CN112785003B - 一种电调滤波器控制方法及装置 - Google Patents

一种电调滤波器控制方法及装置 Download PDF

Info

Publication number
CN112785003B
CN112785003B CN202110117991.1A CN202110117991A CN112785003B CN 112785003 B CN112785003 B CN 112785003B CN 202110117991 A CN202110117991 A CN 202110117991A CN 112785003 B CN112785003 B CN 112785003B
Authority
CN
China
Prior art keywords
clan
individual
optimal
function
regression model
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
CN202110117991.1A
Other languages
English (en)
Other versions
CN112785003A (zh
Inventor
丁志勇
蔡楚才
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.)
Wuhan Bochang Software Development Co ltd
Original Assignee
Wuhan Bochang Software Development 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 Wuhan Bochang Software Development Co ltd filed Critical Wuhan Bochang Software Development Co ltd
Priority to CN202110117991.1A priority Critical patent/CN112785003B/zh
Publication of CN112785003A publication Critical patent/CN112785003A/zh
Application granted granted Critical
Publication of CN112785003B publication Critical patent/CN112785003B/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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Abstract

本发明提出一种电调滤波器控制方法及装置，所述方法包括：对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；将多项式核函数和高斯核函数进行线性组合，得到组合核函数；基于组合核函数构造支持向量回归模型和对应的目标函数；采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。本发明通过支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，可以提高电调滤波器的调谐能力和调谐精度。

Description

一种电调滤波器控制方法及装置
技术领域
本发明涉及电调滤波器技术领域，具体涉及一种电调滤波器控制方法及装置。
背景技术
电调滤波器是现代数字通信、跳频技术中不可缺少的关键器件，尤其是无线电通信系统提高抗干扰能力的优选器件。
传统的电调滤波器控制是通过将离散的频率输入值与离散的电压输出值一一对应，形成离散的频率-电压对应关系表，在进行电调滤波器的控制时通过查找频率-电压对应关系表的方式进行调谐控制。使用这种离散的电调谐滤波器控制方式，对于没有进行数据采集的频率输入值，是无法进行模拟电压输出的，导致控制精度有限，因此调谐能力和调谐精度有待提高。为了满足控制偏置电压的精度，需要成几何倍增加数据采集样本点的数量，而且当数据样本点发生更改时，需要对数据样本点进行重新采集，很大程度上增加了工作量，对数据维护和使用前的准备过程带来不便。
发明内容
有鉴于此，本发明提出了一种电调滤波器精度控制方法，用于解决通过查表的方式进行调谐控制时，调谐能力和调谐精度不高的问题。
本发明第一方面，提出一种电调滤波器控制方法，所述方法包括：
对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；
将多项式核函数和高斯核函数进行线性组合，得到组合核函数；
对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；
以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
优选的，所述对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样具体包括：
采集在特定环境温度T和使用寿命D下，输入不同的预制中心频率f0时，数模转换器的输出电压值V和对应的输出中心频率F，每个采样数据用(T，D，f0，V，F)表示。
优选的，所述对采样数据进行预处理具体包括：对采样数据进行清洗和归类，将同一环境温度区间范围和使用寿命范围下的采样数据归为一类。
优选的，所述目标函数为均方根误差函数。
优选的，所述采用改进的象群优化算法优化支持向量回归模型的参数具体为：
以空间向量(C，ω，σ，ε)作为象群优化算法中的个体，C表示组合核函数的惩罚系数，ω表示组合核函数中高斯核函数的权重系数，多项式核函数的权重系数为1-ω，σ表示高斯核带宽，ε表示不敏感系数，通过改进的象群优化算法选取出最优的个体，得到支持向量回归模型的惩罚系数C、高斯核带宽及不敏感系数ε的最优组合。
优选的，所述采用改进的象群优化算法优化支持向量回归模型的参数具体包括如下步骤：
设置种群规模N、迭代次数T、各参数取值范围，设个体i的位置为xi＝[xi,C，xi,ω，xi,σ，xi,ε]，在参数取值范围内随机初始化种群，将种群随机分为多个氏族；
通过目标函数计算各个个体的适应度值，得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置；
根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新；
重新计算各个个体的适应度值，对各个氏族中适应度最差的个体进行氏族分离，并对适应度最差的个体进行位置更新；
判断是否达到收敛条件，若是，输出当前最优位置作为最优分割阈值组合；若否，删除氏族分离之后种群中适应度最差的个体，重新进行适应度计算、氏族更新和氏族分离，直至达到收敛条件，输出当前最优位置作为最优分割阈值组合。
优选的，所述根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新具体包括：
根据氏族中最优个体位置更新其他个体位置：
引入天牛须搜索算法，根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置：
Figure GDA0003714663760000031
其中
Figure GDA0003714663760000032
为第t次迭代时氏族ci中最优个体位置，
Figure GDA0003714663760000033
为氏族ci的中心位置，
Figure GDA0003714663760000034
表示第t次迭代时氏族ci中第j个个体位置，
Figure GDA0003714663760000035
为氏族ci中的个体总数；
Figure GDA0003714663760000036
为种群中最优个体位置；β为权重系数，r1、r2为学习参数，b为n维随机单位向量，
Figure GDA0003714663760000037
Figure GDA0003714663760000038
xb,l、xb,r分别为
Figure GDA0003714663760000039
左侧、右侧搜索区域的位置；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为目标函数，d为大于0的常数。
本发明第二方面，提出一种电调滤波器控制装置，所述装置包括：
数据采集模块：对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；
支持向量回归模块：将多项式核函数和高斯核函数进行线性组合，得到组合核函数；对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
滤波器控制模块：通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
本发明相对于现有技术具有以下有益效果：
1)本发明通过建立支持向量回归模模型来拟合模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，可以使数模转换模块输出连续值，而非离散的样本点，可以提高电调滤波器的调谐能力和调谐精度；
2)本发明采用改进的象群优化算法优化支持向量回归模型的参数，引入天牛须搜索算子，能加快搜索效率，且一次性优化多个参数，提高了优化效率和支持向量回归模型的拟合精度；
3)对于不同环境温度区间范围和使用寿命范围下的采样数据分别训练支持向量回归模型，充分考虑环境温度和使用寿命变化对电调滤波器及相关组件的电气特性的影响，实际使用时，可根据实际需要选择对应的支持向量回归模型，保证调节精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电调滤波器控制方法流程示意图；
图2为本发明电调滤波器控制装置的结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明提出一种电调滤波器控制方法，所述方法包括：
S1、对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；
数模转换器主要是负责根据输入的预置中心频率，将数字信号转化为模拟电压信号，输出给变容二级管，调节变容二极管的反偏电压，从而控制电调谐滤波器的中心频率。
由于随着设备长时间使用和环境温度变化，电子元器件的电气特性会发生改变，为了提高数据采用准确度，需要特定环境温度区间和使用寿命区间下采集数据。采集在特定环境温度T和使用寿命D下，输入不同的预制中心频率f0时，数模转换器的输出电压值V和对应的输出中心频率F，每个采样数据用(T，D，f0，V，F)表示。对采样数据进行清洗和归类，将同一环境温度区间范围和使用寿命范围下的采样数据归为一类。
S2、将多项式核函数和高斯核函数进行线性组合，得到组合核函数；
组合核函数的表达式为：K(x,x')＝ωK1+(1-ω)K2，其中K1为高斯核函数，K2为多项式核函数。
S3、对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；
具体的，虑环境温度和使用寿命变化对电调滤波器及相关组件的电气特性的影响，划定环境温度区间范围和使用寿命范围，不同环境温度区间范围和使用寿命范围下的采样数据需要分别训练支持向量回归模型。具体使用时可根据实际需要选择对应的支持向量回归模型，保证调节精度，对于同类型电调滤波器控制适应性强。
所述目标函数为均方根误差函数
Figure GDA0003714663760000051
其中yi为采样数据的实际值(输出中心频率)，yi′为支持向量回归模型的预测值，M为采样点总数。
S4、以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
以空间向量(C，ω，σ，ε)作为象群优化算法中的个体，C表示组合核函数的惩罚系数，ω表示组合核函数中高斯核函数的权重系数，多项式核函数的权重系数为1-ω，σ表示高斯核带宽，ε表示不敏感系数，通过改进的象群优化算法选取出最优的个体，得到支持向量回归模型的惩罚系数C、权重系数ω、高斯核带宽σ及不敏感系数ε的最优组合。
采用改进的象群优化算法优化支持向量回归模型的参数的具体步骤包括：
S41、设置种群规模N、迭代次数T、各参数取值范围；设个体i的位置为xi＝[xi,C，xi,ω，xi,σ，xi,ε]，xi,C代表组合核函数的惩罚系数值，xi,ω表示组合核函数中高斯核函数的权重系数值，xi,σ表示高斯核带宽值，xi,ε表示不敏感系数值；在参数取值范围内随机初始化种群，将种群随机分为多个氏族；
S42、通过目标函数计算各个个体的适应度值，得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置；
S43、根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新；
根据氏族中最优个体位置更新其他个体位置：
Figure GDA0003714663760000061
其中ci表示种群中第i个氏族，
Figure GDA0003714663760000062
分别表示第t次、第t+1次迭代时氏族ci中第j个个体位置，
Figure GDA0003714663760000063
为第t次迭代时氏族ci中最优个体位置，α∈[0,1]，γ∈[0,1]；
引入天牛须搜索算法，根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置：
Figure GDA0003714663760000064
其中
Figure GDA0003714663760000071
为第t次迭代时氏族ci中最优个体位置，
Figure GDA0003714663760000072
为氏族ci的中心位置，
Figure GDA0003714663760000073
表示第t次迭代时氏族ci中第j个个体位置，
Figure GDA0003714663760000074
为氏族ci中的个体总数；
Figure GDA0003714663760000075
为种群中最优个体位置；β为权重系数，r1、r2为学习参数，b为n维随机单位向量，
Figure GDA0003714663760000076
Figure GDA0003714663760000077
xi,l、xi,r分别为
Figure GDA0003714663760000078
左侧、右侧搜索区域的位置；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为目标函数，d为大于0的常数。
本发明在象群算法中引入天牛须搜索算法，根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置，根据当前个体位置左右两侧的适应度预判最优个体所在方位，并向最优个体所在方位移动，可以加快搜索速度，避免绕圈，通过该方式以最快速度找到支持向量回归模型的最优参数组合。且一次性优化多个参数，提高了优化效率和支持向量回归模型的拟合精度。
S44、重新计算各个个体的适应度值，对各个氏族中适应度最差的个体进行氏族分离，并对适应度最差的个体进行位置更新；
S45、判断是否达到收敛条件，若是，输出当前最优位置作为最优分割阈值组合；若否，删除氏族分离之后种群中适应度最差的个体，返回步骤S42，重新进行适应度计算、氏族更新和氏族分离，直至达到收敛条件，输出当前最优位置作为最优分割阈值组合。
S5、通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
本发明通过建立支持向量回归模模型来拟合模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，可以使数模转换模块输出连续值，而非离散的样本点，可以提高电调滤波器的调谐能力和调谐精度
请参阅图2，与上述方法实施例相对应，本发明还提出一种电调滤波器控制装置，所述装置包括：
数据采集模块10：对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；
支持向量回归模块20：将多项式核函数和高斯核函数进行线性组合，得到组合核函数；对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
滤波器控制模块30：通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
以上所述仅为本发明的较佳实施方式而已，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 (4)

1.一种电调滤波器控制方法，其特征在于，所述方法包括：
对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；所述对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样具体包括：
采集在特定环境温度T和使用寿命D下，输入不同的预制中心频率f0时，数模转换器的输出电压值V和对应的输出中心频率F，每个采样数据用(T，D，f0，V，F)表示；
将多项式核函数和高斯核函数进行线性组合，得到组合核函数；
对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；
以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
所述采用改进的象群优化算法优化支持向量回归模型的参数具体为：
以空间向量(C，ω，σ，ε)作为象群优化算法中的个体，C表示组合核函数的惩罚系数，ω表示组合核函数中高斯核函数的权重系数，多项式核函数的权重系数为1-ω，σ表示高斯核带宽，ε表示不敏感系数，通过改进的象群优化算法选取出最优的个体，得到支持向量回归模型的惩罚系数C、权重系数ω、高斯核带宽σ及不敏感系数ε的最优组合；
所述采用改进的象群优化算法优化支持向量回归模型的参数具体包括如下步骤：
设置种群规模N、迭代次数T、各参数取值范围，设个体i的位置为xi＝[xi,C，xi,ω，xi,σ，xi,ε]，xi,C代表组合核函数的惩罚系数值，xi,ω表示组合核函数中高斯核函数的权重系数值，xi,σ表示高斯核带宽值，xi,ε表示不敏感系数值；在参数取值范围内随机初始化种群，将种群随机分为多个氏族；
通过目标函数计算各个个体的适应度值，得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置；
根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新
重新计算各个个体的适应度值，对各个氏族中适应度最差的个体进行氏族分离，并对适应度最差的个体进行位置更新；
判断是否达到收敛条件，若是，输出当前最优位置作为最优分割阈值组合；若否，删除氏族分离之后种群中适应度最差的个体，重新进行适应度计算、氏族更新和氏族分离，直至达到收敛条件，输出当前最优位置作为最优分割阈值组合；
所述根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新具体包括：
根据氏族中最优个体位置更新其他个体位置；
引入天牛须搜索算法，根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置：
Figure FDA0003714663750000021
其中
Figure FDA0003714663750000022
为第t次迭代时氏族ci中最优个体位置，
Figure FDA0003714663750000023
为氏族ci的中心位置，
Figure FDA0003714663750000024
表示第t次迭代时氏族ci中第j个个体位置，
Figure FDA0003714663750000025
为氏族ci中的个体总数；
Figure FDA0003714663750000026
为种群中最优个体位置；β为权重系数，r1、r2为学习参数，b为n维随机单位向量，
Figure FDA0003714663750000027
Figure FDA0003714663750000028
xb,l、xb,r分别为
Figure FDA0003714663750000029
左侧、右侧搜索区域的位置；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为目标函数，d为大于0的常数；
通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
2.根据权利要求1所述电调滤波器控制方法，其特征在于，所述对采样数据进行预处理具体包括：对采样数据进行清洗和归类，将同一环境温度区间范围和使用寿命范围下的采样数据归为一类。
3.根据权利要求1所述电调滤波器控制方法，其特征在于，所述目标函数为均方根误差函数。
4.一种电调滤波器控制装置，其特征在于，所述装置包括：
数据采集模块：对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样，对采样数据进行预处理；所述对数模转换器输出的模拟电压值与电调滤波器的中心频率值对应关系进行采样具体包括：
采集在特定环境温度T和使用寿命D下，输入不同的预制中心频率f0时，数模转换器的输出电压值V和对应的输出中心频率F，每个采样数据用(T，D，f0，V，F)表示；
支持向量回归模块：将多项式核函数和高斯核函数进行线性组合，得到组合核函数；对预处理后的采样数据，基于组合核函数构造支持向量回归模型和对应的目标函数；以目标函数为适应度函数，采用改进的象群优化算法优化支持向量回归模型的参数，训练得到最优支持向量回归模型；
所述采用改进的象群优化算法优化支持向量回归模型的参数具体为：
以空间向量(C，ω，σ，ε)作为象群优化算法中的个体，C表示组合核函数的惩罚系数，ω表示组合核函数中高斯核函数的权重系数，多项式核函数的权重系数为1-ω，σ表示高斯核带宽，ε表示不敏感系数，通过改进的象群优化算法选取出最优的个体，得到支持向量回归模型的惩罚系数C、权重系数ω、高斯核带宽σ及不敏感系数ε的最优组合；
所述采用改进的象群优化算法优化支持向量回归模型的参数具体包括：
设置种群规模N、迭代次数T、各参数取值范围，设个体i的位置为xi＝[xi,C，xi,ω，xi,σ，xi,ε]，xi,C代表组合核函数的惩罚系数值，xi,ω表示组合核函数中高斯核函数的权重系数值，xi,σ表示高斯核带宽值，xi,ε表示不敏感系数值；在参数取值范围内随机初始化种群，将种群随机分为多个氏族；
通过目标函数计算各个个体的适应度值，得到当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置；
根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新；
重新计算各个个体的适应度值，对各个氏族中适应度最差的个体进行氏族分离，并对适应度最差的个体进行位置更新；
判断是否达到收敛条件，若是，输出当前最优位置作为最优分割阈值组合；若否，删除氏族分离之后种群中适应度最差的个体，重新进行适应度计算、氏族更新和氏族分离，直至达到收敛条件，输出当前最优位置作为最优分割阈值组合；
所述根据当前各个氏族中最优个体位置、各个氏族中最差个体位置、种群中最优个体位置进行氏族位置更新具体包括：
根据氏族中最优个体位置更新其他个体位置；
引入天牛须搜索算法，根据氏族中心位置和种群中最优个体位置更新各个氏族中当前最优个体的位置：
Figure FDA0003714663750000041
其中
Figure FDA0003714663750000042
为第t次迭代时氏族ci中最优个体位置，
Figure FDA0003714663750000043
为氏族ci的中心位置，
Figure FDA0003714663750000044
表示第t次迭代时氏族ci中第j个个体位置，
Figure FDA0003714663750000045
为氏族ci中的个体总数；
Figure FDA0003714663750000046
为种群中最优个体位置；β为权重系数，r1、r2为学习参数，b为n维随机单位向量，
Figure FDA0003714663750000047
Figure FDA0003714663750000048
xb,l、xb,r分别为
Figure FDA0003714663750000049
左侧、右侧搜索区域的位置；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为目标函数，d为大于0的常数；
滤波器控制模块：通过最优支持向量回归模型建立模拟电压值与电调滤波器的中心频率值之间的连续的对应关系，基于连续的对应关系进行电调滤波器控制。
CN202110117991.1A 2021-01-28 2021-01-28 一种电调滤波器控制方法及装置 Active CN112785003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117991.1A CN112785003B (zh) 2021-01-28 2021-01-28 一种电调滤波器控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117991.1A CN112785003B (zh) 2021-01-28 2021-01-28 一种电调滤波器控制方法及装置

Publications (2)

Publication Number Publication Date
CN112785003A CN112785003A (zh) 2021-05-11
CN112785003B true CN112785003B (zh) 2022-08-26

Family

ID=75759384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117991.1A Active CN112785003B (zh) 2021-01-28 2021-01-28 一种电调滤波器控制方法及装置

Country Status (1)

Country Link
CN (1) CN112785003B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116979931B (zh) * 2023-09-22 2024-01-12 中建八局第三建设有限公司 一种用于架桥机预警反馈的信号处理方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200759A (zh) * 2011-05-28 2011-09-28 东华大学 一种非线性核化自适应预测方法
WO2012162972A1 (zh) * 2011-05-27 2012-12-06 华南理工大学 具有恒定绝对带宽的平衡式射频电调带通滤波器
CN104316760A (zh) * 2014-10-10 2015-01-28 中国电子科技集团公司第四十一研究所 一种应用于微波频率计的主频信号判定电路及判定方法
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN107174203A (zh) * 2017-05-10 2017-09-19 东华大学 一种脑电信号的识别方法
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN108615555A (zh) * 2018-04-26 2018-10-02 山东师范大学 基于标记基因和混合核函数svm的结直肠癌预测方法和装置
CN109596543A (zh) * 2018-11-25 2019-04-09 西安建筑科技大学 粒子群优化多核支持向量回归的光谱反射率重建方法
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN111683375A (zh) * 2020-05-08 2020-09-18 北京科技大学 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法
CN112039820A (zh) * 2020-08-14 2020-12-04 哈尔滨工程大学 量子象群机制演化bp神经网络的通信信号调制识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11486925B2 (en) * 2020-05-09 2022-11-01 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012162972A1 (zh) * 2011-05-27 2012-12-06 华南理工大学 具有恒定绝对带宽的平衡式射频电调带通滤波器
CN102200759A (zh) * 2011-05-28 2011-09-28 东华大学 一种非线性核化自适应预测方法
CN104316760A (zh) * 2014-10-10 2015-01-28 中国电子科技集团公司第四十一研究所 一种应用于微波频率计的主频信号判定电路及判定方法
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN107174203A (zh) * 2017-05-10 2017-09-19 东华大学 一种脑电信号的识别方法
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN108615555A (zh) * 2018-04-26 2018-10-02 山东师范大学 基于标记基因和混合核函数svm的结直肠癌预测方法和装置
CN109596543A (zh) * 2018-11-25 2019-04-09 西安建筑科技大学 粒子群优化多核支持向量回归的光谱反射率重建方法
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN111683375A (zh) * 2020-05-08 2020-09-18 北京科技大学 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法
CN112039820A (zh) * 2020-08-14 2020-12-04 哈尔滨工程大学 量子象群机制演化bp神经网络的通信信号调制识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Elephant Herding Optimization Algorithm-Based Static Switched Filter Compensation Scheme for Power Quality Improvement in Smart Grid;S.Mani Kuchibhatla等;《Journal of Circuits,Systems,and Computers》;20190715;第2050066-1至2050066-32页 *
超短波接收机数调滤波器设计与实现;秦潞河;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20131215(第S2期);第I136-134页 *

Also Published As

Publication number Publication date
CN112785003A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Bui et al. Streaming sparse Gaussian process approximations
CN112785003B (zh) 一种电调滤波器控制方法及装置
CN110163342B (zh) 一种模型压缩方法、装置、设备及存储介质
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
Villamizar et al. An 800 nW switched-capacitor feature extraction filterbank for sound classification
Yuan et al. Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
CN110991623A (zh) 基于数模混合神经元的神经网络运算系统
Zhao et al. Compensation module design for overlapping band in band-interleaved data acquisition systems based on hybrid particle swarm optimization algorithm
CN111401140A (zh) 一种边缘计算环境下智能视频监控系统的离线学习方法
CN116312860B (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
Zhang et al. Blind source separation based on quantum slime mould algorithm in impulse noise
CN111626324A (zh) 基于边缘计算的海底观测网数据异构解析集成方法
US11934954B2 (en) Pure integer quantization method for lightweight neural network (LNN)
Bindiya et al. Design of multiplier-less reconfigurable non-uniform channel filters using meta-heuristic algorithms
CN112232477A (zh) 图像数据处理方法、装置、设备及介质
CN112885367B (zh) 基频获取方法、装置、计算机设备和存储介质
CN104980158A (zh) 逐次逼近模数转换器及其校准方法
CN114298101A (zh) 一种动态称重方法及系统
CN115166527A (zh) 锂离子电池的剩余使用寿命预测方法、装置、设备及介质
Perić et al. Analysis of 32-bit Fixed Point Quantizer in the Wide Variance Range for the Laplacian Source
CN114647789A (zh) 一种推荐模型的确定方法和相关装置
Jinhai et al. Dynamically-biased fixed-point LSTM for time series processing in AIoT edge device
CN112818941A (zh) 基于迁移学习的文物碎片显微图像的分类方法、系统、设备及存储介质
RU2682304C1 (ru) Способ распознавания типов манипуляции радиосигналов

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