CN112948606B - 一种基于自适应网格的信号估计方法及装置 - Google Patents

一种基于自适应网格的信号估计方法及装置 Download PDF

Info

Publication number
CN112948606B
CN112948606B CN202011469571.1A CN202011469571A CN112948606B CN 112948606 B CN112948606 B CN 112948606B CN 202011469571 A CN202011469571 A CN 202011469571A CN 112948606 B CN112948606 B CN 112948606B
Authority
CN
China
Prior art keywords
grid
signal
formula
parameter
calculating
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
CN202011469571.1A
Other languages
English (en)
Other versions
CN112948606A (zh
Inventor
王千里
马征
刘一鸣
赵志钦
陈祝明
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011469571.1A priority Critical patent/CN112948606B/zh
Publication of CN112948606A publication Critical patent/CN112948606A/zh
Application granted granted Critical
Publication of CN112948606B publication Critical patent/CN112948606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions

Abstract

本发明提供了一种基于自适应网格的信号估计方法及装置，所述方法包括：获取初始参数；在当前的初始网格下，根据离网格稀疏贝叶斯方法进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；计算当前网格下的信号能量谱；判断迭代是否满足停止条件；若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱；若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；判断每一个网格点是否满足裂变的条件，对满足条件的网格点进行网格裂变，得到新网格；更新新网格的参数，并返回参数学习步骤。基于本发明中的方法可以自适应信噪比，自适应划分估计空间的网格，实现分辨力和精度的自适应。

Description

一种基于自适应网格的信号估计方法及装置
技术领域
本发明涉及信号处理领域，具体而言，涉及一种基于自适应网格的信号估计方法及装置。
背景技术
信号估计是如何将信号表示为一组参数(称为某个域的谱)，并获取参数值的问题。例如，空间信源的波达方向估计就是要获得信号的空间谱，并根据谱获得源的方向。在传统方法中，首先将参数域离散/网格化为一组有限的网格点集，然后将测量值投影到这个离散的参数域中，最后根据谱值获得参数估计。例如，在经典的波束形成方法中，傅里叶变换用于将测量值投影到离散的空间频率域，然后将频率谱的峰值估计为波达方向。但是，这些频谱是在空间频率域上人为划分的固定网格上定义的。传统方法假设参数的值正好等于(实际上，几乎不可能等于)初始网格点的值。它们被称为在网格的方法，这种假设称为在网格假设。离网格误差是指真实值与其最近网格点之间的距离，它在实际应用中一直存在，并限制了估计的精度。使用密集网格可以减少离网格误差，但会导致更大的计算工作量。此外，如果使用密集网格，估计算法中字典矩阵的相关性可能更接近于1，这将导致基于稀疏表示的信号估计方法失败。
目前已有离网格方法通过一阶泰勒展开或插值来近似离网格参数。通过对网格划分方法中各点的网格划分方法的改进，可以对网格划分方法进行优化。然而，在这些预先定义和固定的网格点间距的情况下，离网格方法将遇到与在网格方法相似的问题。首先，分辨率受预定义网格的限制。在同一网格间隔中可能还有多个值，导致参数值丢失。如果在参数域中使用更密集的网格来提高精度和减少丢失问题的概率，则会增加计算量，并且可能会因为估计算法中字典矩阵的相关性可能更接近于1而导致估计算法失效。
在专利201910861268.7中提出了一种基于自适应网格的光学变形测量方法和电子设备，然而该方法需要已知位移场，无法解决未知信息分布的信号估计问题。专利201910592877.7提出了一种基于密度与网格结合的聚类方法及其装置，然而该方法并未提供参数估计方法、网格的分布准则和网格阈值的计算。专利201610970697.4提出了相近的网格分布策略，但其依赖于方程的精确求解，在存在噪声的信号估计问题中难以实现。
发明内容
本发明的目的在于提供一种基于自适应网格的信号估计方法及装置，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种基于自适应网格的信号估计方法，所述方法包括：
S1、均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
S2、在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
S3、基于所述信号方差、信号的均值、噪声方差和离网格参数，计算当前网格下的信号能量谱；
S4、基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
S5、若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
S6、若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
S7、基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
S8、更新所述新网格的参数，并返回S2。
可选地，所述计算网格的局部密度、信息量和尺度因子，包括：
通过公式(1)计算网格的局部密度，所述公式(1)为：
Figure GDA0003052800540000031
公式(1)中，
Figure GDA0003052800540000032
表示估计的第n个网格划分点，N为总网格划分点个数；
通过公式(2)计算信息量，所述公式(2)为：
Figure GDA0003052800540000033
公式(2)中，
Figure GDA0003052800540000034
为网格划分点
Figure GDA0003052800540000035
对应的信号能量谱的值，其表示信号在该网格上的投影值或能量值；
通过公式(3)计算尺度因子，所述公式(3)为：
Figure GDA0003052800540000036
公式(3)中，r0是一个与初始均匀网格划分相关的常量，
Figure GDA0003052800540000037
ct是一个控制阈值的参数，用来区分噪声和信号，其计算公式为ct＝chi2inv(1-pF,1)，其中chi2inv(·)是卡方累积分布函数，pF是虚警概率，尺度因子不是一个固定的值，而是根据噪声水平自适应的参数。
可选地，所述判断每一个网格点是否满足进行网格裂变的条件，包括：
对一个已经存在的网格点
Figure GDA0003052800540000041
进行判断，若
Figure GDA0003052800540000042
则符合裂变条件；
所述对满足网格裂变条件的网格点进行网格裂变，包括：
若符合裂变条件，则在原网格中新增两个网格点：
Figure GDA0003052800540000043
和
Figure GDA0003052800540000044
可选地，所述更新新网格的参数，包括
更新新网格的网格值和离网格参数、更新新网格的间隔、更新估计字典矩阵和更新泰勒展开一阶近似项；
所述更新新网格的网格值和离网格参数，包括：
Figure GDA0003052800540000045
代表第i次迭代的β的第n个元素，然后将新网格的离网格参数重置为0，即βi+1＝0；
所述更新新网格的间隔中，包括计算新网格的间隔，通过公式(4)计算新网格的间隔，所述公式(4)为：
Figure GDA0003052800540000046
公式(4)中，
Figure GDA0003052800540000047
所述更新估计字典矩阵中，包括计算估计字典矩阵，通过公式(5)计算估计字典矩阵，所述公式(5)为：
Figure GDA0003052800540000051
公式(5)中，a(·)∈CM×1是信号空间的基函数；
所述更新泰勒展开一阶近似项中，包括计算泰勒展开一阶近似项，通过公式(6)计算泰勒展开一阶近似项，所述公式(6)为：
Figure GDA0003052800540000052
公式(6)中，
Figure GDA0003052800540000053
为泰勒展开一阶近似项。
第二方面，本申请实施例提供了一种基于自适应网格的信号估计装置，所述装置包括：
初始化模块，用于均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
参数学习模块，用于在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
第一计算模块，用于基于所述信号方差，信号的均值，噪声方差和离网格参数，计算当前网格下的信号能量谱；
第一判断模块，用于基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
第一输出模块，用于若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
第二计算模块，用于若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
第二判断模块，用于基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
网格更新模块，用于更新新网格的参数，并返回在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数步骤。
第三方面，本申请实施例提供了一种基于自适应网格的信号估计设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于自适应网格的信号估计方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于自适应网格的信号估计方法的步骤。
本发明的有益效果为：
基于本发明中的方法可以自适应信噪比，自适应划分估计空间的网格，从而实现分辨力和精度的自适应。本发明是当前基于网格的估计方法中同等时间消耗精度最高，同等精度时间最快的方法。此外，本发明参数调控方便，由单一参数ct来控制时间和精度的平衡。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例中所述的一种基于自适应网格的信号估计方法流程示意图；
图2是本发明实施例中所述的一种基于自适应网格的信号估计装置结构示意图；
图3是本发明实施例中所述的一种基于自适应网格的信号估计设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种基于自适应网格的信号估计方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5、步骤S6、步骤S7和步骤S8。
S1.均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
S2.在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
S3.基于所述信号方差、信号的均值、噪声方差和离网格参数，计算当前网格下的信号能量谱；
S4.基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
S5.若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
S6.若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
S7.基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
S8.更新所述新网格的参数，并返回S2。
本实施例中获取的输入信号为信号的时间观测数据，所述输出自适应网格对应频域上自适应划分的网格，输出的信号能量谱对应信号的频谱，根据频谱中的峰值，确定对应峰值的网格值，根据网格值输出信号的频率估计值。与现有技术相比，本发明实现了一种基于自适应网格产生方法的频率估计。基于该方法可以自适应信噪比，自适应划分估计空间的网格，从而实现分辨力和精度的自适应。本发明是当前频率估计方法中同等时间消耗精度最高，同等精度时间最快的方法。此外，本发明参数调控方便，由单一参数ct来控制时间和精度的平衡。
在本公开的一种具体实施方式中，所述步骤S2后，还可以包括步骤S21。
步骤S21.进行先验假设，假设一个服从高斯分布的信号的概率密度函数为：
Figure GDA0003052800540000091
其中，α0是噪声的精度，σ2＝1/α0是噪声方差，Y是测量值构成的矩阵，X是Y在信号空间Φ中的表示，
Figure GDA0003052800540000092
是网格划分点
Figure GDA0003052800540000093
和离网格参数β的函数，diag(β)代表向量构成对角矩阵或取出对角矩阵的对角线元素构成向量；
根据以上假设，使用贝叶斯方法对所述输入信号进行参数学习，计算信号的均值E(X|Y)，信号方差∑，噪声方差σ2和离网格参数β，计算公式如下：
E(X|Y)＝[μ(1),…,μ(T)] (1)
μ(t)＝α0∑ΦHy(t),t＝1,2,…,T (2)
∑＝(α0ΦHΦ+Δ-1)-1 (3)
其中，
Figure GDA0003052800540000101
是信号功率的超参数，μ(t)和∑分别是X第t列的期望和X的方差；
对于公式(1)、(2)、(3)中涉及到的超参数，使用迭代法求解，其迭代的更新方程为：
Figure GDA0003052800540000102
Figure GDA0003052800540000103
Figure GDA0003052800540000104
公式(4)、(5)、(6)中，
Figure GDA0003052800540000105
和βnew均为式(1)、式(2)和式(3)中相对应参数迭代过程中的更新方程。其中，Ξt＝μ(t)μH(t)+∑；
Figure GDA0003052800540000106
符号
Figure GDA0003052800540000109
表示Hadamard积；
Figure GDA0003052800540000107
在本公开的一种具体实施方式中，所述步骤S3后，还可以包括步骤S31。
步骤S31.所述能量谱是通过公式(7)计算得出，公式(7)为：
Figure GDA0003052800540000108
公式(7)中，μn(t)是μ(t)的第n个元素。
在本公开的一种具体实施方式中，所述步骤S4后，还可以包括步骤S41。
步骤S41.判断是否满足条件一或条件二，满足其中一个条件则停止迭代；
所述条件一为：当前迭代次数i是否到达最大迭代次数imax，其中i代表当前迭代的次数；
所述条件二为：第i次迭代的τδ(i)是否小于迭代停止的阈值τ，其中
Figure GDA0003052800540000111
在本公开的一种具体实施方式中，所述步骤S6后，还可以包括步骤S61。
步骤S61.所述计算网格的局部密度、信息量和尺度因子，包括：
通过公式(8)计算网格的局部密度，所述公式(8)为：
Figure GDA0003052800540000112
公式(1)中，
Figure GDA0003052800540000113
表示估计的第n个网格划分点，N为总网格划分点个数；
通过公式(9)计算信息量，所述公式(9)为：
Figure GDA0003052800540000114
公式(8)中，
Figure GDA0003052800540000115
为网格划分点
Figure GDA0003052800540000116
对应的信号能量谱的值，其表示信号在该网格上的投影值或能量值；
通过公式(10)计算尺度因子，所述公式(10)为：
Figure GDA0003052800540000117
公式(10)中，r0是一个与初始均匀网格划分相关的常量，
Figure GDA0003052800540000118
ct是一个控制阈值的参数，用来区分噪声和信号，其计算公式为ct＝chi2inv(1-pF,1)，其中chi2inv(·)是卡方累积分布函数，pF是虚警概率，尺度因子不是一个固定的值，而是根据噪声水平自适应的参数。
在本公开的一种具体实施方式中，所述步骤S7后，还可以包括步骤S71。
步骤S71.所述判断每一个网格点是否满足进行网格裂变的条件，包括：
对一个已经存在的网格划分点
Figure GDA0003052800540000121
进行判断，若
Figure GDA0003052800540000122
则符合裂变条件；
所述对满足网格裂变条件的网格点进行网格裂变，包括：
若符合裂变条件，则在原网格中新增两个网格点：
Figure GDA0003052800540000123
和
Figure GDA0003052800540000124
在本公开的一种具体实施方式中，所述步骤S8后，还可以包括步骤S81。
步骤S81.所述更新新网格的参数，包括
更新新网格的网格值和离网格参数、更新新网格的间隔、更新估计字典矩阵和更新泰勒展开一阶近似项；
所述更新新网格的网格值和离网格参数，包括：
Figure GDA0003052800540000125
代表第i次迭代的β的第n个元素，然后将新网格的离网格参数重置为0，即βi+1＝0；
所述更新新网格的间隔中，包括计算新网格的间隔，通过公式(11)计算新网格的间隔，所述公式(11)为：
Figure GDA0003052800540000131
公式(11)中，
Figure GDA0003052800540000132
所述更新估计字典矩阵中，包括计算估计字典矩阵，通过公式(12)计算估计字典矩阵，所述公式(12)为：
Figure GDA0003052800540000133
公式(12)中，a(·)∈CM×1是信号空间的基函数；
所述更新泰勒展开一阶近似项中，包括计算泰勒展开一阶近似项，通过公式(6)计算泰勒展开一阶近似项，所述公式(13)为：
Figure GDA0003052800540000134
公式(13)中，
Figure GDA0003052800540000135
为泰勒展开一阶近似项。
实施例2
如图2所示，本实施例提供了一种基于自适应网格的信号估计装置，所述装置包括初始化模块701、参数学习模块702、第一计算模块703、第一判断模块704、第一输出模块705、第二计算模块706、第二判断模块707和网格更新模块708。
初始化模块701，用于均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
参数学习模块702，用于在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
第一计算模块703，用于基于所述信号方差，信号的均值，噪声方差和离网格参数，计算当前网格下的信号能量谱；
第一判断模块704，用于基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
第一输出模块705，用于若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
第二计算模块706，用于若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
第二判断模块707，用于基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
网格更新模块708，用于更新新网格的参数，并返回在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数步骤。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种基于自适应网格的信号估计设备，下文描述的一种基于自适应网格的信号估计设备与上文描述的一种基于自适应网格的信号估计方法可相互对应参照。
图3是根据一示例性实施例示出的一种基于自适应网格的信号估计设备800的框图。如图3所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该电子设备800的整体操作，以完成上述的基于自适应网格的信号估计方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备800的操作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的一种基于自适应网格的信号估计方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于自适应网格的信号估计方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的基于自适应网格的信号估计方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于自适应网格的信号估计方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于自适应网格的信号估计方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (6)

1.一种基于自适应网格的信号估计方法，其特征在于，包括：
S1、均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
S2、在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
S3、基于所述信号方差、信号的均值、噪声方差和离网格参数，计算当前网格下的信号能量谱；
S4、基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
S5、若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
S6、若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
S7、基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
S8、更新所述新网格的参数，并返回S2；
其中，所述计算网格的局部密度、信息量和尺度因子，包括：
通过公式(1)计算网格的局部密度，所述公式(1)为：
Figure FDA0003851244950000011
公式(1)中，
Figure FDA0003851244950000021
表示估计的第n个网格划分点，N为总网格划分点个数；
通过公式(2)计算信息量，所述公式(2)为：
Figure FDA0003851244950000022
公式(2)中，
Figure FDA0003851244950000023
为网格划分点
Figure FDA0003851244950000024
对应的信号能量谱的值，其表示信号在该网格上的投影值或能量值；
通过公式(3)计算尺度因子，所述公式(3)为：
Figure FDA0003851244950000025
公式(3)中，r0是一个与初始均匀网格划分相关的常量，
Figure FDA0003851244950000026
ct是一个控制阈值的参数，用来区分噪声和信号，其计算公式为ct＝chi2inv(1-pF,1)，其中chi2inv(·)是卡方累积分布函数，pF是虚警概率，尺度因子不是一个固定的值，而是根据噪声水平自适应的参数，α0是噪声的精度，σ2＝1/α0是噪声方差。
2.根据权利要求1所述的基于自适应网格的信号估计方法，其特征在于，所述判断每一个网格点是否满足进行网格裂变的条件，包括：
对一个已经存在的网格点
Figure FDA0003851244950000027
进行判断，若
Figure FDA0003851244950000028
则符合裂变条件；
所述对满足网格裂变条件的网格点进行网格裂变，包括：
若符合裂变条件，则在原网格中新增两个网格点：
Figure FDA0003851244950000029
和
Figure FDA00038512449500000210
3.根据权利要求1所述的基于自适应网格的信号估计方法，其特征在于，更新所述新网格的参数，包括：
更新新网格的网格值和离网格参数、更新新网格的间隔、更新估计字典矩阵和更新泰勒展开一阶近似项；
所述更新新网格的网格值和离网格参数，包括：
Figure FDA0003851244950000031
Figure FDA0003851244950000032
代表第i次迭代的β的第n个元素，然后将新网格的离网格参数重置为0，即βi+1＝0；
所述更新新网格的间隔中，包括计算新网格的间隔，通过公式(4)计算新网格的间隔，所述公式(4)为：
Figure FDA0003851244950000033
公式(4)中，
Figure FDA0003851244950000034
所述更新估计字典矩阵中，包括计算估计字典矩阵，通过公式(5)计算估计字典矩阵，所述公式(5)为：
Figure FDA0003851244950000035
公式(5)中，a(·)∈CM×1是信号空间的基函数；
所述更新泰勒展开一阶近似项中，包括计算泰勒展开一阶近似项，通过公式(6)计算泰勒展开一阶近似项，所述公式(6)为：
Figure FDA0003851244950000036
公式(6)中，
Figure FDA0003851244950000037
为泰勒展开一阶近似项。
4.一种基于自适应网格的信号估计装置，其特征在于，包括：
初始化模块，用于均匀划分初始网格、获取初始参数以及获取输入信号，所述初始参数包括第一参数、第二参数、第三参数，所述第一参数包括最大迭代次数，所述第二参数包括迭代停止的阈值，所述第三参数包括用来区分噪声和信号的阈值；
参数学习模块，用于在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数；
第一计算模块，用于基于所述信号方差，信号的均值，噪声方差和离网格参数，计算当前网格下的信号能量谱；
第一判断模块，用于基于迭代次数和所述信号方差的变化值，判断迭代是否满足停止条件；
第一输出模块，用于若满足停止条件，则停止迭代，输出自适应网格和所述信号能量谱，基于所述自适应网格和所述信号能量谱得到信号估计结果；
第二计算模块，用于若不满足停止条件，则计算网格的局部密度、信息量和尺度因子；
第二判断模块，用于基于所述信息量和尺度因子，判断每一个网格点是否满足进行网格裂变的条件，对满足网格裂变条件的网格点进行网格裂变，得到新网格；
网格更新模块，用于更新新网格的参数，并返回在当前的网格下，根据离网格稀疏贝叶斯方法对所述输入信号进行参数学习，通过参数学习得到信号方差、信号的均值、噪声方差和离网格参数步骤；
其中，所述计算网格的局部密度、信息量和尺度因子，包括：
通过公式(1)计算网格的局部密度，所述公式(1)为：
Figure FDA0003851244950000041
公式(1)中，
Figure FDA0003851244950000042
表示估计的第n个网格划分点，N为总网格划分点个数；
通过公式(2)计算信息量，所述公式(2)为：
Figure FDA0003851244950000051
公式(2)中，
Figure FDA0003851244950000052
为网格划分点
Figure FDA0003851244950000053
对应的信号能量谱的值，其表示信号在该网格上的投影值或能量值；
通过公式(3)计算尺度因子，所述公式(3)为：
Figure FDA0003851244950000054
公式(3)中，r0是一个与初始均匀网格划分相关的常量，
Figure FDA0003851244950000055
ct是一个控制阈值的参数，用来区分噪声和信号，其计算公式为ct＝chi2inv(1-pF,1)，其中chi2inv(·)是卡方累积分布函数，pF是虚警概率，尺度因子不是一个固定的值，而是根据噪声水平自适应的参数，α0是噪声的精度，σ2＝1/α0是噪声方差。
5.一种基于自适应网格的信号估计设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述基于自适应网格的信号估计方法的步骤。
6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于自适应网格的信号估计方法的步骤。
CN202011469571.1A 2020-12-14 2020-12-14 一种基于自适应网格的信号估计方法及装置 Active CN112948606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011469571.1A CN112948606B (zh) 2020-12-14 2020-12-14 一种基于自适应网格的信号估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011469571.1A CN112948606B (zh) 2020-12-14 2020-12-14 一种基于自适应网格的信号估计方法及装置

Publications (2)

Publication Number Publication Date
CN112948606A CN112948606A (zh) 2021-06-11
CN112948606B true CN112948606B (zh) 2022-10-21

Family

ID=76234841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011469571.1A Active CN112948606B (zh) 2020-12-14 2020-12-14 一种基于自适应网格的信号估计方法及装置

Country Status (1)

Country Link
CN (1) CN112948606B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108459296A (zh) * 2018-01-17 2018-08-28 江苏大学 一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法
CN108646212A (zh) * 2018-02-05 2018-10-12 中国人民解放军陆军工程大学 发射功率未知条件下基于数据净化的相对指纹定位方法
CN109116293A (zh) * 2018-08-22 2019-01-01 上海师范大学 一种基于离格稀疏贝叶斯的波达方向估计方法
CN109783960A (zh) * 2019-01-23 2019-05-21 桂林电子科技大学 一种基于网格部分细化的波达方向估计方法
CN110208735A (zh) * 2019-06-12 2019-09-06 西北工业大学 一种基于稀疏贝叶斯学习的相干信号doa估计方法
CN110275158A (zh) * 2018-03-15 2019-09-24 南京理工大学 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法
CN111337893A (zh) * 2019-12-19 2020-06-26 江苏大学 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN111398890A (zh) * 2020-03-24 2020-07-10 南京信息工程大学 一种基于协方差矩阵重构的布谷鸟搜索doa估计方法
CN111417124A (zh) * 2019-06-28 2020-07-14 西南交通大学 在认知无线网络环境下频谱感知的方法
CN111505613A (zh) * 2020-04-16 2020-08-07 电子科技大学 基于虚拟天线Kuhn-Munkres算法的MIMO雷达发射天线布置方法
CN111707985A (zh) * 2020-06-15 2020-09-25 浙江理工大学 基于协方差矩阵重构的off-grid DOA估计方法
CN111880143A (zh) * 2020-07-07 2020-11-03 西安交通大学 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备
CN111880167A (zh) * 2020-08-03 2020-11-03 电子科技大学 一种基于先随机后优化的波达方向估计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7590589B2 (en) * 2004-09-10 2009-09-15 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
CN102077108B (zh) * 2008-04-28 2015-02-25 康奈尔大学 分子mri中的磁敏度精确量化
CN111679277B (zh) * 2020-05-28 2022-05-03 电子科技大学 一种基于sbrim算法的多基线层析sar三维成像方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108459296A (zh) * 2018-01-17 2018-08-28 江苏大学 一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法
CN108646212A (zh) * 2018-02-05 2018-10-12 中国人民解放军陆军工程大学 发射功率未知条件下基于数据净化的相对指纹定位方法
CN110275158A (zh) * 2018-03-15 2019-09-24 南京理工大学 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法
CN109116293A (zh) * 2018-08-22 2019-01-01 上海师范大学 一种基于离格稀疏贝叶斯的波达方向估计方法
CN109783960A (zh) * 2019-01-23 2019-05-21 桂林电子科技大学 一种基于网格部分细化的波达方向估计方法
CN110208735A (zh) * 2019-06-12 2019-09-06 西北工业大学 一种基于稀疏贝叶斯学习的相干信号doa估计方法
CN111417124A (zh) * 2019-06-28 2020-07-14 西南交通大学 在认知无线网络环境下频谱感知的方法
CN111337893A (zh) * 2019-12-19 2020-06-26 江苏大学 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN111398890A (zh) * 2020-03-24 2020-07-10 南京信息工程大学 一种基于协方差矩阵重构的布谷鸟搜索doa估计方法
CN111505613A (zh) * 2020-04-16 2020-08-07 电子科技大学 基于虚拟天线Kuhn-Munkres算法的MIMO雷达发射天线布置方法
CN111707985A (zh) * 2020-06-15 2020-09-25 浙江理工大学 基于协方差矩阵重构的off-grid DOA估计方法
CN111880143A (zh) * 2020-07-07 2020-11-03 西安交通大学 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备
CN111880167A (zh) * 2020-08-03 2020-11-03 电子科技大学 一种基于先随机后优化的波达方向估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应网格的稀疏信号处理方法研究;王千里;《万方：https://d.wanfangdata.com.cn/thesis/ChJUaGVzaXNOZXdTMjAyMjA1MjYSCUQwMTk1OTgyNxoIMmpxa2hjYTg%3D》;20200828;1-129 *

Also Published As

Publication number Publication date
CN112948606A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
Morio et al. A survey of rare event simulation methods for static input–output models
Bect et al. Sequential design of computer experiments for the estimation of a probability of failure
De'Ath Boosted trees for ecological modeling and prediction
JP2018124937A (ja) 異常検出装置、異常検出方法およびプログラム
Wang et al. Efficient structural reliability analysis based on adaptive Bayesian support vector regression
Yildirim et al. An online expectation–maximization algorithm for changepoint models
US20190332933A1 (en) Optimization of model generation in deep learning neural networks using smarter gradient descent calibration
Choe et al. Importance sampling for reliability evaluation with stochastic simulation models
WO2015175216A1 (en) Methods for statistical of well production and reserves
Wang et al. Multivariate control charts based on the James–Stein estimator
Prajapat et al. Prediction error variances in Bayesian model updating employing data sensitivity
CN111914516A (zh) 一种网络数据预测序列生成方法、装置、设备及存储介质
Khan et al. Moment tests for window length selection in singular spectrum analysis of short–and long–memory processes
Tanaka et al. Automated structure discovery and parameter tuning of neural network language model based on evolution strategy
Alshraideh et al. Process monitoring using hidden Markov models
Schöbi et al. PC-Kriging: a new metamodelling method combining Polynomial Chaos Expansions and Kriging
Bhattacharyya Uncertainty quantification and reliability analysis by an adaptive sparse Bayesian inference based PCE model
Chang Bayesian neural networks: Essentials
Badawy et al. Estimating the number of sources in white Gaussian noise: Simple eigenvalues based approaches
CN113962874A (zh) 母线负荷模型的训练方法、装置、设备及存储介质
De Wiljes et al. An adaptive Markov chain Monte Carlo approach to time series clustering of processes with regime transition behavior
CN112948606B (zh) 一种基于自适应网格的信号估计方法及装置
Miroshnikov et al. Parallel Markov chain Monte Carlo for non‐Gaussian posterior distributions
WO2019111435A1 (ja) 異常判定装置、異常判定方法、及びプログラムが格納された非一時的なコンピュータ可読媒体
Gratton et al. Derivative‐free optimization for large‐scale nonlinear data assimilation problems

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