CN109257127A - 一种基于自适应随机共振的通信信号检测方法 - Google Patents
一种基于自适应随机共振的通信信号检测方法 Download PDFInfo
- Publication number
- CN109257127A CN109257127A CN201811034509.2A CN201811034509A CN109257127A CN 109257127 A CN109257127 A CN 109257127A CN 201811034509 A CN201811034509 A CN 201811034509A CN 109257127 A CN109257127 A CN 109257127A
- Authority
- CN
- China
- Prior art keywords
- signal
- particle
- fitness value
- value
- noise ratio
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于自适应随机共振的通信信号检测方法。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:输入通信信号,对粒子群确定参数并初始化;对接收信号进行时间上的采样;建立自适应随机共振系统模型;用粒子群优化算法计算随机共振系统的适应度值;判断迭代是否终止;输出已检测信号。本发明以随机共振系统为模型建立粒子群,用粒子群算法确定系统结构参数和计算步长,实现自适应控制,将输出信噪比和误比特率作为适应度值,用粒子群优化算法寻优,获取自适应随机共振系统的最佳结构参数,能够最优地检测出噪声背景下的微弱信号。本发明大幅度提高了输出信噪比,降低了误比特率,用于数字信号检测。
Description
技术领域
本发明属于通信技术领域,特别涉及无线通信信号检测,具体是一种基于自适应随机共振的通信信号检测方法,可用于提高随机共振系统对通信信号的检测性能。
背景技术
在较高背景噪声和较强干扰的恶劣电磁环境下,短波/超短波频段通信能够实现可靠的数据传输,提供国家最低限度的预警和应急通信保障,在通信领域中具有特殊的重要地位。美国已经把应急通信上升为国家基础设施,建立了更为完善的应急通信网“全球指挥控制系统”。日本、欧盟等许多发达国家也建立了用于军事和民用的最低限度应急通信体系,如中央防灾无线网(日)、北约欧洲盟军司令部通信系统等。相比之下,我国目前还没有形成完全自主、完善的应急通信保障体系。
短波/超短波频段工作频率不是单一的规律信道,而是多种复杂无线传输信道的交叠和混合,具有显著的随机性、突发性和不确定性,因而短波/超短波频段呈现出异常复杂的高动态变化的信道条件。因此,研究基于非线性随机共振的高动态短波/超短波通信的信号增强和高性能可靠传输理论与技术,突破制约其传输性能提升和大规模应用的瓶颈,对早日构建我国完全自主的应急通信一体化平台具有重要的理论价值和实际意义。
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。
在实际生活中信号和噪声往往是未知且无法调节的,现有的基于自适应随机共振的短波/超短波通信信号的检测方法,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,忽略了计算步长对通信信号检测的影响。因此均不能使自适应随机共振实现信号检测的最佳性能。对某一确定的含噪声的通信信号,如何对系统结构参数和计算步长进行多参数联合优化仍是一个难题,限制了自适应随机共振应用于实际的通信信号检测。
发明内容
本发明的目的在于提出一种基于自适应随机共振的通信信号检测方法,以提升信噪比,降低误比特率,进而提高通信信号的检测性能。
本发明是一种基于自适应随机共振的通信信号检测方法,其特征在于,将接收信号的无线电台作为随机共振系统,以随机共振系统为模型建立粒子群,利用粒子群算法确定随机共振系统结构参数和计算步长,实现随机共振系统的自适应控制设计,包括有如下步骤:
(1)输入通信信号,对粒子群确定参数并初始化:针对短波/超短波带噪声通信中接收信号的极低谱密度特性,利用粒子群算法确定随机共振系统参数和计算步长,用r(t)表示随机共振的接收信号,s(t)表示发送端的原始通信信号,用一组二进制码元-1和1表示,ξ(n)表示信道噪声,服从均值为0的高斯分布;对粒子群优化算法的参数初始化;
(2)对接收信号r(t)进行时间上的采样:在采样脉冲的作用下,将时间上、幅值上都连续的接收信号r(t),经过采样转换成时间上离散、幅值上仍连续的离散信号r(n)=s(n)+ξ(n);
(3)建立自适应随机共振系统模型:用Langevin方程描述随机共振系统,建立信号,噪声和系统参数之间的关系,Langevin方程如下式所示:
其中:a是x(n)的系数,b是x(n)3的系数,x(n)是系统离散输出信号,s(n)是系统原始输入离散通信信号,ξ(n)是噪声;
(4)用粒子群优化算法计算随机共振系统的适应度值:利用粒子群优化算法分别计算随机共振系统的信噪比适应度值和误比特率适应度值,对随机共振系统结构参数a、b和计算步长h进行优化,对应的粒子群空间维数为3,粒子群中第i个粒子的位置向量xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h;粒子的位置向量对应于信噪比适应度值和误比特率适应度值,经过粒子算法的寻优迭代计算过程,得到粒子群中的粒子中适应度值最好粒子的位置向量;具体通过粒子群初始化,通过输出信噪比适应度值和误比特率适应度值公式,利用粒子群中的位置向量分别计算当前粒子的输出信噪比适应度值和误比特率适应度值,确定当前粒子局部最优适应度值,确定当前粒子全局最优适应度值,比较局部最优适应度值和全局最优适应度值大小确定最优适应度值,更新下一时刻的粒子群中的飞行向量和位置向量;
(5)判断迭代是否终止:首先判断是否达到最大迭代次数,当迭代次数达到最大迭代次数时,执行步骤6;若迭代次数未达到最大迭代次数时,再判断输出信噪比适应度值和误比特率适应度值是否达到最优值,若当前的输出信噪比和误比特率随着迭代次数的增加都收敛到一个最优值时,即输出信噪比不再增加,输出误比特率不再降低,则停止迭代,输出最优系统结构参数a、b和计算步长h,执行步骤6,若输出信噪比适应度值和误比特率适应度值随着迭代次数的增加都没有收敛到一个最优值或者有一个没收敛到最优值,迭代次数加1,转到步骤4计算输出信噪比适应度值和误比特率适应度值;
(6)输出已检测信号:根据输出信噪比适应度值和误比特率适应度值达到最优值时的系统结构参数a、b和计算步长h,带入随机共振系统的Langevin方程和龙格库塔法,对含噪声的短波/超短波频段的通信信号进行检测,输出已检测信号。
本发明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,提升通信信噪比,降低通信误比特率,进而提高通信信号的检测性能,适用于短波/超短波通信。
与现有技术相比,具有以下优点:
1.本发明引入粒子群优化算法,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通信信号检测性能。
2.本发明提出的输出信噪比适应度值公式,将随机共振系统结构参数a、b和计算步长h,粒子群优化算法关联,从而得到最佳输出信噪比值,有效地提高了自适应随机共振的输出信噪比。
3.本发明提出的输出误比特率适应度值公式,将随机共振系统结构参数a、b和计算步长h,粒子群优化算法关联,从而得到最佳误比特率值,降低了通信误比特率。
4.本发明通过粒子群优化算法,自适应的寻找系统结构参数a、b和计算步长h的最优值,使检测的通信信号性能达到最佳。
5.本发明通过建立随机共振系统模型,利用粒子群优化算法寻找最优值,通过多次迭代发现通信信号的信噪比和误比特率的值逐渐收敛为最优值,能够最优的检测通信信号。
附图说明
图1为本发明的短波/超短波频段通信信号检测原理图;
图2为本发明的粒子群算法流程图;
图3为采用本发明在不同噪声强度下输出信噪比的收敛曲线图,其中图3(a)的噪声强度为D=1.05dBm,图3(b)的噪声强度为D=2.25dBm,图3(c)的噪声强度为D=3.50dBm,图3(d)的噪声强度为D=4.70dBm。
图4为采用本发明在不同噪声强度下输出信噪比曲线对比图;
图5为采用本发明在不同输入信噪比下的误比特率收敛曲线图,其中图5(a)的输入信噪比为-16dB,图5(b)的输入信噪比为-11dB,图5(c)的输入信噪比为-6dB,图5(d)的输入信噪比为-1dB;
图6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进一步详细说明。
实施例1
在较高背景噪声和较强干扰的恶劣电磁环境下,短波/超短波频段通信能够实现可靠的数据传输,提供国家最低限度的预警和应急通信保障,在通信领域中具有特殊的重要地位。
现有的基于自适应随机共振的短波/超短波通信信号的检测方法,仅实现了随机共振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,评价随机共振系统的参数不够全面,检测出的通信信号性能不能达到最佳,限制了在通信信号检测中的应用。
针对此现状,本发明提出了一种基于自适应随机共振的通信信号检测方法,将接收信号的无线电台作为随机共振系统,以随机共振系统为模型建立粒子群,利用粒子群算法确定随机共振系统结构参数和计算步长,实现随机共振系统的自适应控制设计,参见图1,包括有如下步骤:
(1)输入通信信号,对粒子群确定参数并初始化:随着国际城市化进程的不断加快和无线通信的迅速发展,全球电磁环境日益复杂,无线背景噪声和干扰显著增强、无线频谱日益拥挤和重叠,因此短波/超短波通信常常呈现出信号淹没在噪声中的极低谱密度特性,本发明针对短波/超短波带噪声通信中接收信号的极低谱密度特性,利用粒子群算法确定随机共振系统参数和计算步长,用r(t)表示随机共振的接收信号,s(t)表示发送端的原始通信信号,用一组二进制码元-1和1表示,ξ(n)表示信道噪声,服从均值为0的高斯分布;对粒子群优化算法的参数初始化,本例中种群数量为m=150,学习因子c1=c2=1.5,飞行向量和位置向量在[0,5]上均匀分布。
(2)对接收信号r(t)进行时间上的采样:在采样脉冲的作用下,将时间上、幅值上都连续的接收信号r(t),经过采样转换成时间上离散、幅值上仍连续的离散信号r(n)=s(n)+ξ(n),本发明对连续的短波/超短波带有噪声的通信信号进行采样,将连续的短波/超短波带有噪声的通信信号转换为离散的短波/超短波带有噪声的通信信号。
(3)建立自适应随机共振系统模型:将非线性科学领域的随机共振理论引入到极低信噪比的微弱信号检测之中,利用输入信号、噪声和非线性系统之间的协作效应,使噪声能量向信号能量转换,从而有效提高短波/超短波通信中极低谱密度信号的传输、检测与接收性能,用Langevin方程描述随机共振系统,建立信号,噪声和系统参数之间的关系,Langevin方程如下式所示:
其中:a是x(n)的系数,b是x(n)3的系数,x(n)是系统离散输出信号,s(n)是系统原始输入离散通信信号,ξ(n)是噪声,本发明给出了随机共振系统结构参数、噪声和信号之间的关系式,自适应体现在根据输入的待检测信号,利用粒子群优化算法自适应地调整随机共振系统结构参数a和b,使系统检测信号的性能达到最好。随机共振系统的势函数分别有两个势阱点和一个势垒点,当同时加入信号和噪声时,能促使粒子在两个势阱间随输入信号变化来回切换,使信号、噪声和系统之间产生协同效应,达到放大信号和抑制噪声的效果,通过作用于随机共振系统的噪声强度或者调节系统参数都能够控制系统势垒值,从而达到控制系统随机共振处理性能的目的,实际工程中信号和噪声往往都是未知的,所以调节系统参数最为合适。
在系统结构参数、噪声和信号三者给定的情况下,系统响应速度反映系统达到稳态的速度,系统结构参数a影响双稳态随机共振的响应速度,系统响应速度过慢,不能及时检测信号的变化,系统响应速度过快,则输出高频噪声因素,系统结构参数b影响随机共振势函数的势垒高度,总之,系统结构参数a、b直接影响被检测信号的恢复。
(4)用粒子群优化算法计算随机共振系统的适应度值:利用粒子群优化算法分别计算随机共振系统的信噪比适应度值和误比特率适应度值,由于对随机共振系统结构参数a、b和计算步长h进行优化,所以对应的粒子群空间维数为3。粒子群中第i个粒子的位置向量xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h;设置结构参数和计算步长范围即a∈[0,10],b∈[0,10],h∈[0,1];粒子的位置向量对应于所求的适应度函数的适应度值,也就是信噪比适应度值和误比特率适应度值,经过粒子算法的寻优迭代计算过程,得到粒子群中的粒子中适应度值最好粒子的位置向量;具体通过粒子群初始化,通过输出信噪比适应度值和误比特率适应度值公式,利用粒子群中的位置向量分别计算当前粒子的输出信噪比适应度值和误比特率适应度值,确定当前粒子局部最优适应度值,确定当前粒子全局最优适应度值,比较局部最优适应度值和全局最优适应度值大小确定最优适应度值,更新下一时刻的粒子群中的飞行向量和位置向量。
(5)判断粒子群优化迭代是否终止:首先判断是否达到最大迭代次数itmax,当迭代次数达到最大迭代次数itmax时,执行步骤6。若迭代次数未达到最大迭代次数itmax时,再判断输出信噪比适应度值和误比特率适应度值是否达到最优值,若当前的输出信噪比和误比特率随着迭代次数的增加都收敛到一个最优值时,即输出信噪比不再增加,输出误比特率不再降低,则停止迭代,输出最优系统结构参数a、b和计算步长h,执行步骤6。若输出信噪比适应度值和误比特率适应度值随着迭代次数的增加都没有收敛到一个最优值或者有一个没收敛到最优值,迭代次数加1,转到步骤4计算输出信噪比适应度值和误比特率适应度值;进行下一轮适应度值的寻优。本例中最大迭代次数itmax=450。
(6)输出已检测信号:根据输出信噪比适应度值和误比特率适应度值达到最优值时的系统结构参数a、b和计算步长h,带入随机共振系统的Langevin方程和龙格库塔法,对含噪声的短波/超短波频段的通信信号进行检测,输出已检测信号,该信号即为随机共振系统输出的最优通信信号。
本发明针对忽略了计算步长对通信信号检测的影响,限制了在通信信号检测中的应用。提出一种新的检测方法,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通信信号检测性能,提升通信信噪比,降低通信误比特率,进而提高通信信号的检测性能,适用于短波/超短波通信。
实施例2
一种基于自适应随机共振的通信信号检测方法同实施例1,本发明步骤4中所述的用粒子群优化算法计算随机共振系统的适应度值,具体流程如下:
4a)粒子群优化算法初始化:粒子群优化算法初始化是针对一群由m个粒子组成的粒子群体进行的,初始化的局部最优值为0,全局最优值也为0。本例中m=120。
4b)分别计算出当前粒子对应的信噪比适应度值和误比特率适应值:由于对随机共振系统结构参数a、b和计算步长h进行优化,对应的粒子群空间维数为3,粒子群中第i个粒子的位置向量其中xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h,所以本发明中粒子群中目标搜索空间是一个三维的向量;设置结构参数和计算步长范围即a∈[0,10],b∈[0,10],h∈[0,1];第i个粒子在目标搜索空间的位置向量xi(t+1)和飞行向量vi(t+1)分别用和来表示;通过位置向量计算出当前粒子对应的适应度值,pi1是粒子群中搜寻到对应于a的最优值,pi2是粒子群中搜寻到对应于b的最优值,pi3是粒子群中搜寻到对应于h的最优值,i是第i个粒子。
4c)比较当前适应度值和局部最优值:若该粒子的适应度值大于上一时刻的局部最优值则将该粒子的适应度值更新为局部最优值否则局部最优值保持不变;第i个粒子迄今为止搜索到的最优值,称为局部最优值;当第一次比较时,初始化的适应度值为本身。
4d)计算该粒子群中最大的适应度值,若存在某粒子的适应度值大于上一时刻全局最优值则记录该粒子的位置,并更新全局最优值否则全局最优值保持不变;在整个搜索空间搜索到的最优值为称为全局最优值。
4e)比较局部最优值和全局最优值的大小,最优值大的确定为全局最优值,这里的全局最优值是输出信噪比适应度值和误比特率适应度值都为最优解。
4f)更新粒子群的位置向量和飞行向量:基于当前时刻第i个粒子的局部最优值和全局最优值对在目标搜索的下一时刻位置向量xi(t+1)和飞行向量vi(t+1)进行更新,在t+1时刻,第i个粒子的位置向量xi(t+1)和飞行向量vi(t+1)如下式所示:
xi(t+1)=xi(t)+vi(t+1)
vi(t+1)=vi(t)+c1r1(t)[pi3-xi(t)]+c2r2(t)[pg3-xi(t)]
其中:i=1,2,……m,i=1,2,……m;r1(t)和r2(t)是相互独立的伪随机数且服从[0,1]上的均匀分布,c1和c2是学习因子且是大于等于零的常数,c1是调节粒子飞向局部最优值方向的步长,c2是调节粒子飞向全局最优值方向的步长。本例中c1=c2=1.5。
本例详细说明了用粒子群优化算法计算随机共振系统的适应度值,包括有信噪比适应度值和误比特率适应度值。
实施例3
一种基于自适应随机共振的通信信号检测方法同实施例1-2,本发明步骤4b)中所述的计算出当前粒子对应的信噪比适应度值,信噪比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可以记为SNR(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)],根据信噪比的定义,可以计算出随机共振系统的输出信噪比为:
其中:E[·]是求期望值。
当前第i个粒子的信噪比适应度值通过以下公式计算:
式中,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)],m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。
本例详细说明了计算当前粒子对应的信噪比适应度值。
实施例4
一种基于自适应随机共振的通信信号检测方法同实施例1-3,步骤4b)中所述的计算出当前粒子对应的误比特率适应度值,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),在噪声强度为ξ(n)=D的情况下,误比特率可以用下式表示为:
当前第i个粒子的误比特率适应度值通过以下公式计算:
式中,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,m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。本例中
本例详细说明了计算当前粒子对应的误比特率适应度值。
实施例5
下面给出一个更加详细的例子对本发明做进一步详细的阐述,参照图1:
步骤1,输入通信信号,粒子群优化算法的初始化步骤如下:
(1a)设置粒子种群数量为m,最大飞行速度vmax、最大调整步长xmax以及最大迭代次数itmax。本例中m=180,vmax=5,xmax=5,itmax=550。
(1b)由于对随机共振系统结构参数a、b和计算步长h进行优化,所以种群维数为3,用表示。在后续迭代计算过程中,xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h。
(1c)第i个粒子的初始化位置向量xi(0)和初始化飞行向量vi(0)随机产生。
(1d)局部最优值记录第i个粒子在迭代过程中信噪比适应度值中最大值,全局最优值记录粒子群中所有粒子在迭代过程中信噪比适应度值的最大值。
在适应度函数为误比特率的情况下,初始化设置同上。
步骤2,对接收信号r(t)进行时间上的采样:在采样脉冲的作用下,将时间上、幅值上都连续的接收信号r(t),经过采样转换成时间上离散、幅值上仍连续的离散信号r(n)=s(n)+ξ(n),本发明对连续的短波/超短波带有噪声的通信信号进行采样,将连续的短波/超短波带有噪声的通信信号转换为离散的短波/超短波带有噪声的通信信号。
步骤3,建立自适应随机共振系统模型:
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)为离散通信信号;x(t)为系统输出信号;n(t)为均值为0的高斯白噪声。系统响应速度是反映在系统结构参数、噪声和信号三者给定的情况下,达到稳态的速度。系统结构参数a影响双稳态随机共振的响应速度。系统响应速度过慢,不能及时检测信号的变化;系统响应速度过快,则输出高频噪声因素。系统结构参数b影响随机共振势函数的势垒高度。总之,系统结构参数a、b直接影响被检测信号的恢复。
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。
步骤4,用粒子群优化算法计算随机共振系统的适应度值,参见图2,具体流程如下:
4a)粒子群优化算法初始化:粒子群优化算法初始化是针对一群由m个粒子组成的粒子群体进行的,初始化的局部最优值为0,全局最优值也为0。本例中m=180。
4b)分别计算出当前粒子对应的信噪比适应度值和误比特率适应值:由于对随机共振系统结构参数a、b和计算步长h进行优化,对应的粒子群空间维数为3,粒子群中第i个粒子的位置向量xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h,所以本发明中粒子群中目标搜索空间是一个三维的向量;设置结构参数和计算步长范围即a∈[0,10],b∈[0,10],h∈[0,1];第i个粒子在目标搜索空间的位置向量xi(t+1)和飞行向量vi(t+1)分别用和来表示;通过位置向量计算出当前粒子对应的适应度值,pi1是粒子群中搜寻到对应于a的最优值,,pi2是粒子群中搜寻到对应于b的最优值,pi3是粒子群中搜寻到对应于h的最优值,i是第i个粒子。
4c)比较当前适应度值和局部最优值:若该粒子的适应度值大于上一时刻的局部最优值则将该粒子的适应度值更新为局部最优值否则局部最优值保持不变;第i个粒子迄今为止搜索到的最优值,称为局部最优值;当第一次比较时,初始化的适应度值是其本身。
4d)计算该粒子群中最大的适应度值,若存在某粒子的适应度值大于上一时刻全局最优值则记录该粒子的位置,并更新全局最优值否则全局最优值保持不变;在整个搜索空间搜索到的最优值为称为全局最优值。
4e)比较局部最优值和全局最优值的大小,最优值大的确定为全局最优值,这里的全局最优值是输出信噪比适应度值和误比特率适应度值都为最优解。
4f)更新粒子群的位置向量和飞行向量:基于当前时刻第i个粒子的局部最优值和全局最优值对在目标搜索的下一时刻位置向量xi(t+1)和飞行向量vi(t+1)进行更新,在t+1时刻,第i个粒子的位置向量xi(t+1)和飞行向量vi(t+1)如下式所示:
xi(t+1)=xi(t)+vi(t+1)
vi(t+1)=vi(t)+c1r1(t)[pi3-xi(t)]+c2r2(t)[pg3-xi(t)]
其中:i=1,2,m,i=1,2,……m;r1(t)和r2(t)是相互独立的伪随机数且服从[0,1]上的均匀分布,c1和c2是学习因子且是大于等于零的常数,c1是调节粒子飞向局部最优值方向的步长,c2是调节粒子飞向全局最优值方向的步长。本例中c1=c2=1.5。
信噪比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可以记为SNR(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,可以计算出随机共振系统的输出信噪比为:
其中:E[·]是求期望值。
当前第i个粒子的信噪比适应度值可以表示为:
m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。
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BPAM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,误比特率可以用下式表示为:
当前第i个粒子的误比特率适应度值可以表示为:
m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。
步骤5,判断粒子群迭代是否终止:
迭代终止条件:首先判断是否达到最大迭代次数itmax,当迭代次数达到最大迭代次数itmax时,执行步骤6;若迭代次数未达到最大迭代次数itmax时,再判断输出信噪比适应度值和误比特率适应度值是否达到最优值,若当前的输出信噪比和误比特率随着迭代次数的增加都收敛到一个最优值时,即输出信噪比不再增加,输出误比特率不再降低,则停止迭代,输出最优系统结构参数a、b和计算步长h,执行步骤6,若输出信噪比适应度值和误比特率适应度值随着迭代次数的增加都没有收敛到一个最优值或者有一个没收敛到最优值,迭代次数加1,转到步骤4计算输出信噪比适应度值和误比特率适应度值;进行下一轮适应度值的寻优。本例中最大迭代次数itmax=480。
步骤6,检测输出通信信号:
输出已检测信号:根据输出信噪比适应度值和误比特率适应度值达到最优值时的系统结构参数a、b和计算步长h,带入随机共振系统的Langevin方程和龙格库塔法,对含噪声的短波/超短波频段的通信信号进行检测,输出已检测信号,该信号即为随机共振系统输出的最优信号。
本发明的基于自适应随机共振的通信信号检测方法,其中涉及到设计的基于粒子群算法的自适应随机共振系统的结构框图如图1所示,图中虚线框表示的是随机共振系统的处理流程,该流程为通过输入信号,结构参数,噪声建立Langevin方程,用四阶龙格库塔法求解输出信号。本发明以随机共振系统输出信噪比和误比特率为目标函数,通过粒子群算法确定最佳随机共振系统参数a、b和计算步长h,然后利用a、b对接收信号进行随机共振处理,最后输出已检测信号。
本发明将接收信号的无线电台作为随机共振系统,以随机共振系统为模型建立粒子群,利用粒子群算法确定随机共振系统结构参数和计算步长,实现随机共振系统的自适应控制设计。
本发明提出的输出信噪比适应度值公式,将随机共振系统结构参数a、b和计算步长h,粒子群优化算法关联,从而得到最佳输出信噪比值,有效地提高了自适应随机共振的输出信噪比。将随机共振系统结构参数a、b和计算步长h,粒子群优化算法关联,从而得到最佳误比特率值,降低了通信误比特率。
本发明的效果可以通过仿真进一步说明:
实施例6
一种基于自适应随机共振的通信信号检测方法同实施例1-5
仿真条件:粒子群优化参数设置为:种群数量为m=100,最大迭代次数为itmax=500,学习因子为c1=c2=1.5,飞行向量vi和位置向量xi在[0,5]范围内服从均匀分布,随机共系统结构参数a、b的搜索范围为[0,10],计算步长h的搜索范围为[0,1];通信信号参数设置为: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:在短波/超短波频段通信信号检测中,采用本发明基于自适应随机共振的通信信号检测方法。
参见图3,图3为在不同噪声强度下输出信噪比的收敛曲线图,纵坐标为“输出信噪比”;横坐标为“迭代的次数”,表示粒子群优化算法的迭代次数;参见图3(a),在噪声强度值为1.05dBm下的输出信噪比收敛曲线、图3(b),在噪声强度值为2.25dBm下的输出信噪比收敛曲线、图3(c),在噪声强度值为3.50dBm下的输出信噪比收敛曲线,图3(d),在噪声强度值为4.70dBm下的输出信噪比收敛曲线,无论噪声强度D为多少,输出信噪比随着迭代次数的增加,逐渐收敛到一个最优值,由图3仿真结果可知,在不同噪声强度的条件下,采用本发明基于自适应随机共振的通信信号检测方法得到的通信信号的输出信噪比总会随着迭代次数的增加收敛到最优值,通过建立随机共振系统模型,利用粒子群优化算法寻找最优值,通过多次迭代发现通信信号的输出信噪比的值逐渐收敛为最优值,能够最优的检测通信信号。
参见图4,图4为不同噪声强度下输出信噪比曲线对比图,纵坐标为“输出信噪比”,表示系统输出信号的信噪比;横坐标为“噪声强度”,在上述仿真条件下,对不同噪声强度进行仿真,对本发明基于自适应随机共振的通信信号检测方法,恒参随机共振方法和参数可调随机共振方法三种方法的输出信噪比进行仿真比较,由图4仿真结果可知,三种方法的输出信噪比曲线走势一致,在同一噪声强度的条件下,采用本发明基于自适应随机共振的通信信号检测方法的通信信号输出信噪比明显高于恒参随机共振和参数可调随机共振方法的输出信噪比;在噪声强度大于1dBm时,采用本发明基于自适应随机共振的通信信号检测方法的输出信噪比曲线和恒参随机共振,参数可调随机共振的输出信噪比曲线近似平行,本发明的方法输出信噪比高于另外两种方法,采用本发明的方法得到的输出信噪比比用参数可调随机共振方法得到的输出信噪比整体大约1dB,比恒参随机共振方法的输出信噪比高约3dB,说明本发明的方法提高了检测通信信号的输出信噪比,即提高了检测的通信信号的性能。
参见图5,图5为不同输入信噪比下的误比特率收敛曲线图,纵坐标为“误比特率”;横坐标为“迭代次数”,表示粒子群优化算法的迭代次数;参见图5(a),在输入信噪比为-16dB下的输出误比特率收敛曲线、参见图5(b),在输入信噪比为-11dB下的误比特率收敛曲线、参见图5(c),在输入信噪比为-6dB下的误比特率收敛曲线、参见图5(d),在输入信噪比为-1dB下的输出误比特率曲线,无论噪声强度D为多少,输出误比特率随着迭代次数的增加,逐渐收敛到一个最优值,由图5仿真结果可知,在不同输入信噪比的情况下,采用本发明基于自适应随机共振的通信信号检测方法得到的误比特率随着迭代次数的增加收敛到最优值,本发明通过建立随机共振系统模型,利用粒子群优化算法寻找最优值,通过多次迭代发现通信信号的误比特率的值逐渐收敛为最优值,能够最优的检测通信信号。
参见图6,图6为不同输入信噪比下的误比特率曲线对比图,纵坐标为“误比特率”,表示收到的通信信号中发生差错的比特数与同一时间内所接收到的通信信号的总比特数之比,横坐标为“输入信噪比”,在上述仿真条件下对不同输入信噪比条件下进行仿真,对本发明基于自适应随机共振的通信信号检测方法,恒参随机共振方法和参数可调随机共振方法的误比特率进行仿真比较,由图6仿真结果可知,在同一输入信噪比的条件下,采用本发明基于自适应随机共振的通信信号检测方法得到的误比特率明显低于恒参随机共振方法和参数可调随机共振方法得到的误比特率;当输入信噪比大于-8dB时,恒参随机共振方法的误比特率曲线突然下降,恒参随机共振方法误比特率比参数可调随机共振方法的误比特率小,采用本发明基于自适应随机共振的通信信号检测方法的误比特率最小,说明本发明的方法明显降低了检测的通信信号的误比特率,即提高了检测的通信信号的性能。
本发明公开了一种基于自适应随机共振的通信信号检测方法。通过粒子群优化算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:输入通信信号,对粒子群确定参数并初始化;对接收信号进行时间上的采样;建立自适应随机共振系统模型;用粒子群优化算法计算随机共振系统的适应度值;判断粒子群优化迭代是否终止;输出已检测信号。本发明将接收信号的无线电台作为随机共振系统,以随机共振系统为模型建立粒子群,利用粒子群算法确定随机共振系统结构参数和计算步长,实现随机共振系统的自适应控制设计。将输出信噪比和误比特率作为适应度值,通过建立随机共振系统模型,利用粒子群优化算法寻找最优值,获取自适应随机共振系统的最佳结构参数,能够最优地检测出噪声背景下的微弱信号。本发明大幅度提高了输出信噪比,降低了误比特率,可用于对数字信号的检测。
Claims (4)
1.一种基于自适应随机共振的通信信号检测方法,其特征在于,将接收信号的无线电台作为随机共振系统,以随机共振系统为模型建立粒子群,利用粒子群算法确定随机共振系统结构参数和计算步长,实现随机共振系统的自适应控制设计,包括有如下步骤:
(1)输入通信信号,对粒子群确定参数并初始化:针对短波/超短波带噪声通信中接收信号的极低谱密度特性,利用粒子群算法确定随机共振系统参数和计算步长,用r(t)表示随机共振的接收信号,s(t)表示发送端的原始通信信号,用一组二进制码元-1和1表示,ξ(n)表示信道噪声,服从均值为0的高斯分布;对粒子群优化算法的参数初始化;
(2)对接收信号r(t)进行时间上的采样:在采样脉冲的作用下,将时间上、幅值上都连续的接收信号r(t),经过采样转换成时间上离散、幅值上仍连续的离散信号r(n)=s(n)+ξ(n);
(3)建立自适应随机共振系统模型:用Langevin方程描述随机共振系统,建立信号,噪声和系统参数之间的关系,Langevin方程如下式所示:
其中:a是x(n)的系数,b是x(n)3的系数,x(n)是系统离散输出信号,s(n)是系统原始输入离散通信信号,ξ(n)是噪声;
(4)用粒子群优化算法计算随机共振系统的适应度值:利用粒子群优化算法分别计算随机共振系统的信噪比适应度值和误比特率适应度值,对随机共振系统结构参数a、b和计算步长h进行优化,对应的粒子群空间维数为3,粒子群中第i个粒子的位置向量xi1代表结构参数a,xi2代表结构参数b,xi3代表计算步长h;粒子的位置向量对应于信噪比适应度值和误比特率适应度值,经过粒子算法的寻优迭代计算过程,得到粒子群中的粒子中适应度值最好粒子的位置向量;具体通过粒子群初始化,通过输出信噪比适应度值和误比特率适应度值公式,利用粒子群中的位置向量分别计算当前粒子的输出信噪比适应度值和误比特率适应度值,确定当前粒子局部最优适应度值,确定当前粒子全局最优适应度值,比较局部最优适应度值和全局最优适应度值大小确定最优适应度值,更新下一时刻的粒子群中的飞行向量和位置向量;
(5)判断迭代是否终止:首先判断是否达到最大迭代次数,当迭代次数达到最大迭代次数时,执行步骤6;若迭代次数未达到最大迭代次数时,再判断输出信噪比适应度值和误比特率适应度值是否达到最优值,若当前的输出信噪比和误比特率随着迭代次数的增加都收敛到一个最优值时,即输出信噪比不再增加,输出误比特率不再降低,则停止迭代,输出最优系统结构参数a、b和计算步长h,执行步骤6,若输出信噪比适应度值和误比特率适应度值随着迭代次数的增加都没有收敛到一个最优值或者有一个没收敛到最优值,迭代次数加1,转到步骤4计算输出信噪比适应度值和误比特率适应度值;
(6)输出已检测信号:根据输出信噪比适应度值和误比特率适应度值达到最优值时的系统结构参数a、b和计算步长h,带入随机共振系统的Langevin方程和龙格库塔法,对含噪声的短波/超短波频段的通信信号进行检测,输出已检测信号。
2.根据权利要求1所述的基于自适应随机共振的通信信号检测方法,其特征在于,步骤4中所述的用粒子群优化算法计算随机共振系统的适应度值,具体流程如下:
4a)粒子群优化算法初始化:初始化的局部最优值为0,全局最优值也为0;
4b)分别计算出当前粒子对应的信噪比适应度值和误比特率适应值:粒子群中目标搜索空间是一个三维的向量,第i个粒子在目标搜索空间的位置向量xi(t+1)和飞行向量vi(t+1)分别用和来表示;通过位置向量计算出当前粒子对应的适应度值pi1是粒子群中搜寻到对应于a的最优值,,pi2是粒子群中搜寻到对应于b的最优值,pi3是粒子群中搜寻到对应于h的最优值,i是第i个粒子;
4c)比较当前适应度值和局部最优值:若该粒子的适应度值大于上一时刻的局部最优值则将该粒子的适应度值更新为局部最优值否则局部最优值保持不变;第i个粒子的最优值,称为局部最优值;
4d)计算该粒子群中最大的适应度值,若存在某粒子的适应度值大于上一时刻全局最优值则记录该粒子的位置,并更新全局最优值否则全局最优值保持不变;在整个搜索空间搜索到的最优值为称为全局最优值;
4e)比较局部最优值和全局最优值的大小,最优值大的确定为全局最优值,全局最优值是输出信噪比适应度值和误比特率适应度值都为最优解;
4f)更新粒子群的位置向量和飞行向量:基于当前时刻第i个粒子的局部最优值和全局最优值对在目标搜索的下一时刻位置向量xi(t+1)和飞行向量vi(t+1)进行更新,在t+1时刻,第i个粒子的位置向量xi(t+1)和飞行向量vi(t+1)如下式所示:
xi(t+1)=xi(t)+vi(t+1)
vi(t+1)=vi(t)+c1r1(t)[pi3-xi(t)]+c2r2(t)[pg3-xi(t)]
其中:i=1,2,……m,i=1,2,……m;r1(t)和r2(t)是相互独立的伪随机数且服从[0,1]上的均匀分布,c1和c2是学习因子且是大于等于零的常数,c1是调节粒子飞向局部最优值方向的步长,c2是调节粒子飞向全局最优值方向的步长。
3.根据权利要求1所述的基于自适应随机共振的通信信号检测方法,其特征在于,步骤4b)中所述的计算出当前粒子对应的信噪比适应度值,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)],当前第i个粒子的信噪比适应度值通过以下公式计算:
式中,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)],m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。
4.根据权利要求1所述的基于自适应随机共振的通信信号检测方法,其特征在于,步骤4b)中所述的计算出当前粒子对应的误比特率适应度值,用误比特率来衡量信号在规定时间内传输精确性的指标,在噪声强度为ξ(n)=D的情况下,当前第i个粒子的误比特率适应度值通过以下公式计算:
式中,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,m为粒子群数量,xi1对应于a的最优值,xi2对应于b的最优值,xi3对应于h的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034509.2A CN109257127B (zh) | 2018-09-06 | 2018-09-06 | 一种基于自适应随机共振的通信信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034509.2A CN109257127B (zh) | 2018-09-06 | 2018-09-06 | 一种基于自适应随机共振的通信信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109257127A true CN109257127A (zh) | 2019-01-22 |
CN109257127B CN109257127B (zh) | 2021-08-20 |
Family
ID=65047800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811034509.2A Active CN109257127B (zh) | 2018-09-06 | 2018-09-06 | 一种基于自适应随机共振的通信信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109257127B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827776A (zh) * | 2019-03-15 | 2019-05-31 | 合肥工业大学 | 轴承故障检测方法及系统 |
CN110243929A (zh) * | 2019-07-02 | 2019-09-17 | 佛山科学技术学院 | 一种基于随机共振的水下环境动态检测系统 |
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 |
CN113221714A (zh) * | 2021-04-29 | 2021-08-06 | 西北工业大学 | 一种自适应线谱增强器和随机共振联合的线谱检测方法 |
CN113722915A (zh) * | 2021-09-01 | 2021-11-30 | 西安邮电大学 | 一种水下弱光信号检测方法 |
CN115856426A (zh) * | 2022-11-23 | 2023-03-28 | 吉林大学 | 基于粒子群自适应归一化的随机共振微弱信号检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
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 |
CN103441964A (zh) * | 2013-08-30 | 2013-12-11 | 清华大学 | 一种基于随机共振的通信信号参数估计方法与装置 |
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
-
2018
- 2018-09-06 CN CN201811034509.2A patent/CN109257127B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
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 |
CN103441964A (zh) * | 2013-08-30 | 2013-12-11 | 清华大学 | 一种基于随机共振的通信信号参数估计方法与装置 |
CN104678768A (zh) * | 2015-01-30 | 2015-06-03 | 哈尔滨工程大学 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
Non-Patent Citations (3)
Title |
---|
LINLIN LIANG等: "Comparison results of stochastic resonance effects realised by coherent and non-coherent receivers under Gaussian noise", 《IET COMMUNICATIONS》 * |
SHANG-BIN JIAO等: "Weak impact signal detection based on adaptive stochastic resonance with knowledge-based particle swarm optimization", 《2015 11TH INTERNATIONAL》 * |
贺利芳等: "基于幂函数型随机共振的微弱信号恢复", 《电子学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827776A (zh) * | 2019-03-15 | 2019-05-31 | 合肥工业大学 | 轴承故障检测方法及系统 |
CN109827776B (zh) * | 2019-03-15 | 2024-02-13 | 合肥工业大学 | 轴承故障检测方法及系统 |
CN110243929A (zh) * | 2019-07-02 | 2019-09-17 | 佛山科学技术学院 | 一种基于随机共振的水下环境动态检测系统 |
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 |
CN113221714A (zh) * | 2021-04-29 | 2021-08-06 | 西北工业大学 | 一种自适应线谱增强器和随机共振联合的线谱检测方法 |
CN113722915A (zh) * | 2021-09-01 | 2021-11-30 | 西安邮电大学 | 一种水下弱光信号检测方法 |
CN113722915B (zh) * | 2021-09-01 | 2023-11-14 | 西安邮电大学 | 一种水下弱光信号检测方法 |
CN115856426A (zh) * | 2022-11-23 | 2023-03-28 | 吉林大学 | 基于粒子群自适应归一化的随机共振微弱信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109257127B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109257127A (zh) | 一种基于自适应随机共振的通信信号检测方法 | |
CN107547457A (zh) | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 | |
CN102735330A (zh) | 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 | |
CN109347579B (zh) | 一种在无线信道衰落不确定条件下的弱信号检测方法 | |
WO2022262173A1 (zh) | 一种基于条件生成对抗网络的时变水声信道模拟方法 | |
CN110798275A (zh) | 一种矿井多模无线信号精确识别方法 | |
CN112949387A (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN110138459A (zh) | 基于基追踪去噪的稀疏水声正交频分复用信道估计方法及装置 | |
CN112153616A (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
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 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN102395194A (zh) | Wlan环境下改进ga优化的anfis室内定位方法 | |
CN113341383A (zh) | 基于dqn算法的雷达抗干扰智能决策方法 | |
CN110084126A (zh) | 一种基于Xgboost的卫星通信干扰样式识别方法 | |
CN104850752A (zh) | 一种基于自适应随机共振的参数搜索范围确定方法 | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
CN111159891B (zh) | 基于dnn神经网络的单样本极化滤波器系数预测方法 | |
CN108900267B (zh) | 基于特征值的单边右尾拟合优度检验频谱感知方法及装置 | |
CN106618499B (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
CN104734793B (zh) | 基于p次方的无线协作频谱感知的能量检测方法 | |
Zhang et al. | Cultivated Land Monitoring System Based on Dynamic Wake-Up UAV and Wireless of Distributed Storage. | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
CN108599880B (zh) | 基于卷积神经网络的民航地空对讲系统干扰预警方法 | |
CN106599908A (zh) | 基于模块化神经网络的场强预测方法 | |
CN115994845A (zh) | 一种基于互联网的山水治理监管方法和系统 |
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 |