CN110111275B - 一种信号降噪的方法、系统及计算机存储介质 - Google Patents
一种信号降噪的方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN110111275B CN110111275B CN201910355048.7A CN201910355048A CN110111275B CN 110111275 B CN110111275 B CN 110111275B CN 201910355048 A CN201910355048 A CN 201910355048A CN 110111275 B CN110111275 B CN 110111275B
- Authority
- CN
- China
- Prior art keywords
- particle
- sample set
- particle sample
- moment
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 484
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 230000035772 mutation Effects 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012952 Resampling Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012898 sample dilution Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种信号降噪的方法、系统及计算机存储介质，其方法包括，将连续待降噪信号进行离散化，得到每个时刻的粒子样本集；利用初始化后的信号降噪模型对粒子样本集进行迭代优化，得到优化粒子样本集；计算优化粒子样本集中每个粒子的权值；根据每个粒子的权值对优化粒子样本集进行重采样，得到采样粒子样本集；利用状态估计公式对采样粒子样本集进行计算，得出采样粒子样本集的状态估计值。在本发明中，信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成，信号降噪模型使后期的粒子滤波采样降噪过程更快速，更准确，避免算法陷入局部最优解，加快收敛速度，提高收敛精度，从而可以提高滤波算法的滤波速度和降噪性能。
Description
技术领域
本发明涉及信号处理领域，具体涉及一种信号降噪的方法、系统及计算机存储介质。
背景技术
降噪作为信号分析和图像处理的第一步，是决定分析结果是否可信的关键。高效快速准确的降噪方法是决定降噪好坏的关键。一般滤波器的基本滤波原理是根据同频率区域中噪声信号和真实信号所在频率段的不同，将噪音所在的频率段进行屏蔽或改变其幅值来提高信号的信噪比。而现代滤波则是以某个随机过程的观测过程为参考对与该过程相关的另一过程进行估计的方法。粒子滤波算法在处理非线性非高斯时变系统的参数估计和状态滤波问题方面的独到优势，然而常规粒子滤波在重采样过程中采用了次优的重要性函数，使得常规粒子滤波方法存在一些缺陷：(1)当观测信息计算出的似然概率不能与先验概率相匹配，观测数据的概率与先验概率分布错位时，处于高似然区域的先验概率分布的粒子较少，经过重采样后获取的后验概率分布的粒子减少，甚至只剩下单一样本，从而产生粒子贫乏问题，(2)当系统初始状态未知时，需要大量的粒子样本才能保证系统状态的预估精度和粒子集的收敛性，否则粒子集很容易发散从而导致预估失败，而大量粒子的计算也会使得计算效率降低使之不适应实时监测降噪。
发明内容
本发明所要解决的技术问题是提供一种信号降噪的方法、系统及计算机存储介质，解决了原始粒子滤波方法的样本贫化问题，提高有效粒子的作用效果，提高滤波算法的计算效率和估计精度，加快滤波速度，从而提高了实际的滤波降噪效果。
本发明解决上述技术问题的技术方案如下：一种信号降噪的方法，包括以下步骤，
S1，将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
S2，根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
S3，利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
S4，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
S5，根据每个时刻的所述优化粒子样本集中每个粒子的权值确定对应时刻的所述优化粒子样本集中的有效粒子数，根据每个时刻的所述优化粒子样本集中的有效粒子数分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
S6，利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
本发明的有益效果是：在本发明一种信号降噪的方法中，构建了基于带变异算子的粒子群优化算法和粒子滤波算法构建而成信号降噪模型，该信号降噪模型在粒子滤波采样前先用引入了变异算子的粒子群优化算法对原始噪声信号粒子样本进行优化，从而使后期的粒子滤波采样降噪过程更快速，更准确；而引入变异算子的粒子群优化粒子滤波算法的控制函数使寻优过程分前后期，前期变异率取较大值，使较多的粒子进行变异操作，以增强粒子群的多样性扩大搜索空间，避免算法陷入局部最优解，后期变异率取较小值，减少粒子的变异操作，以减弱粒子的多样性，加快收敛速度，提高收敛精度，从而可以提高滤波算法的滤波速度和降噪性能。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述连续待降噪信号为非线性连续模拟信号，所述S1具体为，
利用模数转换器对所述非线性连续模拟信号进行模数变换，得到由每个时刻的数据样本点组成的数字信号，每个时刻的所述数据样本点即为对应时刻的所述粒子样本集，所述数字信号即为所述样本粒子集。
进一步，所述信号降噪模型包括带变异算子的粒子群优化算法函数和粒子滤波算法函数，所述带变异算子的粒子群优化算法函数中又包含有变异控制函数；
所述S2具体为，
根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并确定信号系统状态空间模型方程；
初始化所述变异控制函数中的预设变异率以及控制系数；
初始化所述带变异算子的粒子群优化算法函数中的初始化群体规模数、学习因子、最小惯性系数、最大惯性系数、每个粒子的初始位置和初始速度、最大迭代次数、适应度阈值以及适应度函数；
初始化所述粒子滤波算法函数中的初始化粒子数目和观测噪声；
根据所述信号系统状态空间模型方程确定所述粒子滤波算法函数中的初始状态和初值；
其中，所述初始化群体规模数等于所述初始化粒子数目，且令，初始化群体规模数＝初始化粒子数目＝N。
进一步，所述S3具体包括，
根据所述控制系数和所述最大迭代次数确定所述变异控制函数，且根据所述变异控制函数、所述最小惯性系数和所述最大惯性系数计算所述带变异算子的粒子群优化算法函数中的惯性系数；
所述变异控制函数的确定公式为，y(epoch)＝(1-(epoch/epochmax)α)β，其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；
所述惯性系数的计算公式为，w＝wmin+(wmax-wmin)·y(epoch)，其中，w为所述惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；
根据所述预设变异率和所述变异控制函数计算所述变异控制函数的变异率；
所述变异率的计算公式为，u＝m·y(epoch)，其中，u为所述变异率，m为所述预设变异率。
进一步，所述S3还具体包括，
根据所述初始化粒子数目、所述初始状态和所述初值，并结合所述信号系统状态空间模型方程分别对每个时刻的粒子样本集进行初始化，得到对应时刻的初始粒子样本集；
在所述变异控制函数的控制下，分别随机地对每个时刻的所述初始粒子样本集中的M个粒子进行变异操作，得到对应时刻的变异粒子样本集，其中，M由所述初始化群体规模数和所述变异率决定，且M＝[N*u]；
所述变异控制函数控制变异操作的过程为，xsj＝xsj+rand*y(epoch)，其中，rand∈(-a，a)是随机数，xsj代表对应时刻的所述初始粒子样本集中随机选择的M个粒子中第s个粒子的第j个元素发生变异；
根据所述适应度函数分别计算出每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]，并根据每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]计算出对应时刻的所述变异粒子样本集中的个体最优值Pi和全局最优值Gi；
所述适应度函数为，
其中，fit[i]为t时刻的所述变异粒子样本集中第i个粒子的适应度值，nt为t时刻的所述观测噪声，Yt为t时刻的所述粒子样本集，Ypred为根据所述信号系统状态空间模型方程计算得到的预测观测值，f为采集所述连续待降噪信号的终点时刻；
在任一时刻的所述变异粒子样本集中，当粒子的所述适应度值大于所述个体最优值时，则将对应粒子的所述适应度值定义为所述个体最优值，当所述个体最优值大于所述全局最优值时，则将所述个体最优值定义为所述全局最优值；
根据所述学习因子以及每个时刻的所述变异粒子样本集中的所述个体最优值、所述全局最优值以及每个粒子的所述初始位置和所述初始速度分别迭代更新对应时刻的所述变异粒子样本集中每个粒子的速度和位置；
任一时刻的所述变异粒子样本集中任一个粒子在迭代更新后的速度和位置的计算公式为，
其中，rand()为介于(0,1)区间的随机数，c1和c2均为所述学习因子，且c1＝c2＝1.4692，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的位置，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的位置，
为t时刻的所述变异粒子样本集在第k次迭代更新后的个体最优值，
为t时刻的所述变异粒子样本集在k次迭代更新后的全局最优值，w为所述惯性系数；当k＝0时，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始速度，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始位移；
在每个时刻的所述变异粒子样本集的迭代更新中，当对应时刻的所述变异粒子样本集的迭代更新次数达到所述最大迭代次数或当对应时刻的所述变异粒子样本集中搜寻到粒子的所述适应度值满足所述适应度阀值时，则停止迭代更新，输出优化结果，得到对应时刻的所述优化粒子样本集。
进一步，所述S4具体为，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值，并计算所述优化粒子样本集中每个粒子的归一化权值；
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的权值的公式为，
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的归一化权值的公式为，
其中，
为t时刻的所述优化粒子样本集中第i个粒子的权值，
表示t时刻的所述优化粒子样本集中第i个粒子的归一化权值，p(*)为概率密度分布函数，q(*)为重要性密度函数。
进一步，所述S5具体为，定义有效粒子数阀值Nthreshold，
根据每个时刻的所述优化粒子样本集中每个粒子的权值计算对应时刻的所述优化粒子样本集中的有效粒子数Neff，
其中，
若Neff＜Nthreshold，则从t时刻的所述优化粒子样本集中进行N次独立的重采样，获得t时刻的所述采样粒子样本集，且t时刻的所述采样粒子样本集中每个粒子的权值
若Neff≥Nthreshold，则不进行重采样，直接将t时刻的所述优化粒子样本集作为t时刻的所述采样粒子样本集。
进一步，在所述S6中，
所述状态估计公式为，
其中，
为t时刻的所述采样粒子样本集的状态估计值，
为t时刻的所述采样粒子样本集中第i个粒子。
基于上述一种信号建造方法，本发明还提供一种信号降噪系统。
一种信号降噪的系统，包括以下模块，
离散模块，其用于将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
信号降噪模型初始化模块，其用于根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
迭代更新优化模块，其用于利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
权值计算模块，其用于分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
重采样模块，其用于根据每个时刻的所述优化粒子样本集中每个粒子的权值分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
降噪信号生成模块，其用于利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
本发明的有益效果是：在本发明一种信号降噪的系统中，构建了基于带变异算子的粒子群优化算法和粒子滤波算法构建而成信号降噪模型，该信号降噪模型在粒子滤波采样前先用引入了变异算子的粒子群优化算法对原始噪声信号粒子样本进行优化，从而使后期的粒子滤波采样降噪过程更快速，更准确；而引入变异算子的粒子群优化粒子滤波算法的控制函数使寻优过程分前后期，前期变异率取较大值，使较多的粒子进行变异操作，以增强粒子群的多样性扩大搜索空间，避免算法陷入局部最优解，后期变异率取较小值，减少粒子的变异操作，以减弱粒子的多样性，加快收敛速度，提高收敛精度，从而可以提高滤波算法的滤波速度和降噪性能。
基于上述一种信号建造方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括至少一个计算机指令，在所述计算机指令执行时实现如上述所述的方法步骤。
附图说明
图1为本发明一种信号降噪的方法的流程图；
图2为本发明一种信号降噪的方法的原理图；
图3为本发明一种信号降噪的系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例一：
如图1和图2所示，一种信号降噪的方法，包括以下步骤，
S1，将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
S2，根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
S3，利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
S4，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
S5，根据每个时刻的所述优化粒子样本集中每个粒子的权值确定对应时刻的所述优化粒子样本集中的有效粒子数，根据每个时刻的所述优化粒子样本集中的有效粒子数分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
S6，利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
实施例二：
所述连续待降噪信号为非线性连续模拟信号，所述S1具体为，利用模数转换器对所述非线性连续模拟信号进行模数变换，得到由每个时刻的数据样本点组成的数字信号，每个时刻的所述数据样本点即为对应时刻的所述粒子样本集，所述数字信号即为所述样本粒子集。
设定所述连续待降噪信号在0到f时刻采集的，在对所述连续待降噪信号进行离散化时，将所述连续待降噪信号离散为每个时刻的粒子样本集，即离散成f个粒子样本集Yt，t＝1,2.....,f，f个粒子样本集Yt构成样本粒子集Y，即Y＝{Yt,t＝1,2.....,f}。
实施例三：
所述信号降噪模型包括带变异算子的粒子群优化算法函数和粒子滤波算法函数，所述带变异算子的粒子群优化算法函数中又包含有变异控制函数；
所述S2具体为，
根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并确定信号系统状态空间模型方程；
初始化所述变异控制函数中的预设变异率以及控制系数；
初始化所述带变异算子的粒子群优化算法函数中的初始化群体规模数、学习因子、最小惯性系数、最大惯性系数、每个粒子的初始位置和初始速度、最大迭代次数、适应度阈值以及适应度函数；
初始化所述粒子滤波算法函数中的初始化粒子数目和观测噪声；
根据所述信号系统状态空间模型方程确定所述粒子滤波算法函数中的初始状态和初值；
其中，所述初始化群体规模数等于所述初始化粒子数目，且令，初始化群体规模数＝初始化粒子数目＝N。
实施例四：
所述S3具体包括，
根据所述控制系数和所述最大迭代次数确定所述变异控制函数，且根据所述变异控制函数、所述最小惯性系数和所述最大惯性系数计算所述带变异算子的粒子群优化算法函数中的惯性系数；
所述变异控制函数的确定公式为，y(epoch)＝(1-(epoch/epochmax)α)β，其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；
所述惯性系数的计算公式为，w＝wmin+(wmax-wmin)·y(epoch)，其中，w为所述惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；
根据所述预设变异率和所述变异控制函数计算所述变异控制函数的变异率；
所述变异率的计算公式为，u＝m·y(epoch)，其中，u为所述变异率，m为所述预设变异率。
实施例五：
所述S3还具体包括，
根据所述初始化粒子数目、所述初始状态和所述初值，并结合所述信号系统状态空间模型方程分别对每个时刻的粒子样本集进行初始化，得到对应时刻的初始粒子样本集；
例如，对粒子样本集Yt进行初始化，可以得到初始粒子样本集
此处的N表征的是初始化群体规模数。
在所述变异控制函数的控制下，分别随机地对每个时刻的所述初始粒子样本集中的M个粒子进行变异操作，得到对应时刻的变异粒子样本集，其中，M由所述初始化群体规模数和所述变异率决定，且M＝[N*u]；
所述变异控制函数控制变异操作的过程为，xsj＝xsj+rand*y(epoch)，其中，rand∈(-a，a)是随机数，xsj代表对应时刻的所述初始粒子样本集中随机选择的M个粒子中第s个粒子的第j个元素发生变异；
例如，在对初始粒子样本集
中的M个粒子进行变异操作时，在初始粒子样本集
中随机选出M个粒子进行变异，其他N-M个粒子没有变异；变异后的M个粒子放回与没有变异的N-M个粒子形成变异粒子样本集；
此步骤是粒子变异操作部分，改变的是粒子集的多样性，是改善粒子群优化算法寻优结构的一步，具体作用就是不断搅乱粒子的位置和分布，粒子群算法在寻优过程根据当前迭代次数也在进行粒子的变异，变异完的粒子直接放回去，供算法寻优。
根据所述适应度函数分别计算出每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]，并根据每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]计算出对应时刻的所述变异粒子样本集中的个体最优值Pi和全局最优值Gi；
所述适应度函数为，
其中，fit[i]为t时刻的所述变异粒子样本集中第i个粒子的适应度值，nt为t时刻的所述观测噪声，Yt为t时刻的所述粒子样本集，Ypred为根据所述信号系统状态空间模型方程计算得到的预测观测值，f为采集所述连续待降噪信号的终点时刻；
在任一时刻的所述变异粒子样本集中，当粒子的所述适应度值大于所述个体最优值时，则将对应粒子的所述适应度值定义为所述个体最优值，当所述个体最优值大于所述全局最优值时，则将所述个体最优值定义为所述全局最优值；即：if fit[i]＞Pi then Pi＝fit[i]，if Pi＞Gi，then Gi＝Pi。
根据所述学习因子以及每个时刻的所述变异粒子样本集中的所述个体最优值、所述全局最优值以及每个粒子的所述初始位置和所述初始速度分别迭代更新对应时刻的所述变异粒子样本集中每个粒子的速度和位置；
任一时刻的所述变异粒子样本集中任一个粒子在迭代更新后的速度和位置的计算公式为，
其中，rand()为介于(0,1)区间的随机数，c1和c2均为所述学习因子，且c1＝c2＝1.4692，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的位置，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的位置，
为t时刻的所述变异粒子样本集在第k次迭代更新后的个体最优值，
为t时刻的所述变异粒子样本集在k次迭代更新后的全局最优值，w为所述惯性系数；当k＝0时，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始速度，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始位移。
在每个时刻的所述变异粒子样本集的迭代更新中，当对应时刻的所述变异粒子样本集的迭代更新次数达到所述最大迭代次数或当对应时刻的所述变异粒子样本集中搜寻到粒子的所述适应度值满足所述适应度阀值时，则停止迭代更新，输出优化结果，得到对应时刻的所述优化粒子样本集
本发明提出的变异粒子群优化是一边寻优，一边变异，变异完的粒子继续放回粒子样本中，防止寻优进入局部最优，寻优是在整个预定粒子样本中寻优，不是在变异的粒子样本集寻优。
实施例六：
所述S4具体为，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值，并计算所述优化粒子样本集中每个粒子的归一化权值；
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的权值的公式为，
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的归一化权值的公式为，
其中，
为t时刻的所述优化粒子样本集中第i个粒子的权值，
表示t时刻的所述优化粒子样本集中第i个粒子的归一化权值，p(*)为概率密度分布函数，q(*)为重要性密度函数。
实施例七：
所述S5具体为，定义有效粒子数阀值Nthreshold，根据每个时刻的所述优化粒子样本集中每个粒子的权值计算对应时刻的所述优化粒子样本集中的有效粒子数Neff，
其中，
若Neff＜Nthreshold，则从t时刻的所述优化粒子样本集中进行N(此处的N表征的是初始化粒子数目)次独立的重采样，获得t时刻的所述采样粒子样本集，且t时刻的所述采样粒子样本集中每个粒子的权值
若Neff≥Nthreshold，则不进行重采样，直接将t时刻的所述优化粒子样本集作为t时刻的所述采样粒子样本集。
所述采样粒子样本集表示为
实施例八：
在所述S6中，
所述状态估计公式为，
其中，
为t时刻的所述采样粒子样本集的状态估计值，
为t时刻的所述采样粒子样本集中第i个粒子。
本发明中滤波降噪的关键就是粒子滤波算法，而粒子滤波的关键在于采样过程，本发明就是在采样过程中引入带变异算子的PSO优化算法，从而构建了针对非线性信号的滤波降噪模型，如果粒子集都分布在真实状态附近，那么粒子群中每个粒子的适应度都很高。反之，如果粒子群中每个粒子的个体最优值以及粒子群的全局最优值都很低，那么说明粒子没有分布在真实状态附近。此时利用带变异算子的PSO算法寻优算法，快速高效地不断地更新每个粒子的速度与位置，使得粒子不断地向真实状态靠近。从而避免遗漏重要粒子，既保证了粒子的多样性，又提高了有效粒子的使用率。
本发明有以下优点：
第一，本发明在进行真正的滤波降噪前，先用带变异算子的粒子群优化算法对待处理粒离散数据进行优化，而带变异算子的粒子群优化算法决了原算法易于陷入局部最优值和收敛速度过慢的问题，其具体解决办法是变异控制函数使寻优过程分前后期，前期变异率取较大值，使较多的粒子进行变异操作，以增强粒子群的多样性扩大搜索空间，避免算法陷入局部最优解。后期变异率取较小值，减少粒子的变异操作，以减弱粒子的多样性，从而加快了收敛速度，提高收敛精度。
第二，在本发明中，通过在粒子滤波前的采样过程中，先对样本进行了带变异算子的粒子群优化算法的快速优化，优化了带噪声信号的粒子样本，使得后面的滤波降噪更准确，快速。
实施例九：
基于上述一种信号建造方法，本发明还提供一种信号降噪系统。
如图3所示，一种信号降噪的系统，包括以下模块，
离散模块，其用于将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
信号降噪模型初始化模块，其用于根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
迭代更新优化模块，其用于利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
权值计算模块，其用于分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
重采样模块，其用于根据每个时刻的所述优化粒子样本集中每个粒子的权值分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
降噪信号生成模块，其用于利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
在本发明一种信号降噪的系统中，构建了基于带变异算子的粒子群优化算法和粒子滤波算法构建而成信号降噪模型，该信号降噪模型在粒子滤波采样前先用引入了变异算子的粒子群优化算法对原始噪声信号粒子样本进行优化，从而使后期的粒子滤波采样降噪过程更快速，更准确；而引入变异算子的粒子群优化粒子滤波算法的控制函数使寻优过程分前后期，前期变异率取较大值，使较多的粒子进行变异操作，以增强粒子群的多样性扩大搜索空间，避免算法陷入局部最优解，后期变异率取较小值，减少粒子的变异操作，以减弱粒子的多样性，加快收敛速度，提高收敛精度，从而可以提高滤波算法的滤波速度和降噪性能。
实施例十：
基于上述一种信号建造方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括至少一个计算机指令，在所述计算机指令执行时实现如上述所述的方法步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种信号降噪的方法，其特征在于：包括以下步骤，
S1，将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
S2，根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
S3，利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
S4，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
S5，根据每个时刻的所述优化粒子样本集中每个粒子的权值确定对应时刻的所述优化粒子样本集中的有效粒子数，根据每个时刻的所述优化粒子样本集中的有效粒子数分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
S6，利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
2.根据权利要求1所述的一种信号降噪的方法，其特征在于：所述连续待降噪信号为非线性连续模拟信号，所述S1具体为，
利用模数转换器对所述非线性连续模拟信号进行模数变换，得到由每个时刻的数据样本点组成的数字信号，每个时刻的所述数据样本点即为对应时刻的所述粒子样本集，所述数字信号即为所述样本粒子集。
3.根据权利要求1或2所述的一种信号降噪的方法，其特征在于：所述信号降噪模型包括带变异算子的粒子群优化算法函数和粒子滤波算法函数，所述带变异算子的粒子群优化算法函数中又包含有变异控制函数；
所述S2具体为，
根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并确定信号系统状态空间模型方程；
初始化所述变异控制函数中的预设变异率以及控制系数；
初始化所述带变异算子的粒子群优化算法函数中的初始化群体规模数、学习因子、最小惯性系数、最大惯性系数、每个粒子的初始位置和初始速度、最大迭代次数、适应度阈值以及适应度函数；
初始化所述粒子滤波算法函数中的初始化粒子数目和观测噪声；
根据所述信号系统状态空间模型方程确定所述粒子滤波算法函数中的初始状态和初值；
其中，所述初始化群体规模数等于所述初始化粒子数目，且令，初始化群体规模数＝初始化粒子数目＝N。
4.根据权利要求3所述的一种信号降噪的方法，其特征在于：所述S3具体包括，
根据所述控制系数和所述最大迭代次数确定所述变异控制函数，且根据所述变异控制函数、所述最小惯性系数和所述最大惯性系数计算所述带变异算子的粒子群优化算法函数中的惯性系数；
所述变异控制函数的确定公式为，y(epoch)＝(1-(epoch/epochmax)α)β，其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；
所述惯性系数的计算公式为，w＝wmin+(wmax-wmin)·y(epoch)，其中，w为所述惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；
根据所述预设变异率和所述变异控制函数计算所述变异控制函数的变异率；
所述变异率的计算公式为，u＝m·y(epoch)，其中，u为所述变异率，m为所述预设变异率。
5.根据权利要求4所述的一种信号降噪的方法，其特征在于：所述S3还具体包括，
根据所述初始化粒子数目、所述初始状态和所述初值，并结合所述信号系统状态空间模型方程分别对每个时刻的粒子样本集进行初始化，得到对应时刻的初始粒子样本集；
在所述变异控制函数的控制下，分别随机地对每个时刻的所述初始粒子样本集中的M个粒子进行变异操作，得到对应时刻的变异粒子样本集，其中，M由所述初始化群体规模数和所述变异率决定，且M＝[N*u]；
所述变异控制函数控制变异操作的过程为，xsj＝xsj+rand*y(epoch)，其中，rand∈(-a，a)是随机数，xsj代表对应时刻的所述初始粒子样本集中随机选择的M个粒子中第s个粒子的第j个元素发生变异；
根据所述适应度函数分别计算出每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]，并根据每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]计算出对应时刻的所述变异粒子样本集中的个体最优值Pi和全局最优值Gi；
所述适应度函数为，
其中，fit[i]为t时刻的所述变异粒子样本集中第i个粒子的适应度值，nt为t时刻的所述观测噪声，Yt为t时刻的所述粒子样本集，Ypred为根据所述信号系统状态空间模型方程计算得到的预测观测值，f为采集所述连续待降噪信号的终点时刻；
在任一时刻的所述变异粒子样本集中，当粒子的所述适应度值大于所述个体最优值时，则将对应粒子的所述适应度值定义为所述个体最优值，当所述个体最优值大于所述全局最优值时，则将所述个体最优值定义为所述全局最优值；
根据所述学习因子以及每个时刻的所述变异粒子样本集中的所述个体最优值、所述全局最优值以及每个粒子的所述初始位置和所述初始速度分别迭代更新对应时刻的所述变异粒子样本集中每个粒子的速度和位置；
任一时刻的所述变异粒子样本集中任一个粒子在迭代更新后的速度和位置的计算公式为，
其中，rand()为介于(0,1)区间的随机数，c1和c2均为所述学习因子，且c1＝c2＝1.4692，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的速度，
为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的位置，
为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的位置，
为t时刻的所述变异粒子样本集在第k次迭代更新后的个体最优值，
为t时刻的所述变异粒子样本集在k次迭代更新后的全局最优值，w为所述惯性系数；当k＝0时，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始速度，
为t时刻的所述变异粒子样本集中第i个粒子的所述初始位移；
在每个时刻的所述变异粒子样本集的迭代更新中，当对应时刻的所述变异粒子样本集的迭代更新次数达到所述最大迭代次数或当对应时刻的所述变异粒子样本集中搜寻到粒子的所述适应度值满足所述适应度阀值时，则停止迭代更新，输出优化结果，得到对应时刻的所述优化粒子样本集。
6.根据权利要求5所述的一种信号降噪的方法，其特征在于：所述S4具体为，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值，并计算所述优化粒子样本集中每个粒子的归一化权值；
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的权值的公式为，
在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的归一化权值的公式为，
其中，
为t时刻的所述优化粒子样本集中第i个粒子的权值，
表示t时刻的所述优化粒子样本集中第i个粒子的归一化权值，p(*)为概率密度分布函数，q(*)为重要性密度函数。
7.根据权利要求6所述的一种信号降噪的方法，其特征在于：所述S5具体为，定义有效粒子数阀值Nthreshold，
根据每个时刻的所述优化粒子样本集中每个粒子的权值计算对应时刻的所述优化粒子样本集中的有效粒子数Neff，
其中，
若Neff＜Nthreshold，则从t时刻的所述优化粒子样本集中进行N次独立的重采样，获得t时刻的所述采样粒子样本集，且t时刻的所述采样粒子样本集中每个粒子的权值
若Neff≥Nthreshold，则不进行重采样，直接将t时刻的所述优化粒子样本集作为t时刻的所述采样粒子样本集。
8.根据权利要求7所述的一种信号降噪的方法，其特征在于：在所述S6中，
所述状态估计公式为，
其中，
为t时刻的所述采样粒子样本集的状态估计值，
为t时刻的所述采样粒子样本集中第i个粒子。
9.一种信号降噪的系统，其特征在于：包括以下模块，
离散模块，其用于将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；
信号降噪模型初始化模块，其用于根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；
迭代更新优化模块，其用于利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；
权值计算模块，其用于分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；
重采样模块，其用于根据每个时刻的所述优化粒子样本集中每个粒子的权值分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；
降噪信号生成模块，其用于利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。
10.一种计算机存储介质，其特征在于：包括至少一个计算机指令，在所述计算机指令执行时实现如权利要求1至8任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355048.7A CN110111275B (zh) | 2019-04-29 | 2019-04-29 | 一种信号降噪的方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910355048.7A CN110111275B (zh) | 2019-04-29 | 2019-04-29 | 一种信号降噪的方法、系统及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110111275A CN110111275A (zh) | 2019-08-09 |
| CN110111275B true CN110111275B (zh) | 2022-11-29 |
Family
ID=67487363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910355048.7A Active CN110111275B (zh) | 2019-04-29 | 2019-04-29 | 一种信号降噪的方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111275B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409223B (zh) * | 2021-06-30 | 2023-06-23 | 中国科学院空天信息创新研究院 | 基于粒子群算法与投影方法的距离模糊抑制方法和装置 |
| CN117056675A (zh) * | 2023-08-16 | 2023-11-14 | 西南石油大学 | 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
| CN104482933A (zh) * | 2014-12-03 | 2015-04-01 | 北京航空航天大学 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
-
2019
- 2019-04-29 CN CN201910355048.7A patent/CN110111275B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
| CN104482933A (zh) * | 2014-12-03 | 2015-04-01 | 北京航空航天大学 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110111275A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543929B (zh) | 一种基于Lorenz系统的风速区间预测方法及系统 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN110111275B (zh) | 一种信号降噪的方法、系统及计算机存储介质 | |
| CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
| CN109086686B (zh) | 基于自适应动量因子的时变信道下的盲源分离方法 | |
| CN113783717A (zh) | 智慧城市网络流量预测方法及系统 | |
| CN110532620A (zh) | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 | |
| CN112215412A (zh) | 溶解氧预测方法及装置 | |
| CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
| CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
| CN117112996A (zh) | 一种基于自适应尺度分解的海洋气象数据同化方法 | |
| CN111626324A (zh) | 基于边缘计算的海底观测网数据异构解析集成方法 | |
| CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
| CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
| CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 | |
| CN113362853B (zh) | 一种基于lstm网络emd端点效应抑制方法 | |
| CN118100914B (zh) | 基于人工智能的双频率合成器控制方法及系统 | |
| CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
| Liu et al. | A selective quantization approach for optimizing quantized inference engine | |
| CN114063148B (zh) | 一种基于贝叶斯判别的折射波初至优选方法及系统 | |
| Liehr et al. | Hidden markov mixtures of experts for prediction of non-stationary dynamics | |
| CN117852375A (zh) | 轴承寿命预测方法及装置 | |
| CN118189870A (zh) | 一种桥梁位移预测预警方法及系统 | |
| CN115036934A (zh) | 一种部分可观配电网的无功电压优化方法及装置 | |
| CN118367572A (zh) | 一种宽频振荡的状态检测方法、装置、终端及介质 |
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 |