CN113722915B - 一种水下弱光信号检测方法 - Google Patents
一种水下弱光信号检测方法 Download PDFInfo
- Publication number
- CN113722915B CN113722915B CN202111019163.0A CN202111019163A CN113722915B CN 113722915 B CN113722915 B CN 113722915B CN 202111019163 A CN202111019163 A CN 202111019163A CN 113722915 B CN113722915 B CN 113722915B
- Authority
- CN
- China
- Prior art keywords
- node
- signal
- stochastic resonance
- ant
- representing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 21
- 241000257303 Hymenoptera Species 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 description 15
- 238000004088 simulation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 4
- 239000013535 sea water Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Optical Communication System (AREA)
Abstract
本公开实施例是关于一种水下弱光信号检测方法。该方法包括:对获取的带噪弱光信号进行预处理,得到小参数信号;建立自适应随机共振系统模型,将小参数信号作为自适应随机共振系统模型的系统输入信号;对蚁群算法进行改进,利用改进后的蚁群算法对自适应随机共振系统模型中的系统参数进行寻优;根据改进后的蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出最优系统参数;根据输出的最优系统参数输入自适应随机共振系统模型,利用四阶龙格库塔算法求解输出随机共振检测信号。本公开实施例可以实现自适应随机共振检测,提升输出信噪比,降低系统误码率,用于对水下弱光信号的检测。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种水下弱光信号检测方法。
背景技术
近年来,随着人类对海洋勘探、海底监测和海洋资源开发的日益增加,水下无线光通信(Underwater Wireless Optical Communication,UWOC)凭借其传输速率高、通信带宽大、时延小、保密性强等多个显著优势,受到人们的广泛关注和研究。
相关技术中,由于海水信道环境复杂,光波在传输过程中易受海水吸收和散射的影响,造成光信号的严重衰减,经过长距离传输后接收端的光功率甚至低于纳瓦量级,光信号可能被淹没在强噪声中无法检测,从而影响水下光通信的系统性能。
因此,有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。例如:如何提升信噪比,降低误码率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种水下弱光信号检测方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开实施例提供的一种水下弱光信号检测方法,该方法包括:
对获取的带噪弱光信号进行预处理,得到小参数信号;
建立自适应随机共振系统模型,将所述小参数信号作为所述自适应随机共振系统模型的系统输入信号;
对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法;
根据改进后的所述蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出所述最优系统参数;
根据输出的所述最优系统参数输入所述自适应随机共振系统模型,利用四阶龙格库塔算法求解输出随机共振检测信号。
本公开的实施例中,所述对获取的带噪弱光信号进行预处理,得到小参数信号,包括:
利用二次采样对所述带噪弱光信号的传输频率和采样频率进行预处理,得到所述小参数信号,使所述小参数信号满足所述自适应随机共振系统模型只能处理频率小于1的所述小参数信号要求。
本公开的实施例中,所述建立自适应随机共振系统模型,将所述小参数信号作为所述自适应随机共振系统模型的系统输入信号,包括:
所述自适应随机共振系统模型为:
其中,x表示系统输出,a、b表示随机共振系统的系统参数,s(t)表示系统输入信号,n(t)表示噪声。
本公开的实施例中,所述对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法,包括:
引入拥挤度和拥挤度因子,对蚁群算法进行改进,对改进后的蚁群算法的参数进行初始化,设置种群数量N,最大迭代次数iter_max,信息素挥发因子ρ。
本公开的实施例中,所述对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法,包括:
在对所述改进后的蚁群算法的参数进行初始化后,设定系统参数a和b的取值范围,根据步长划分网格,并随机在网格节点处放置蚂蚁,每个节点对应一组自适应随机共振系统模型中的所述系统参数a和b,形成蚂蚁访问列表。
本公开的实施例中,所述对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法,包括:
根据每个所述节点对应的信息素浓度计算相应的状态转移概率,根据计算出的状态转移概率值大小选择蚂蚁下一个移动的所述节点;
其中,所述状态转移概率的计算公式为:
式中,k表示第k只蚂蚁,τij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度,ηij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的启发信息,α和β为常数,分别表示所述信息素浓度和启发信息的影响程度,allowedk(k∈1,2,…,N)表示未访问过的节点的集合,即第k只蚂蚁紧接着可以选择的节点;
其中,信息素更新的公式为:
τ(t+1)=τij(t)(1-ρ)+Δτij(t),0<ρ<1 (3)
式中:Δτij(t)表示t时刻蚂蚁从节点i到节点j路径上留下的信息素总和,τ(t+1)表示t+1时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度。
本公开的实施例中,所述对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法,包括:
计算当前所述节点到蚂蚁选择的下一个所述节点路径上的所述拥挤度,若拥挤度<=拥挤度因子,则选择该所述节点继续走,若拥挤度>拥挤度因子,则重新选择所述节点;
其中,所述拥挤度的计算公式为:
式中:τij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度,表示t时刻蚂蚁在所有路径上的信息素浓度;
其中,所述拥挤度因子计算公式为:
式中:z表示路径节点的总数,t表示t时刻。
本公开的实施例中,所述对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法,包括:
选取系统输出信噪比作为所述改进后的蚁群算法的目标函数,基于当前所述节点的系统参数a和b,计算所述输出信噪比,根据当前节点所述输出信噪比更新所述信息素浓度及所述蚂蚁访问列表;
其中,所述目标函数的公式为:
SNRout=10lg(Ps/Pn) (6)
式中:Ps表示信号功率,Pn表示噪声功率。
本公开的实施例中,所述根据改进后的蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出所述最优系统参数,包括:
判断所述迭代次数是否达到预设的最大迭代次数iter_max,当所述迭代次数达到所述最大迭代次数iter_max时,则找出所述信息素浓度最高的点所对应的所述最优系统参数a和b;
若所述迭代次数未达到所述最大迭代次数iter_max时,在判断系统所述输出信噪比是否达到最优值,若当前的所述输出信噪比随着所述迭代次数的增加收敛到最优值时,则停止迭代,输出所述最优系统参数a和b;
若所述输出信噪比随着所述迭代次数的增加没有收敛到一个最优值,则所述迭代次数加1,蚂蚁继续寻优。
本公开的实施例中,所述四阶龙格库塔算法的计算过程如下:
其中,pn表示系统输入信号s(t)+n(t)的第n个采样点,Pn+1表示系统输入信号s(t)+n(t)的第n+1个采样点,xn表示系统输出信号x(t)的第n个采样点,h=1/fs表示采样步长,fs表示采样频率。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例中,通过上述水下弱光信号检测方法,将接收信号输入随机共振系统,以输出信噪比为目标函数,对蚁群算法进行改进,利用改进后的蚁群算法确定自适应随机共振系统模型中的系统参数改进后的蚁群算法,实现自适应随机共振检测,提升输出信噪比,降低系统误码率,实现对水下弱光信号的检测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中水下弱光信号检测方法的流程图;
图2示意性示出本公开示例性实施例中输入信噪比为-2dB下的输出信噪比收敛曲线图;
图3示意性示出本公开示例性实施例中输入信噪比为-10dB下的输出信噪比收敛曲线图;
图4示意性示出本公开示例性实施例中输入信噪比为-18dB下的输出信噪比收敛曲线图;
图5示意性示出本公开示例性实施例中输入信噪比为-23dB下的输出信噪比收敛曲线图;
图6示意性示出本公开示例性实施例中同输入信噪比下的系统误码率曲线对比图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种水下弱光信号检测方法,参考图1中所示,该方法可以包括:
步骤S101:对获取的带噪弱光信号进行预处理,得到小参数信号;
步骤S102:建立自适应随机共振系统模型,将所述小参数信号作为所述自适应随机共振系统模型的系统输入信号;
步骤S103:对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法;
步骤S104:根据改进后的所述蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出所述最优系统参数;
步骤S105:根据输出的所述最优系统参数输入所述自适应随机共振系统模型,利用四阶龙格库塔算法求解输出随机共振检测信号。
通过上述水下弱光信号检测方法,将接收信号输入随机共振系统,以输出信噪比为目标函数,对蚁群算法进行改进,利用改进后的蚁群算法确定自适应随机共振系统模型中的系统参数改进后的蚁群算法,实现自适应随机共振检测,提输出信噪比,降低系统误码率,实现对水下弱光信号的检测。
下面,将参考图1对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在步骤S101中,对获取的带噪弱光信号进行预处理,得到小参数信号;
具体的,由于海水信道复杂,光信号在传输过程中易受水体吸收和散射的影响,导致光信号严重衰减。当光信号经过长距离传输或水质较差时,接收端的光功率甚至低于纳瓦量级,光信号的传输频率和采样频率可达到MHz或GHz数量级,不满足随机共振系统的绝热近似条件,因此需要对带噪弱光信号进行预处理,利用二次采样对所述带噪弱光信号的传输频率和采样频率进行预处理,得到所述小参数信号,使所述小参数信号满足所述自适应随机共振系统模型只能处理频率小于1的所述小参数信号要求。
由于绝热近似理论的限制,随机共振系统只能处理频率小于1的小参数信号。光信号的传输频率和采样频率可达到MHz或GHz数量级,不满足绝热近似条件,因此引入二次采样随机共振。
其中,二次采样是将一个高频率变换为一个低频率的过程,根据信号频率,选择变尺度系数R,对信号进行频率时间尺度的变化,fsr表示变尺度采样频率,且fsr=fs/R,fs为信号采样频率,经过变尺度预处理后得到的小参数信号满足随机共振的绝热近似条件。
在步骤S102中,建立自适应随机共振系统模型,将所述小参数信号作为所述自适应随机共振系统模型的系统输入信号;
具体的,得到小参数信号后,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、噪声与非线性系统之间的关系,将得到的小参数信号,代入自适应随机共振系统模型,得到系统输出信号。
其中,自适应随机共振系统模型即Langevin方程为:
其中,x表示输出信号,a,b表示随机共振系统的系统参数,s(t)表示系统输入信号,n(t)表示噪声。系统参数a,b影响随机共振的势函数和系统阈值,而势垒高度关系着系统产生协同作用时信号与噪声所需的能量,系统阈值的大小关系着粒子的跃迁概率,所以系统参数a,b直接影响随机共振的产生。
在步骤S103中,对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法;
对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优改进后的蚁群算法时,包括:
(1)引入拥挤度和拥挤度因子,对蚁群算法进行改进,对改进后的蚁群算法的参数进行初始化,设置种群数量N,最大迭代次数iter_max,信息素挥发因子ρ。
(2)在对所述改进后的蚁群算法的参数进行初始化后,设定系统参数a和b的取值范围,根据步长划分网格,并随机在网格节点处放置蚂蚁,每个节点对应一组自适应随机共振系统模型中的所述系统参数a和b,形成蚂蚁访问列表。
其中,由于对随机共振的系统参数a,b进行优化,所以种群维数为2,用Xi=(xi1,xi2),i=1,2,...N表示蚁群中第i只蚂蚁的位置,后续xi1代表系统参数a,xi2代表系统参数b;
随机产生蚂蚁的初始位置,第i只蚂蚁的初始化位置为Xi(0);
(3)根据每个所述节点对应的信息素浓度计算相应的状态转移概率,根据计算出的状态转移概率值大小选择蚂蚁下一个移动的所述节点;
其中,所述状态转移概率的计算公式为:
式中,k表示第k只蚂蚁,τij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度,ηij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的启发信息,α和β为常数,分别表示所述信息素浓度和启发信息的影响程度,allowedk(k∈1,2,…,N)表示未访问过的节点的集合,即第k只蚂蚁紧接着可以选择的节点;
其中,信息素更新的公式为:
τ(t+1)=τij(t)(1-ρ)+Δτij(t),0<ρ<1 (3)
式中,Δτij(t)表示t时刻蚂蚁从节点i到节点j路径上留下的信息素总和,τ(t+1)表示t+1时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度。
(4)计算当前所述节点到蚂蚁选择的下一个所述节点路径上的所述拥挤度,若拥挤度<=拥挤度因子,则选择该所述节点继续走,若拥挤度>拥挤度因子,则重新选择所述节点;
其中,所述拥挤度的计算公式为:
式中,τij(t)表示t时刻蚂蚁从节点i到节点j两个位置之间的信息素浓度,表示t时刻蚂蚁在所有路径上的信息素浓度;
其中,所述拥挤度因子计算公式为:
式中,z表示路径节点的总数,t表示t时刻。
(5)选取系统输出信噪比作为所述改进后的蚁群算法的目标函数,基于当前所述节点的系统参数a和b,计算所述目标函数值,根据当前节点所述输出信噪比更新所述信息素浓度及所述蚂蚁访问列表;
其中,所述目标函数的公式为:
SNRout=10lg(Ps/Pn) (6)
式中,Ps表示信号功率,Pn表示噪声功率。
具体的,选取系统输出信噪比作为所述改进后的蚁群算法的目标函数,搜索在目标函数值SNRout取得最大值时所对应的最优参数a和b。
通过位置Xi=(xi1,xi2),i=1,2,...N计算当前蚂蚁对应的目标函数值Si=(si1,si2),i=1,2,...N,si1是蚁群中搜索到对应于a的最优值,si2是蚁群中搜索到对应于b的最优值;
比较当前节点的目标函数值和局部最优值,若该蚂蚁当前位置对应的目标函数值大于上一时刻的局部最优值Pi,则将该值更新为局部最优值Pi,否则局部最优值保持不变;
计算该蚁群中最大的目标函数值,若存在某蚂蚁的目标函数值大于上一时刻全局最优值Pt,则记录该蚂蚁的位置,并更新全局最优值Pt,否则全局最优值Pt保持不变;
在其过程中,局部最优值Pi记录第i只蚂蚁在迭代过程中目标函数值中的最大值,全局最优值Pt记录蚁群中所有蚂蚁在迭代过程中目标函数的最大值。
在步骤S104中,根据改进后的蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出所述最优系统参数;
具体的,判断所述迭代次数是否达到预设的最大迭代次数iter_max,当所述迭代次数达到所述最大迭代次数iter_max时,则找出所述信息素浓度最高的点所对应的所述最优系统参数a和b;
若所述迭代次数未达到所述最大迭代次数iter_max时,在判断系统所述输出信噪比是否达到最优值,若当前的所述输出信噪比随着所述迭代次数的增加收敛到最优值时,则停止迭代,输出所述最优系统参数a和b;
若所述输出信噪比随着所述迭代次数的增加没有收敛到一个最优值,则所述迭代次数加1,蚂蚁继续寻优。
在步骤S105中,根据输出的所述最优系统参数输入所述自适应随机共振系统模型,利用四阶龙格库塔算法求解输出随机共振检测信号。
具体的,所述四阶龙格库塔算法的计算过程如下:
其中,pn表示系统输入信号s(t)+n(t)的第n个采样点,Pn+1表示系统输入信号s(t)+n(t)的第n+1个采样点,xn表示系统输出信号x(t)的第n个采样点,h=1/fs表示采样步长,fs表示采样频率。
通过上述水下弱光信号检测方法,将接收信号输入随机共振系统,以输出信噪比为目标函数,对蚁群算法进行改进,利用改进后的蚁群算法确定自适应随机共振系统模型中的系统参数改进后的蚁群算法,实现自适应随机共振检测,提升输出信噪比,降低系统误码率,实现对水下弱光信号的检测。
下面结合具体仿真实例,进一步阐述本实施例。
仿真条件:改进后的蚁群算法参数设置:种群数量N=300,最大迭代次数iter_max=100,信息素挥发因子ρ=0.8,随机共振系统参数a,b的搜索范围为[0,5],寻优步长为step=0.1。输入信号参数设置为:信号幅值为1,码元个数为106个,每个码元的采样点数为100个;恒参随机共振的系统参数为a=1,b=1。
仿真内容:在弱光信号检测中,针对低信噪比情况采用本发明基于自适应随机共振的水下弱光信号检测方法。
参见图2-5,图2-5为在不同信噪比下的目标函数收敛曲线图,横坐标为“迭代次数”,即改进后的蚁群算法的迭代次数,纵坐标为“目标函数”,即系统输出信噪比。参见图2,在输入信噪比为-2dB下的输出信噪比收敛曲线;参见图3,在输入信噪比为-10dB下的输出信噪比收敛曲线;参见图4,在输入信噪比为-18dB下的输出信噪比收敛曲线;参见图5,在输入信噪比为-23dB下的输出信噪比收敛曲线,无论输入信噪比为多少,输出信噪比随着迭代次数的增加,逐渐收敛至一个稳定的值。
参见图6,图6为在不同输入信噪比下的系统误码率曲线对比图,横坐标为“输入信噪比”,纵坐标为“误码率”,即接收到的信号中发生差错的码元数与发射信号总的码元数之比。在上述仿真条件下对不同输入信噪比进行仿真,对本发明基于改进后的蚁群算法的自适应随机共振(CFACA-ASR)、恒参随机共振(恒参-ASR)和基于蚁群算法的自适应随机共振(ACA-ASR)方法的误码率进行仿真比较,由图2-5仿真结果可知,在同一输入信噪比的条件下,采用本发明基于改进后的蚁群算法的自适应随机共振检测方法得到的系统误码率明显低于恒参随机共振和基于蚁群算法的自适应随机共振算法得到的系统误码率,说明在进行随机共振检测时,通过更新系统的输出信噪比实现参数的自适应匹配,进一步降低了检测信号的误码率,提高水下无线光通信的系统性能。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
Claims (3)
1.一种水下弱光信号检测方法,其特征在于,包括:
对获取的带噪弱光信号进行预处理,得到小参数信号;
建立自适应随机共振系统模型,将所述小参数信号作为所述自适应随机共振系统模型的系统输入信号,包括:
所述自适应随机共振系统模型为:
(1)
其中,表示系统输出,a、b表示随机共振系统的系统参数,/>表示系统输入信号,表示噪声;
对蚁群算法进行改进,利用改进后的所述蚁群算法对所述自适应随机共振系统模型中的系统参数进行寻优,包括:
引入拥挤度和拥挤度因子,对蚁群算法进行改进,对改进后的蚁群算法的参数进行初始化,设置种群数量N,最大迭代次数,信息素挥发因子/>;
在对所述改进后的蚁群算法的参数进行初始化后,设定系统参数a和b的取值范围,根据步长划分网格,并随机在网格节点处放置蚂蚁,每个节点对应一组自适应随机共振系统模型中的所述系统参数a和b,形成蚂蚁访问列表;
根据每个所述节点对应的信息素浓度计算相应的状态转移概率,根据计算出的状态转移概率值大小选择蚂蚁下一个移动的所述节点;
其中,所述状态转移概率的计算公式为:
(2)
式中,表示第/>只蚂蚁,/>表示/>时刻蚂蚁从节点/>到节点/>两个位置之间的信息素浓度,/>表示/>时刻蚂蚁从节点/>到节点/>两个位置之间的启发信息, />和/>为常数,分别表示所述信息素浓度和启发信息的影响程度,/>表示未访问过的节点的集合,即第/>只蚂蚁紧接着可以选择的节点;
其中,信息素更新的公式为:
(3)
式中:表示/>时刻蚂蚁从节点/>到节点/>路径上留下的信息素总和,/>表示时刻蚂蚁从节点/>到节点/>两个位置之间的信息素浓度;
计算当前所述节点到蚂蚁选择的下一个所述节点路径上的所述拥挤度,若拥挤度<=拥挤度因子,则选择该所述节点继续走,若拥挤度>拥挤度因子,则重新选择所述节点;
其中,所述拥挤度的计算公式为:
(4)
式中:表示/>时刻蚂蚁从节点/>到节点/>两个位置之间的信息素浓度,/>表示时刻蚂蚁在所有路径上的信息素浓度;
其中,所述拥挤度因子计算公式为:
(5)
式中:表示路径节点的总数,/>表示/>时刻;
选取系统输出信噪比作为所述改进后的蚁群算法的目标函数,基于当前所述节点的系统参数a和b,计算所述输出信噪比,根据当前节点所述输出信噪比更新所述信息素浓度及所述蚂蚁访问列表;
其中,所述目标函数的公式为:
(6)
式中:表示信号功率,/>表示噪声功率;
根据改进后的所述蚁群算法迭代是否终止,判断是否输出最优系统参数,若停止迭代,则输出所述最优系统参数,包括:
判断所述迭代次数是否达到预设的最大迭代次数,当所述迭代次数达到所述最大迭代次数/>时,则找出所述信息素浓度最高的点所对应的所述最优系统参数a和b;
若所述迭代次数未达到所述最大迭代次数时,在判断系统所述输出信噪比是否达到最优值,若当前的所述输出信噪比随着所述迭代次数的增加收敛到最优值时,则停止迭代,输出所述最优系统参数a和b;
若所述输出信噪比随着所述迭代次数的增加没有收敛到一个最优值,则所述迭代次数加1,蚂蚁继续寻优;
根据输出的所述最优系统参数输入所述自适应随机共振系统模型,利用四阶龙格库塔算法求解输出随机共振检测信号。
2.根据权利要求1所述水下弱光信号检测方法,其特征在于,所述对获取的带噪弱光信号进行预处理,得到小参数信号,包括:
利用二次采样对所述带噪弱光信号的传输频率和采样频率进行预处理,得到所述小参数信号,使所述小参数信号满足所述自适应随机共振系统模型只能处理频率小于1的所述小参数信号要求。
3.根据权利要求1所述水下弱光信号检测方法,其特征在于,所述四阶龙格库塔算法的计算过程如下:
(7)
其中,表示系统输入信号/>的第/>个采样点,/>表示系统输入信号的第/>个采样点,/>表示系统输出信号/>的第/>个采样点,/>表示采样步长,/>表示采样频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111019163.0A CN113722915B (zh) | 2021-09-01 | 2021-09-01 | 一种水下弱光信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111019163.0A CN113722915B (zh) | 2021-09-01 | 2021-09-01 | 一种水下弱光信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722915A CN113722915A (zh) | 2021-11-30 |
CN113722915B true CN113722915B (zh) | 2023-11-14 |
Family
ID=78680337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111019163.0A Active CN113722915B (zh) | 2021-09-01 | 2021-09-01 | 一种水下弱光信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722915B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111592A (zh) * | 2014-08-06 | 2014-10-22 | 中国科学院光电技术研究所 | 一种基于微反射镜阵列实现可变自由照明光瞳的方法 |
KR101470942B1 (ko) * | 2014-07-31 | 2014-12-11 | 한양대학교 산학협력단 | 수정된 개미 군집 최적화 알고리즘을 이용한 컴플라이언트 메커니즘의 위상 최적화 방법 및 장치 |
CN109257127A (zh) * | 2018-09-06 | 2019-01-22 | 西安电子科技大学 | 一种基于自适应随机共振的通信信号检测方法 |
CN113246466A (zh) * | 2021-01-14 | 2021-08-13 | 西安交通大学 | 单光源多次照射的大尺寸面曝光增材制造设备、系统和方法 |
CN113324647A (zh) * | 2021-05-27 | 2021-08-31 | 中国计量大学 | 一种分数阶三稳态随机共振微弱信号检测方法 |
-
2021
- 2021-09-01 CN CN202111019163.0A patent/CN113722915B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101470942B1 (ko) * | 2014-07-31 | 2014-12-11 | 한양대학교 산학협력단 | 수정된 개미 군집 최적화 알고리즘을 이용한 컴플라이언트 메커니즘의 위상 최적화 방법 및 장치 |
CN104111592A (zh) * | 2014-08-06 | 2014-10-22 | 中国科学院光电技术研究所 | 一种基于微反射镜阵列实现可变自由照明光瞳的方法 |
CN109257127A (zh) * | 2018-09-06 | 2019-01-22 | 西安电子科技大学 | 一种基于自适应随机共振的通信信号检测方法 |
CN113246466A (zh) * | 2021-01-14 | 2021-08-13 | 西安交通大学 | 单光源多次照射的大尺寸面曝光增材制造设备、系统和方法 |
CN113324647A (zh) * | 2021-05-27 | 2021-08-31 | 中国计量大学 | 一种分数阶三稳态随机共振微弱信号检测方法 |
Non-Patent Citations (2)
Title |
---|
基于微分搜索的高光谱图像非线性解混算法;陈雷;郭艳菊;葛宝臻;;电子学报(第02期);全文 * |
水下激光通信弱光信号的自适应随机共振检测;张建磊等;光学精密工程;第30卷(第12期);1383-1393 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722915A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101048976B1 (ko) | Mimo 수신기에서 수신 신호에 대한 소프트 출력을 생성하는 방법 및 송신기와 수신기를 포함하는 송수신기 | |
CN111917508A (zh) | 基于多天线抗干扰通信模型及动态空间谱抗干扰方法 | |
CN111159891B (zh) | 基于dnn神经网络的单样本极化滤波器系数预测方法 | |
CN110611626B (zh) | 信道估计方法、装置及设备 | |
CN104703216A (zh) | 基于能量有效的多任务贝叶斯压缩感知宽带频谱检测方法 | |
US20210377763A1 (en) | Method, device, and storage medium for communication waveform performance predication | |
KR102538735B1 (ko) | 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 | |
CN110045337A (zh) | 基于张量子空间投影的高频地波雷达射频干扰抑制方法 | |
CN105137398B (zh) | 基于遗传算法的雷达抗转发式干扰的脉压滤波器优化方法 | |
CN113722915B (zh) | 一种水下弱光信号检测方法 | |
CN114298166A (zh) | 一种基于无线通信网络的频谱可用性预测方法和系统 | |
Chen et al. | Cooperative spectrum sensing with multi-bits local sensing decisions in cognitive radio context | |
CN110161476B (zh) | 基于幂迭代广义瑞利商算法的雷达波束形成方法 | |
CN112702133A (zh) | 一种基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法 | |
KR102006292B1 (ko) | Fec를 이용한 초협대역 멀티미디어 전송 장치 및 방법, 그리고, fec 파라미터 결정을 위한 dnn 모델 선택 장치 | |
CN116828600A (zh) | 一种不完美先验信息下隐蔽通信系统发射功率和时隙优化方法 | |
CN116577763A (zh) | 一种以提升两异构节点作用距离为目标的联合检测方法 | |
CN115932808A (zh) | 一种基于多特征融合的被动声纳智能探测方法 | |
CN110350985A (zh) | 一种基于主动时间反转的水声并行传输方法 | |
CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
CN111431645B (zh) | 一种基于小样本训练神经网络的频谱感知方法 | |
CN113056029B (zh) | 一种适用于低轨卫星网络的能量受限终端随机接入方法 | |
CN111505581B (zh) | 一种基于分布式传感器节点的被动目标检测方法 | |
CN107196883A (zh) | alpha稳定分布噪声衰落信道数字调制信号识别方法 | |
Sghaier et al. | Enhanced MAB Algorithm for Cooperative Communication in Narrowband PLC Channel Corrupted by Impulsive Noise |
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 |