用奈奎斯特采样方法无法将这两个频率清晰区分开来。此时，通过设计不同的窗宽度和基信号进行信号区段搜索，能够清晰地将细微差别的频率的信号特征完全区分出来。如果在233HZ和234HZ之间，采用正态分布模式的N个采样点，通过设计分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照正态分布的数据间隔设置，对应着在原始信号分割出的N个信号区段分别进行搜索；或者用瑞利分布数据组、再或者泊松分布数据组替代正态分布数据组，分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照瑞利分布或者泊松分布的数据间隔设置，对应着在原始信号分割出的N个信号区段分别进行搜索；同样能够得到准确地将频率区分开的结果图6；7则是用奈奎斯特分布的数据组，分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照奈奎斯特分布的数据间隔设置，即是等间隔设置的，对应着在原始信号分割出的N个信号区段分别进行搜索，得到的是无法将两个精微差别的频率区分开的结果。
实验2：如果678.5Hz和678.6Hz的两个音频信号混频在一起，采用奈奎斯特采样方法无法将这两个频率清晰区分开来。此时，如果正态分布采样点在233HZ和234HZ处，则在233HZ——234HZ之间，采用正态分布模式的N个采样点，通过设计分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照正态分布的数据间隔设置，对应着在原始信号分割出的N个信号区段分别进行搜索；或者用瑞利分布数据组、再或者泊松分布数据组替代正态分布数据组，分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照瑞利分布或者泊松分布的数据间隔设置，对应着在原始信号分割出的N个信号区段分别进行搜索；同样能够得到准确地将频率区分开的结果图8；9则是用奈奎斯特分布的数据组，分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照奈奎斯特分布的数据间隔设置，即是等间隔设置的，对应着在原始信号分割出的N个信号区段分别进行搜索，得到的是无法将两个精微差别的频率区分开的结果。
从实验中可以看出，采用正态分布模式的N个采样点，通过设计分别取出N个窗宽度和基信号，这些窗宽度和基信号均按照正态分布的数据间隔设置，对应着在原始信号分割出的N个信号区段分别进行搜索；能够得到更加清晰的得到原始信号的精微的频率信号特征。采用了瑞利分布或者泊松分布代替正态分布，同样能够清晰的得到原始信号内的精微频率的信号特征。
信号分析设备的分析步骤：
步骤1：将原始信号在有效时间区间内，进行定义分割，分割为每段等长的时间周期；
步骤2：启动随机数据生成模块9的Y分布模块12，产生正态分布模式的N个采样点的数据组，称为正态分布数据组；将正态分布数据组送到FIFO模块8，由该FIFO模块8中的一个缓存模块7给予保存；
步骤3：计算机10控制从该FIFO模块8中取出正态分布数据组，送信号采集模块1；
步骤4：信号采集模块1通过定时器2与ADC模块4组合，由定时器2控制第一个时间周期1，用正态分布数据组第二个采样点和第一个采样点的数值差定义窗A1的宽度和基信号B1的陡峭程度，用窗A1和基信号B1配合对第一个时间周期进行频率搜索；
步骤5：第一时间周期结束，定时器2控制用从正态分布数据组第三个采样点和第二个采样点的数值差定义窗A2的宽度和基信号B2的陡峭程度，用该窗A2和基信号B2配合对第二时间周期进行频率搜索；
步骤6：第二时间周期结束，定时器控制用从正态分布数据组第四个采样点和第三个采样点的数值差定义窗A3的宽度和基信号B3的陡峭程度，用该窗A3和基信号B3配合对第三时间周期进行频率搜索；
以此类推
步骤7：第N-1时间周期结束，定时器控制用从正态分布数据组第N个采样点和第N-1个采样点的数值差定义窗N的宽度和基信号N的陡峭程度，用该窗N和基信号N配合对第N个时间周期进行频率搜索；将N段采样周期的搜索数据为一组，将原始信号频率的信号特征数值按照各段数据分组，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8的缓存模块7中给予保存；
步骤8：根据计算机10发出的指令，FIFO模块8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将正态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13；
步骤9：信号分析模块10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；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，获得不同的概率密度；使得各频率信号的信号特征趋向清晰，这样就能够将第1频率信号从第2相邻频率的信号中完全区分出来；即将信号分析设备使用的第1频率的窗和相应基信号为分辨原始信号中第1频率的最优解数据组；将信号分析设备使用的第2频率的窗和相应基信号为分辨原始信号中第2频率的最优解数据组；其他非最优解数据组给予抛弃；如果仍然不能使得各频率信号的信号特征趋向清晰，就继续以下步骤；
步骤10：启动随机数据生成模块9的Y分布模块12，产生瑞利分布模式的N个采样点的数据组，称为瑞利分布数据组；用瑞利分布数据组替换正态分布数据组，重复步骤2到步骤9；
步骤11：启动随机数据生成模块的Y分布模块，产生泊松分布模式的N个采样点的数据组，称为泊松分布数据组；用泊松分布数据组替换正态分布数据组，重复步骤2到步骤9；
使用不同分布模式的数据数分别替代正态分布的数据组，直到能够清晰分辨出各个需要分辨的精微频率为止；
步骤12：将Y分布个体数据组中第1频率最优解的分布数据组存入FIFO模块8中的一个缓存模块7；作为产生采样点采集第1频率信号的唯一分布模式数据组，送信号采集模块1作为采集当前原始信号中第1频率的标准采集点；
将Y分布个体数据组中第2频率最优解的分布数据组存入FIFO模块8中的一个缓存模块7；作为产生采样点采集第2频率信号的唯一分布模式数据组，送信号采集模块1作为采集当前原始信号中第2频率的标准采集点。
实验3：对微波近场空间介电特性探测回波的检测实验。实验中分别采用了奈奎斯物插值采样和三种随机分布插值采样；见附图10、附图11、附图12、附图13：这些附图是在示波仪器上显示窗口的直接截屏，用黑色的表示为插值前的微波近场空间的介电特性回波曲线示意图；绿色的为采用均匀分布14插值的微波回波的介电特性曲线示意图；粉色的为采用的正态分布插值微波回波的介电特性曲线示意图；淡兰色的为采用的瑞利分布插值微波回波的介电特性曲线示意图；天兰色的为采用的奈奎斯特分布插值微波回波的介电特性曲线示意图。
实验中分别在奈奎斯特采样的基础上，从采样的两个相邻点之间插入了50个、500个和1000个窗口插值。
从回波曲线中可以看出，当插值在50个时，均匀分布14差值与近场原始信号回波差值为0.1394；当插值在500个时，正态分布差值与近场原始信号回波差值为0.1381；可见在500个以下插值时，插值的数量和分布都产生明显的影响，当达到1000Hz时，并且采用瑞利分布方式插值的近场微波原始信号回波的差值达到0.4074。证明了当用Y分布模式采样与奈奎斯特模式采样时相同数据量的情况下，就能为我们提供比奈奎斯特采样所获得的更高的频率分辨率，便于从近场微波探测场景中分离出不同频率的原始信号。

Claims (4)

1.基于目标信号特征的频率区分方法，其特征在于：
步骤1：将原始信号在有效时间区间内，进行定义分割，分割为每段等长的时间周期；
步骤2：启动随机数据生成模块(9)的Y分布模块(12)，产生正态分布模式的N个采样点的数据组，称为正态分布数据组；将正态分布数据组送到FIFO模块(8)，由该FIFO模块(8)中的一个缓存模块(7)给予保存；
步骤3：计算机(10)控制从该FIFO模块(8)中取出正态分布数据组，送信号采集模块(1)；
步骤4：信号采集模块(1)通过定时器(2)与ADC模块(4)组合，由定时器(2)控制固定时间段，为采样时间周期；并且控制第一时间周期的开始，计算机(10)用正态分布数据组第二个采样点和第一个采样点的数值差定义窗A1的宽度和基信号B1的陡峭程度，用窗A1和基信号B1配合对第一时间周期进行频率搜索；
步骤5：第一时间周期结束，定时器(2)控制第二时间周期搜索开始；计算机(10)用正态分布数据组第三个采样点和第二个采样点的数值差定义窗A2的宽度和基信号B2的陡峭程度，用该窗A2和基信号B2配合对第二时间周期进行频率搜索；
步骤6：第二时间周期结束，定时器(2)控制第三时间周期搜索开始；计算机(10)用正态分布数据组第四个采样点和第三个采样点的数值差定义窗A3的宽度和基信号B3的陡峭程度，用该窗A3和基信号B3配合对第三个时间周期进行频率搜索；
以此类推
步骤7：第N-1个时间周期结束，定时器控制第N时间周期搜索开始；计算机(10)用从正态分布数据组第N个采样点和第N-1个采样点的数值差定义窗AN的宽度和基信号BN的陡峭程度，用该窗AN和基信号BN配合对第N个时间周期进行频率搜索；将N段采样周期的搜索数据为一组，将原始信号频率的信号特征数值按照各段数据分组，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(8)的缓存模块(7)中给予保存；
步骤8：根据计算机(10)发出的指令，FIFO模块(8)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)将正态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(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；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，获得不同的概率密度；使得各频率信号的信号特征趋向清晰，这样就能够将第1频率信号从第2相邻频率的信号中完全区分出来；即将信号分析设备使用的第1频率的窗和相应基信号为分辨原始信号中第1频率的最优解数据组；将信号分析设备使用的第2频率的窗和相应基信号为分辨原始信号中第2频率的最优解数据组；其他非最优解数据组给予抛弃。
2.根据权利要求1所述基于目标信号特征的频率区分方法，其特征在于：
步骤12：将Y分布个体数据组中第1频率最优解的分布数据组存入FIFO模块(8)中的一个缓存模块(7)；作为产生采样点采集第1频率信号的唯一分布模式数据组，送信号采集模块(1)作为采集当前原始信号中第1频率的标准采集点；
将Y分布个体数据组中第2频率最优解的分布数据组存入FIFO模块(8)中的一个缓存模块(7)；作为产生采样点采集第2频率信号的唯一分布模式数据组，送信号采集模块(1)作为采集当前原始信号中第2频率的标准采集点。
3.根据权利要求2所述基于目标信号特征的频率区分方法，其特征在于：如果仍然不能使得各频率信号的信号特征趋向清晰，就继续以下步骤；
步骤10：启动随机数据生成模块(9)的Y分布模块(12)，产生瑞利分布模式的N个采样点的数据组，称为瑞利分布数据组；用瑞利分布数据组替换正态分布数据组，重复步骤2到步骤9；使用不同分布模式的数据数分别替代正态分布的数据组，直到能够清晰分辨出各个需要分辨的精微频率为止。
4.根据权利要求2所述基于目标信号特征的频率区分方法，其特征在于：如果仍然不能使得各频率信号的信号特征趋向清晰，就继续以下步骤；
步骤11：启动随机数据生成模块的Y分布模块，产生泊松分布模式的N个采样点的数据组，称为泊松分布数据组；用泊松分布数据组替换正态分布数据组，重复步骤2到步骤9；直到能够清晰分辨出各个需要分辨的精微频率为止。
CN201711202667.XA 2017-11-27 2017-11-27 基于目标信号特征的频率区分方法 Active CN108334932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711202667.XA CN108334932B (zh) 2017-11-27 2017-11-27 基于目标信号特征的频率区分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711202667.XA CN108334932B (zh) 2017-11-27 2017-11-27 基于目标信号特征的频率区分方法

Publications (2)

Publication Number Publication Date
CN108334932A CN108334932A (zh) 2018-07-27
CN108334932B true CN108334932B (zh) 2022-03-29

Family

ID=62922274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711202667.XA Active CN108334932B (zh) 2017-11-27 2017-11-27 基于目标信号特征的频率区分方法

Country Status (1)

Country Link
CN (1) CN108334932B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050086226A (ko) * 2004-02-25 2005-08-30 주식회사 쏠리테크 미드앰블을 이용하여 각 셀의 신호를 구별하는 셀룰러직교 주파수 분할 다중 접속 시스템
CN101349742A (zh) * 2008-08-29 2009-01-21 西安电子科技大学 用于宽带相控阵阵元间距优化和频域多目标测频测向方法
CN102183755A (zh) * 2010-12-22 2011-09-14 中国船舶重工集团公司第七一五研究所 一种基于柯西-高斯模型的新型高分辨方位估计方法
CN102572849A (zh) * 2012-02-03 2012-07-11 厦门大学 一种结合图论与遗传算法的移动通信自动频率规划方法
CN103279332A (zh) * 2013-06-09 2013-09-04 浪潮电子信息产业股份有限公司 一种基于gpu-cuda平台以及遗传算法的数据流并行处理方法
CN105426583A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于同步的同质传感器融合处理方法
CN105553896A (zh) * 2015-11-30 2016-05-04 华南理工大学 宽带多频稀疏信号的非均匀采样与重建方法
CN106443588A (zh) * 2016-05-23 2017-02-22 中国人民解放军63892部队 一种lfmcw信号快速检测和估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9532735B2 (en) * 2013-10-23 2017-01-03 King Abdullah University Of Science And Technology Apparatus and method for wireless monitoring using ultra-wideband frequencies

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050086226A (ko) * 2004-02-25 2005-08-30 주식회사 쏠리테크 미드앰블을 이용하여 각 셀의 신호를 구별하는 셀룰러직교 주파수 분할 다중 접속 시스템
CN101349742A (zh) * 2008-08-29 2009-01-21 西安电子科技大学 用于宽带相控阵阵元间距优化和频域多目标测频测向方法
CN102183755A (zh) * 2010-12-22 2011-09-14 中国船舶重工集团公司第七一五研究所 一种基于柯西-高斯模型的新型高分辨方位估计方法
CN102572849A (zh) * 2012-02-03 2012-07-11 厦门大学 一种结合图论与遗传算法的移动通信自动频率规划方法
CN103279332A (zh) * 2013-06-09 2013-09-04 浪潮电子信息产业股份有限公司 一种基于gpu-cuda平台以及遗传算法的数据流并行处理方法
CN105426583A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于同步的同质传感器融合处理方法
CN105553896A (zh) * 2015-11-30 2016-05-04 华南理工大学 宽带多频稀疏信号的非均匀采样与重建方法
CN106443588A (zh) * 2016-05-23 2017-02-22 中国人民解放军63892部队 一种lfmcw信号快速检测和估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A novelistic design approach of a Nakagami-m Fading channel simulator on FPGA using random number generator;B. Santhosh Kumar等;《2016 International Conference on Inventive Computation Technologies (ICICT)》;20170126;1-6 *
Based on the Time-Frequency Analysis to Distinguish Different Epileptiform EEG Signals;Hua Guo等;《2009 3rd International Conference on Bioinformatics and Biomedical Engineering》;20090714;1-3 *
基于图像序列的运动目标检测与跟踪研究;刘海;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170315(第3期);I138-5291 *
短波宽带扩频数据传输系统关键技术研究;刘武当;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20130415(第4期);I136-746 *

Also Published As

Publication number Publication date
CN108334932A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN110113075B (zh) 基于stft-spwvd的混合网台跳频参数盲估计方法
CN108462544B (zh) 一种频谱感知方法及装置
US7230233B2 (en) Analysis of data from a mass spectrometer
JP2001352350A (ja) 連続ビットストリームの統計的アイダイアグラムによる測定装置及び方法
CN106483550B (zh) 一种模拟能谱曲线仿真方法
WO1984002992A1 (en) Signal processing and synthesizing method and apparatus
Cain et al. Convolutional neural networks for radar emitter classification
EP3293882B1 (en) Systems and methods for parallelizing and pipelining a tunable blind source separation filter
CN106483842B (zh) 一种高精度智能仿核信号发生系统及其工作方法
CN111368892A (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
CN111089994A (zh) 多信道触发设备及方法
US10585130B2 (en) Noise spectrum analysis for electronic device
CN108334932B (zh) 基于目标信号特征的频率区分方法
CN108307267B (zh) 基于目标信息分布模式的随机采样系统
CN111079608A (zh) 一种快速射电暴实时搜寻方法
CN115630277A (zh) 一种数据信号的处理方法
CN114580468A (zh) 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法
CN113987980B (zh) 一种图形物理phd流行仿真实现方法
CN107037262B (zh) 一种大数据频谱分析系统及其方法
CN108322218B (zh) 基于信息分布模式的随机采样方法
CN106483867B (zh) 仿核信号发生系统用处理器的工作方法
JP2018179548A (ja) ジッタパルス列解析装置およびジッタパルス列解析方法
CN109870608B (zh) 一种基于cpu+gpu架构的数字荧光频谱分析方法
CN116720067A (zh) 基于振荡信号的质谱图全局峰信息特征描述方法和装置
CN210053389U (zh) 一种用于四极质谱仪的基于fpga的数字滤波器

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