CN109186749A - 一种多参数优化的自适应随机共振水声信号检测方法 - Google Patents
一种多参数优化的自适应随机共振水声信号检测方法 Download PDFInfo
- Publication number
- CN109186749A CN109186749A CN201810978175.8A CN201810978175A CN109186749A CN 109186749 A CN109186749 A CN 109186749A CN 201810978175 A CN201810978175 A CN 201810978175A CN 109186749 A CN109186749 A CN 109186749A
- Authority
- CN
- China
- Prior art keywords
- signal
- individual
- underwater
- resonance system
- stochastic resonance
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种多参数优化的自适应随机共振水声信号检测方法,解决了现有技术中随机共振的系统结构参数和计算步长选取难的问题。实现步骤为:确定随机共振系统多参数的搜索范围和搜索精度;二进制编码;初始化种群;确定初始化种群中个体选次数;交叉运算;变异运算;二进制解码;接收机接收水声信号;计算适应度值;输出判决。本发明将输出信噪比增益和误比特率作为适应度函数,用遗传算法对随机共振结构参数和计算步长进行自适应调整,最优地检测出近海水下复杂信道下的微弱水声信号。本发明大幅度提高了输出信号的信噪比增益,降低了误比特率,用于近海水下通信中水声信号检测。
Description
技术领域
本发明属于通信技术领域,特别涉及水声信号检测,具体是一种多参数优化的自适应随机共振水声信号检测方法,可用于提高近海水下通信中水声信号检测性能。
通过随机共振系统结构参数a、b和计算步长h多参数联合优化方法。
背景技术
海洋环境极其复杂,相对于水面和空中,透明度不高,水声通信是研制海洋观测系统的关键技术,也是水下无线通信中可实现远程信息传输的通信形式。为此,世界各国积极推进水下通信网络建设。通过可靠的通信链路构建分布自主式水下信息网络体系,实现对水下信息的广泛获取、自由联通、高度融合、交互共享和应用,可以采集有关海洋学的数据,监测环境污染,探查海底目标,以及远距离图像传输等科研活动。由于水声通信技术的敏感性以及巨大应用价值,国外长期将之列为禁止出口中国的高技术产品,目前仍严格控制。
由于浅海环境复杂,环境噪声使信噪比很低,水下通信技术的发展面临巨大困难。为了自适应的应对复杂多变的近海水下战场环境,检测微弱水声通信信号变得极为重要。近年来,众多学者提出了基于非线性随机共振的水声信号检测方法,在一定程度上克服传统线性检测方法在水下无法应用的缺陷,实现了水声信号在低信噪比条件下的可靠传输,保证了用水下通信在极端环境中的正常使用,对构建我国水下信息网络体系具有重要的理论价值和实际意义。
基于随机共振通信信号检测技术提出以来,得到众多学者专家的广泛关注。其中,基于自适应随机共振水声信号的检测基本原理是,根据近海水下复杂信道特点,自适应调节随机共振系统结构参数,使噪声、信号和随机共振系统产生共振特性,达到提高水下通信信号性能的目的。
在现有技术中,国防科技大学胡茑庆教授提出了基于单参数调整的机械故障检测,西安电子科技大学吴利平博士提出以输出信噪比为适应度函数对自适应随机共振系统结构参数a,b进行联合优化,对周期性正弦微弱信号进行检测。西安电子科技大学刘进博士根据输入通信信号的码元间隔和噪声强度对系统结构参数a,b进行尺度变换,实现自适应随机共振对通信信号的检测。天津大学王太勇教授提出了基于粒子群算法的自适应随机共振的滚动轴承内圈故障检测。
现有技术方法仅实现了系统结构参数的单参数结构优化或者是通过尺度变换对结构参数进行优化,并忽略计算步长对水声信号检测的影响,并没有完全实现随机共振优势,无法应用于近海水下通信中。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种提高信噪比的多参数优化的自适应随机共振水声信号检测方法。
本发明是一种多参数优化的自适应随机共振水声信号检测方法,其特征在于,应用于近海水下通信,随机共振描述的是非线性系统中内噪声或外噪声的存在可以增加系统输出的响应,用信号源产生矩形脉冲信号得到原始水声信号,通过水下潜艇接收端的通信接收机接收水声信号,包括有如下步骤:
(1)确定随机共振系统多参数的搜索范围和搜索精度:设置随机共振系统第一结构参数a、第二结构参数b以及计算步长h的大致搜索范围和搜索精度δ,其中a、b均为势函数参数。
(2)对第一结构参数a,第二结构参数b,计算步长h进行二进制编码:对随机共振系统结构参数a、b和计算步长h进行二进制编码,编码长度为l+k+j。
(3)初始化种群:初始化遗传种群规模,设置种群大小pop,迭代的最大次数itmax,选择概率为p1,交叉概率为p2,变异概率为p3。
(4)确定初始化种群中个体被选中的次数:把当前初始化群体中适应度fi较高的个体按适应度函数遗传到下一代群体中,具体流程为:
4a)根据适应度函数计算出初始化群体中所有个体的适应度fi,所有个体的适应度总和为
4b)计算出每个个体的相对适应度大小即为每个个体被遗传到下一代群体的选择概率pi,每个选择概率值pi组成一个区域,全部选择概率值之和为1;
4c)产生一个0到1之间的随机数x,依据该随机数x出现在哪一块选择概率区域pi确定各个个体被选中的次数m,次数m=pop×pi。
(5)交叉运算:
对初始化种群中的个体进行两两配对,并随机确定相互交换染色体的位置,相互交换两个个体之间的部分染色体产生新的个体。
(6)变异运算:
在初始化种群中的每一个个体,以变异概率p3改变某些基因为等位基因,即在变异点的位置上,“1”变成“0”或者“0”变成“1”。
(7)对第一结构参数a,第二结构参数b,计算步长h进行二进制解码:
对初始化种群中的个体进行解码,即对二进制编码为 clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1进行解码,由解码公式得到二进制编码对应的随机共振系统结构参数a、b和计算步长h,进而得到信噪比增益函数和误比特率函数。
(8)水下潜艇的通信接收机接收水声信号:发送端在近海水下输入原始水声信号,水下潜艇通信接收机接收从近海水下传递的原水声信号。
(9)计算适应度值:以随机共振系统作为通信信号接收处理器,以随机共振输出的信噪比增益函数和误比特率函数作为适应度函数,通过适应度函数计算出适应度值,信噪比增益是衡量输出信号质量的指标,在随机共振系统结构参数a、b和计算步长h的共同作用下,对随机共振系统的输出信号x(t)进行信噪比估计,随机共振输出信噪比增益可以记为SNRgain(a,b,h)。
用误比特率来衡量信号在规定时间内传输精确性的指标,随机共振系统输出信号x(t) 在随机共振系统结构参数a、b和计算步长h的共同作用下,误比特率Pe(a,b,h)是关于随机共振系统结构参数a、b和计算步长h的函数,记为Pe(a,b,h)。
(10)输出判决:
判断:是否达到最大迭代次数,如果迭代次数满足最大迭代次数,输出末代种群中个体对应的适应度值,适应度值以信噪比增益和误比特率来表示,即得到随机共振系统结构参数a、b和计算步长h的最优值,使随机共振输出信噪比和误比特率达到最优,由最优结果恢复出原始水声信号;如果迭代次数不满足最大迭代次数,重复执行步骤4至步骤10,直到得到最优化值a,b和计算步长h,完成水声信号检测。
本发明提高信噪比增益,降低通信误比特率的多参数优化的自适应随机共振水声信号检测方法,适用于实际近海水下复杂信道。
与现有技术相比本发明具有以下优点:
1.本发明引入遗传优化算法后,对系统结构参数a、b和计算步长h进行多参数联合优化,提高了自适应随机共振对近海水下通信中水声信号检测性能。
2.本发明通过遗传优化算法的迭代寻优原理,有效地提高了自适应随机共振的输出信噪比增益。
3.本发明以自适应随机共振作为通信接收机检测水声信号,降低了通信误比特率。
附图说明
图1为本发明的流程图;
图2为采用本发明在不同噪声强度下输出信噪比增益曲线对比图;
图3为采用本发明在不同输入信噪比下的误比特率曲线对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图对本发明详细说明。
实施例1
基于自适应随机共振水声信号的检测基本原理是,根据近海水下复杂信道特点,自适应调节随机共振系统结构参数,使噪声、信号和随机共振系统产生共振特性,达到提高水下通信信号性能的目的。
现有技术方法仅实现了系统结构参数的单参数结构优化或者通过尺度变换对结构参数进行优化,并忽略计算步长对水声信号检测的影响。从实际意义上来讲,现有技术方法并没有完全实现随机共振优势,无法应用于近海水下通信中。本发明的目的在于针对上述现有技术的不足,提出一种提高信噪比的多参数优化的自适应随机共振水声信号检测方法,可以应用于近海水下通信。参见图1,应用于近海水下通信,用信号源产生矩形脉冲信号,发送0和1,得到原始水声信号,发送端发送原始水声信号,在近海水下通信,通过水下潜艇接收端的通信接收机接收水声信号,包括有如下步骤:
(1)确定随机共振系统多参数的搜索范围和搜索精度:本发明中的多参数是指第一结构参数a、第二结构参数b、计算步长h的搜索范围和随机共振系统多参数的搜索精度δ:设置随机共振系统第一结构参数a、第二结构参数b以及计算步长h的大致搜索范围a∈[0,10],b∈[0,10],h∈[0,1]和随机共振系统多参数的搜索精度δ=0.01,其中a、b均为势函数参数。
(2)对第一结构参数a,第二结构参数b,计算步长h进行二进制编码:对随机共振系统结构参数a、b和计算步长h进行二进制编码,二进制编码总长度为l+k+j,其中第一结构参数a的编码长度为l,第二结构参数b的编码长度为k,计算步长h的编码长度为j。
(3)初始化种群:初始化遗传种群规模,设置种群大小pop=50,迭代的最大次数itmax=200,选择概率为p1=0.8,交叉概率为p2=0.2,变异概率p3=0.2。
(4)确定初始化种群中个体被选中的次数:把当前初始化群体中适应度fi较高的个体按适应度函数遗传到下一代群体中,具体流程为:
4a)根据适应度函数计算出初始化群体中所有个体的适应度fi,所有个体的适应度总和为
4b)计算出每个个体的相对适应度大小即为每个个体被遗传到下一代群体的选择概率pi,每个选择概率值pi组成一个区域,全部选择概率值之和为1;
4c)产生一个0到1之间的随机数x,依据该随机数x出现在哪一块选择概率区域pi确定各个个体被选中的次数m,次数m=pop×pi;随机数x出现的概率区域pi即为适应度函数遗传到下一代群体。
(5)交叉运算:
对初始化种群中的个体进行两两配对,并随机确定相互交换染色体的位置,相互交换两个个体之间的部分染色体产生新的个体。
(6)变异运算:
在初始化种群中的每一个个体,以变异概率p3改变某些基因为等位基因,即在变异点的位置上,“1”变成“0”或者“0”变成“1”。
(7)对第一结构参数a,第二结构参数b,计算步长h进行二进制解码:
对初始化种群中的个体进行解码,即对二进制编码为 clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1进行解码,由解码公式得到二进制编码对应的随机共振系统结构参数a、b和计算步长h,进而得到信噪比增益函数和误比特率函数。
(8)水下潜艇的通信接收机接收水声信号:发送端在近海水下输入原始水声信号,水下潜艇通信接收机接收从近海水下传递的原水声信号。
(9)计算适应度值:以随机共振系统作为通信信号接收处理器,以随机共振输出的信噪比增益函数和误比特率函数作为适应度函数,也就是说适应度函数之一为信噪比增益函数,之二为误比特率函数,通过适应度函数计算出适应度值。随机共振系统输出的信号即为恢复出的原始水声信号。信噪比增益是衡量输出信号质量的指标,在随机共振系统结构参数a、b和计算步长h的共同作用下,对随机共振系统的输出的水声信号x(t)进行信噪比估计,随机共振输出信噪比增益可以记为SNRgain(a,b,h)。
用误比特率来衡量水声信号在规定时间内传输精确性的指标,随机共振系统输出水声信号x(t)在随机共振系统结构参数a、b和计算步长h的共同作用下,误比特率Pe(a,b,h)是关于随机共振系统结构参数a、b和计算步长h的函数,记为Pe(a,b,h)。
(10)输出判决:
判断:是否达到最大迭代次数itmax=200,如果迭代次数满足最大迭代次数 itmax=200,输出末代种群中个体对应的适应度值,适应度值以信噪比增益和误比特率来表示,即通过遗传优化算法得到随机共振系统结构参数a、b和计算步长h的最优值,使随机共振输出信噪比和误比特率达到最优,由最优结果恢复出原始水声信号,完成水声信号检测;如果迭代次数不满足最大迭代次数itmax=200,重复执行步骤4至步骤10,直到得到最优化值a,b和计算步长h,完成水声信号检测。
本发明针对现有技术的不足,提出一种提高信噪比的多参数优化的自适应随机共振水声信号检测方法,该方法引入遗传优化算法,对随机共振系统结构参数a、b和计算步长h进行多参数联合优化,提高了自适应随机共振对近海水下通信中水声信号检测性能,提高了随机共振系统输出信噪比增益,降低了随机共振系统的误比特率。
实施例2
多参数优化的自适应随机共振水声信号检测方法同实施例1,步骤2中所述的二进制编码,根据下式确定随机共振系统第一结构参数a、第二结构参数b和计算步长h对应的编码长度l、k和j:
系统结构参数a、b和计算步长h的二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej- 1ej-2…e1。
对第一结构参数a的编码:由于区间长度为Amax-Amin=10,为了保证精度的要求,至少把大致搜索范围即区间[0,10]分为10×100等份。因为29=512<1000<210=1024,所以编码的二进制串至少10位,即a的编码长度为l=10,此为对a编码的具体过程。 b和h的编码以此类推,b的编码长度为k=10,h的编码长度为j=7。
实施例3
多参数优化的自适应随机共振水声信号检测方法同实施例1-2,步骤5中所述的交叉算子,具体流程为:
(1)先对群体进行随机配对;
(2)随机设置交叉点位置;
(3)相互交换配对染色体之间的部分基因。
其过程如下式所示:
式中,χ1,χ2为一组配对的个体;X1,X2为两个配对个体通过交叉算子后产生两个新的个体,p2为交叉概率。
本发明把多参数全局同步寻优过程类似看成种群中个体之间不断迭代进化适应环境的过程,种群中个体的进化主要通过种群中个体的基因经过交叉实现,经过不断个体更新,使整个种群向着适应环境的方向进化。
实施例4
多参数优化的自适应随机共振水声信号检测方法同实施例1-3,步骤7中所述的二进制解码,对种群中的个体进行解码,即对二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej- 1ej-2…e1进行解码,其中解码公式如下所示:
由解码公式得到二进制编码对应的随机共振系统结构参数a、b和计算步长h。
对第一结构参数a进行解码:通过下面两个步骤把一个二进制串clcl-1cl-2…c1转换为区间里面对应的实数值:
7a)将一个二进制串代表的二进制转换为十进制数:
7b)对应区间的实数:
以此类推,可以得到b和h的解码,
实施例5
多参数优化的自适应随机共振水声信号检测方法同实施例1-4,步骤9中所述的适应度值,包括随机共振系统输出信噪比增益和误比特率,适应度函数包括输出信噪比增益函数和误比特率函数,信噪比增益函数和误比特率函数是相互独立的,式子如下所示:随机共振系统输出信噪比增益函数为:
其中:SNRout(a,b,h)为输出信噪比;SNRin为输入信噪比;
随机共振系统误比特率函数为:
式中,P(-A|A)表示发送端发送的码元是A,接收端接收到的码元是-A时码元错误的概率,P(A|-A)表示发送端发送的码元是-A,接收端接收到的码元是A时码元错误的概率。
本发明中,把多参数全局同步寻优过程类似看成种群中个体之间不断迭代进化适应环境的过程,种群中个体的进化主要通过种群中个体的基因经过选择、交叉和变异算子实现,经过不断个体更新,使整个种群向着适应环境的方向进化。把随机共振系统结构参数和计算步长的进行二进制基因编码,经过选择、交叉和变异算子更新系统结构参数和计算步长的二进制基因编码,通过解码还原系统结构参数和计算步长,并利用信噪比增益和误比特率作为适应度函数表示种群中个体对自然环境的适应度,对系统结构第一参数a、第二结构参数b和计算步长h不断迭代寻优的计算过程。
为了使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图给出一个更加详细的例子,对本发明进一步说明。
实施例6
多参数优化的自适应随机共振水声信号检测方法同实施例1-5,在本发明中,把多参数全局同步寻优过程类似看成种群中个体之间不断迭代进化适应环境的过程,种群中个体的进化主要通过种群中个体的基因经过选择、交叉和变异算子实现,经过不断个体更新,使整个种群向着适应环境的方向进化。把随机共振系统结构参数和计算步长的进行二进制基因编码,经过选择、交叉和变异算子更新系统结构参数和计算步长的二进制基因编码,通过解码还原系统结构参数和计算步长,并利用信噪比增益和误比特率作为适应度函数表示种群中个体对自然环境的适应度,对系统结构参数和计算步长不断迭代寻优的计算过程。
参照图1,下面对本发明的实现步骤做进一步详细的阐述:
步骤1,确定随机共振第一结构参数a、第一结构参数b,计算步长h的搜索范围和搜索精度δ:设置随机共振系统结构参数a、b和计算步长h的大致搜索范围和搜索精度δ,即a∈[0,10],b∈[0,10],h∈[0,1],搜索精度δ决定着每个个体的编码长度,一般取值为0.01。
步骤2,对第一结构参数a,第二结构参数b,计算步长h进行二进制编码:
用Langevin方程描述随机共振理论,Langevin方程如下所示:
其中:a、b是随机共振的结构参数;s(t)为离散水声信号;x(t)为系统输出信号;n(t)为均值为0的高斯白噪声。系统结构参数a影响双稳态随机共振的响应速度,系统结构参数b影响随机共振势函数的势垒高度。
Langevin方程是非线性随机微分方程,目前没有解析解,只能采用四阶Runge-Kutta 法进行数值迭代求解,求解过程如下所示:
其中:n=1,2,……,N,Sn和xn分别是随机共振输入信号s(t)和输出x(t)的第n个采样值。h 为数值计算步长,其值的过大或者过小直接影响对被检测噪声信号的恢复。
对系统第一结构参数a、第二结构参数b和计算步长h进行二进制编码,本案例的基因值只能取“1”和“0”,可以根据下式确定系统结构参数a、b和计算步长h对应的编码长度l、k和j:
由系统结构参数a、b和计算步长h对应的编码长度,对系统结构参数a、b和计算步长h 进行编码。系统结构参数a对应的二进制编码为:clcl-1cl-2…c1;系统结构参数b对应的二进制编码为:dkdk-1dk-2…d1;计算步长h对应的二进制编码为:ejej-1ej-2…e1,可知系统结构参数a、b和计算步长h的二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1。
步骤3,初始化种群:
初始化遗传种群规模,由于对系统结构参数a、b和计算步长h进行编码,可知编码长度为l+k+j,本例中设置种群大小pop=50,迭代的最大次数itmax=150,选择概率为 p1=0.8,交叉概率为p2=0.2,变异概率p3=0.2。p1 p2 p3为[0,1]之间的随机数。
步骤4,选择算子:
通过种群中各个个体对应的适应度值,计算每个个体被遗传到下一代种群的概率,由选择概率p1确定每个个体被选中的次数。即种群中个体的适应度值越大,被选中遗传到下一代的概率越大,被选中的次数也越大,其个体在种群中得到扩大。具体流程为:
4a)根据适应度函数计算出初始化群体中所有个体的适应度fi,所有个体的适应度总和为
4b)计算出每个个体的相对适应度大小即为每个个体被遗传到下一代群体的选择概率pi,每个选择概率值pi组成一个区域,全部选择概率值之和为1;
4c)产生一个0到1之间的随机数x,依据该随机数x出现在哪一块选择概率区域pi确定各个个体被选中的次数m,次数m=pop×pi;随机数x出现的概率区域pi即为适应度函数遗传到下一代群体。
步骤5,交叉算子:
对种群中的个体进行两两配对,并随机确定相互交换染色体的位置,个体上基因交叉变换后产生新的个体,其过程如下式所示:
式中,χ1,χ2为一组配对的个体;X1,X2为两个配对个体通过交叉算子后产生两个新的个体;p2为交叉概率。
步骤6,变异算子:
在种群中的每一个个体,以变异概率p3改变某些基因座上基因为等位基因,即以变异概率p3随机产生变异点,并在变异点的位置上,“1”变成“0”或者“0”变成“1”。
步骤7,对第一结构参数a,第二结构参数b,计算步长h进行二进制解码:
对种群中的个体进行解码,即对二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej- 1ej-2…e1进行解码,其中解码公式如下所示:
由解码公式得到二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1对应的随机共振系统结构参数a、b和计算步长h,通过下面两个步骤把一个二进制串clcl-1cl-2…c1转换为区间里面对应的实数值。
步骤8,水下潜艇的通信接收机接收水声信号:发送端在近海水下输入原始水声信号,水下潜艇通信接收机接收从近海水下传递的原水声信号。
步骤9,计算适应度值:本发明以随机共振输出的信噪比和误比特率为适应度函数,信噪比增益是衡量输出信号质量的指标,在随机共振系统结构参数a、b和计算步长h的共同作用下,对随机共振系统的输出信号x(t)进行信噪比估计,随机共振输出信噪比增益记为SNRgain(a,b,h)。
基于循环统计量理论,输出信号x(t)近似看作噪声和信号的叠加,用E[x(t)]来近似表示输出信号,则输出噪声为x(t)-E[x(t)],由此可得到随机共振系统的输出信号的能量为:
ES=E2[x(t)]
随机共振系统的输出噪声的能量为:
EN=E[x(t)-E[x(t)]]2≈E[x2(t)]-E2[x(t)]
根据信噪比的定义,计算出输入信噪比为:
随机共振系统的输出信噪比为:
其中:Ps(t)为输入信号功率;Pn(t)为输入噪声功率;E[·]是求期望值。
根据信噪比增益的定义,计算出信噪比增益为:
在这里,以随机共振系统作为通信接收机,用误比特率来衡量信号在规定时间内传输精确性的指标,由于随机共振系统输出信号x(t)在结构参数a、b和计算步长h的共同作用下,误比特率是关于系统结构参数a、b和计算步长h的函数,记为Pe(a,b,h)。
对于二进制脉冲幅值调制的水声信号组成的输入信息串,幅值为±A,且每个码元持续是时间为T,用P(A|-A)表示发送端发送的码元是-A,接收端接收到的码元是A时码元错误的概率;用P(-A|A)表示发送端发送的码元是A,接收端接收到的码元是-A时码元错误的概率,随机共振系统的误比特率用下式表示为:
步骤10,输出判决:
判断:是否达到最大迭代次数itmax=150,如果迭代次数满足最大迭代次数 itmax=150,输出末代种群中个体对应的适应度值,适应度值以信噪比增益和误比特率来表示,即得到随机共振系统结构参数a、b和计算步长h的最优值,使随机共振输出信噪比和误比特率达到最优,由最优结果恢复出原始水声信号;如果迭代次数不满足最大迭代次数,重复执行步骤4至步骤10,直到得到最优化值a,b和计算步长h,完成水声信号检测。
本发明的效果可以通过仿真进一步说明:
实施例7
多参数优化的自适应随机共振水声信号检测方法同实施例1-6,
仿真条件:遗传优化参数设置为:种群数量为pop=50,最大迭代次数为itmax=100,个体之间的交叉概率p1为0.8,变异概率p2和选择概率p3都为0.2,系统结构参数a、b 的搜索范围[0,10],计算步长h的搜索范围[0,1];水声信号参数设置为:水声信号幅值为 1,码元间隔T=0.001s,码元个数N=105;恒参随机共振系统参数设置为a=1、b=1和计算步长h=0.25;参数可调随机共振系统结构参数a、b和计算步长h根据输入信号的码元间隔和噪声强度自适应动态调整。
仿真内容:在通信水声信号检测中采用本发明的多参数优化的自适应随机共振水声信号检测方法,图2和图3是在相同条件下对不同指标进行仿真,并与恒参随机共振和参数可调随机共振对输出信噪比增益和误比特率进行仿真比较,结果如图2和图3所示。
图2中,纵坐标为“信噪比增益”,表示系统输出信号的信噪比与输入信噪比之比;横坐标为“噪声强度”。
由图2仿真结果可知,当噪声强度大于0.8dBm时,在同一噪声强度的情况下,采用本发明的多参数优化的自适应随机共振水声信号检测方法,检测的水声信号信噪比增益明显高于恒参随机共振系统和参数可调随机共振系统的信噪比增益,而参数可调随机共振系统的信噪比增益大于恒参共振系统的信噪比增益。
实施例8
多参数优化的自适应随机共振水声信号检测方法同实施例1-6,仿真条件和仿真内容同实施例7
图3中,纵坐标为“误比特率”,表示收到的水声信号中发生差错的比特数与同一时间内所接收到的水声信号的总比特数之比;横坐标为“输入信噪比”。
由图3仿真结果可知,在同一输入信噪比的情况下,采用本发明的多参数优化的自适应随机共振水声信号检测方法,检测的水声信号误比特率明显低于恒参随机共振和参数可调随机共振的误比特率,当输入信噪比增益小于-10dB时,恒参随机共振的误比特率高于参数可调随机共振的误比特率,当输入信噪比增益大于-10dB时,恒参随机共振的误比特率低于参数可调随机共振的误比特率。
综上所诉,本发明公开的多参数优化的自适应随机共振水声信号检测方法,主要解决现有技术中随机共振的系统结构参数和计算步长选取难的问题。实现步骤为:确定随机共振系统多参数的搜索范围和搜索精度;二进制编码;初始化种群;确定初始化种群中个体被选中的次数;交叉运算;变异运算;二进制解码;水下潜艇的通信接收机接收水声信号;计算适应度值;输出判决。
本发明将输出信噪比增益和误比特率作为适应度函数,通过遗传算法的选择、交叉、变异算子对随机共振结构参数和计算步长进行自适应调整,利用全局并行搜索能力,实现了随机共振系统的结构参数和计算步长的同步优化,使整个随机共振系统参数和计算步长收敛为某一最优值,从而能够最优地检测出近海水下复杂信道下的微弱水声信号,保证随机共振系统产生共振特性。本发明大幅度提高了输出信号的信噪比增益,降低了误比特率,可用于近海水下通信中水声信号检测。
Claims (5)
1.一种多参数优化的自适应随机共振水声信号检测方法,其特征在于,应用于近海水下通信,用信号源产生矩形脉冲信号,得到原始水声信号,发送端发送原始水声信号,在近海水下通信,通过水下潜艇接收端的通信接收机接收水声信号,包括有如下步骤:
(1)确定随机共振系统多参数的搜索范围和搜索精度:设置随机共振系统第一结构参数a、第二结构参数b以及计算步长h的大致搜索范围即a∈[Amin,Amax],b∈[Bmin,Bmax],h∈[Hmin,Hmax]和搜索精度δ,其中a、b均为势函数参数;
(2)二进制编码:对随机共振系统结构参数a、b和计算步长h进行二进制编码,编码长度为l+k+j;
(3)初始化种群:初始化遗传种群规模,设置种群大小pop,迭代的最大次数itmax,选择概率为p1,交叉概率为p2,变异概率为p3;
(4)确定初始化种群中个体被选中的次数:把当前初始化群体中适应度fi较高的个体按适应度函数遗传到下一代群体中,具体流程为:
4a)根据适应度函数计算出初始化群体中所有个体的适应度fi,所有个体的适应度总和为
4b)计算出每个个体的相对适应度大小即为每个个体被遗传到下一代群体的选择概率pi,每个选择概率值pi组成一个区域,全部选择概率值之和为1;
4c)产生一个0到1之间的随机数x,依据该随机数x出现在哪一块选择概率区域pi确定各个个体被选中的次数m,次数m=pop×pi;
(5)交叉运算:
对初始化种群中的个体进行两两配对,并随机确定相互交换染色体的位置,相互交换两个个体之间的部分染色体产生新的个体;
(6)变异运算:
在初始化种群中的每一个个体,以变异概率p3改变某些基因为等位基因,即在变异点的位置上,“1”变成“0”或者“0”变成“1”;
(7)二进制解码:
对初始化种群中的个体进行解码,即对二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej- 1ej-2…e1进行解码,由解码公式得到二进制编码对应的随机共振系统结构参数a、b和计算步长h,进而得到信噪比增益函数和误比特率函数;
(8)水下潜艇的通信接收机接收水声信号:发送端在近海水下输入原始水声信号,水下潜艇通信接收机接收从近海水下传递的原水声信号;
(9)计算适应度值:以随机共振系统作为通信信号接收处理器,以随机共振输出的信噪比增益函数和误比特率函数作为适应度函数,通过适应度函数计算出适应度值,信噪比增益是衡量输出信号质量的指标,在随机共振系统结构参数a、b和计算步长h的共同作用下,对随机共振系统的输出信号x(t)进行信噪比估计,随机共振输出信噪比增益可以记为SNRgain(a,b,h);
用误比特率来衡量信号在规定时间内传输精确性的指标,随机共振系统输出信号x(t)在随机共振系统结构参数a、b和计算步长h的共同作用下,误比特率Pe(a,b,h)是关于随机共振系统结构参数a、b和计算步长h的函数,记为Pe(a,b,h);
(10)输出判决:
判断:是否达到最大迭代次数,如果迭代次数满足最大迭代次数,输出末代种群中个体对应的适应度值,适应度值以信噪比增益和误比特率来表示,即得到随机共振系统结构参数a、b和计算步长h的最优值,使随机共振输出信噪比和误比特率达到最优,由最优结果恢复出原始水声信号;如果迭代次数不满足最大迭代次数,重复执行步骤4至步骤10,直到得到最优化值a,b和计算步长h,完成水声信号检测。
2.根据权利要求1所述的多参数优化的自适应随机共振水声信号检测方法,其特征在于,步骤2中所述的二进制编码,根据下式确定随机共振系统结构参数a、b和计算步长h对应的编码长度l、k和j:
系统结构参数a、b和计算步长h的二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1。
3.根据权利要求1所述的多参数优化的自适应随机共振水声信号检测方法,其特征在于,步骤5中所述的交叉算子,对种群中的个体进行两两配对,并随机确定相互交换染色体的位置,相互交换两个个体之间的部分染色体产生新的个体,其过程如下式所示:
式中,χ1,χ2为一组配对的个体;X1,X2为两个配对个体通过交叉算子后产生两个新的个体,p2为交叉概率。
4.根据权利要求1所述多参数优化的自适应随机共振水声信号检测方法,其特征在于,步骤7中所述的二进制解码,对种群中的个体进行解码,即对二进制编码为clcl-1cl-2…c1dkdk-1dk-2…d1ejej-1ej-2…e1进行解码,其中解码公式如下所示:
由解码公式得到二进制编码对应的随机共振系统结构参数a、b和计算步长h。
5.根据权利要求1所述的多参数优化的自适应随机共振水声信号检测方法,其特征在于,步骤9中所述的适应度值,包括随机共振系统输出信噪比增益和误比特率,适应度函数包括输出信噪比增益函数和误比特率函数,式子如下所示:
随机共振系统输出信噪比增益函数为:
其中:SNRout(a,b,h)为输出信噪比;SNRin为输入信噪比;
随机共振系统误比特率函数为:
式中,P(-A|A)表示发送端发送的码元是A,接收端接收到的码元是-A时码元错误的概率,P(A|-A)表示发送端发送的码元是-A,接收端接收到的码元是A时码元错误的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978175.8A CN109186749A (zh) | 2018-08-27 | 2018-08-27 | 一种多参数优化的自适应随机共振水声信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978175.8A CN109186749A (zh) | 2018-08-27 | 2018-08-27 | 一种多参数优化的自适应随机共振水声信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109186749A true CN109186749A (zh) | 2019-01-11 |
Family
ID=64915993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810978175.8A Pending CN109186749A (zh) | 2018-08-27 | 2018-08-27 | 一种多参数优化的自适应随机共振水声信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109186749A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135291A (zh) * | 2019-04-29 | 2019-08-16 | 西北工业大学 | 一种低信噪比信号的参数估计方法 |
CN110376545A (zh) * | 2019-08-21 | 2019-10-25 | 西北工业大学 | 一种单参数调优随机共振增强的单矢量水听器定向方法 |
CN110572344A (zh) * | 2019-09-10 | 2019-12-13 | 西北工业大学 | 一种深海垂直水声通信的解调方法 |
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 |
CN116055272A (zh) * | 2023-03-03 | 2023-05-02 | 集美大学 | 面向水声通信的差分混沌比特交织编码系统短码设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
-
2018
- 2018-08-27 CN CN201810978175.8A patent/CN109186749A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
Non-Patent Citations (2)
Title |
---|
吴利平 等: "一种基于经典遗传算法的自适应随机共振系统", 《计算机科学》 * |
崔莹莹: "耦合、三稳和幂函数型随机共振系统在弱信号检测中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135291A (zh) * | 2019-04-29 | 2019-08-16 | 西北工业大学 | 一种低信噪比信号的参数估计方法 |
CN110135291B (zh) * | 2019-04-29 | 2023-03-24 | 西北工业大学 | 一种低信噪比信号的参数估计方法 |
CN110376545A (zh) * | 2019-08-21 | 2019-10-25 | 西北工业大学 | 一种单参数调优随机共振增强的单矢量水听器定向方法 |
CN110572344A (zh) * | 2019-09-10 | 2019-12-13 | 西北工业大学 | 一种深海垂直水声通信的解调方法 |
CN110572344B (zh) * | 2019-09-10 | 2021-06-11 | 西北工业大学 | 一种深海垂直水声通信的解调方法 |
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 |
CN116055272A (zh) * | 2023-03-03 | 2023-05-02 | 集美大学 | 面向水声通信的差分混沌比特交织编码系统短码设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186749A (zh) | 一种多参数优化的自适应随机共振水声信号检测方法 | |
Qin et al. | Deep learning in physical layer communications | |
Shlezinger et al. | ViterbiNet: A deep learning based Viterbi algorithm for symbol detection | |
CN109257127B (zh) | 一种基于自适应随机共振的通信信号检测方法 | |
CN106991491B (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
CN109905337A (zh) | 一种基于narx神经网络与块状反馈的信道均衡方法 | |
CN109763944A (zh) | 一种海上风机叶片故障非接触式监测系统及监测方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN112468230B (zh) | 一种基于深度学习的无线紫外光散射信道估计方法 | |
KR102620551B1 (ko) | 통신 시스템들에서의 학습 | |
CN104270807A (zh) | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 | |
Morocho-Cayamcela et al. | Accelerating wireless channel autoencoders for short coherence-time communications | |
CN109525254A (zh) | 基于深度学习的卷积码软判决译码方法 | |
CN110263876B (zh) | 一种雨声信号降噪处理方法和系统 | |
An et al. | A learning-based end-to-end wireless communication system utilizing a deep neural network channel module | |
Qiu et al. | Long range and long duration underwater localization using molecular messaging | |
CN106487446A (zh) | 适合于强度调制/直接检测式的光空时网格码编码方法 | |
CN110990500A (zh) | 传播路径模型地图建立方法及路径损耗确定方法 | |
Leung et al. | Low-Latency neural decoders for linear and non-linear block codes | |
CN109905190A (zh) | 一种低频地波传播时延时变特性的建模方法 | |
CN110798885A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
Amirabadi et al. | A deep learning based detector for FSO system considering imperfect CSI scenario | |
CN103944670A (zh) | 一种基于apd的m-ppm通信系统的信息比特对数似然比值的计算方法 | |
Chakravarty et al. | Automatic modulation classification using amalgam cnn-lstm | |
Wang et al. | Blind Recognition Method for Non-Cooperative Communication Signals Based on Aerial Computing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |