CN117252136B - 滤波器参数的数据处理方法、装置、电子设备及存储介质 - Google Patents

滤波器参数的数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117252136B
CN117252136B CN202311507933.5A CN202311507933A CN117252136B CN 117252136 B CN117252136 B CN 117252136B CN 202311507933 A CN202311507933 A CN 202311507933A CN 117252136 B CN117252136 B CN 117252136B
Authority
CN
China
Prior art keywords
bird
group
value
optimal
determining
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
CN202311507933.5A
Other languages
English (en)
Other versions
CN117252136A (zh
Inventor
邓玉前
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.)
Gaotuoxunda Beijing Microelectronics Co ltd
Original Assignee
Gaotuoxunda Beijing Microelectronics 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 Gaotuoxunda Beijing Microelectronics Co ltd filed Critical Gaotuoxunda Beijing Microelectronics Co ltd
Priority to CN202311507933.5A priority Critical patent/CN117252136B/zh
Publication of CN117252136A publication Critical patent/CN117252136A/zh
Application granted granted Critical
Publication of CN117252136B publication Critical patent/CN117252136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/337—Design optimisation
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H2017/0072—Theoretical filter design
    • H03H2017/0081—Theoretical filter design of FIR filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本申请提供了一种滤波器参数的数据处理方法、装置、电子设备及存储介质，包括：S1、针对每个鸟群，确定该鸟群的初始适应度值；S2、确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；S3、确定是否满足结束条件，若是，执行S6；若否，执行S4；S4、更新飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；S5、对每个鸟群的种群最优适应度值、当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行S3；S6、结束，确定滤波器的待调节参数项的目标系数。通过引入鸟群觅食方法对滤波器的工作系数进行确定，提高了滤波器的通带和阻带性能。

Description

滤波器参数的数据处理方法、装置、电子设备及存储介质
技术领域
本申请涉及电数字数据处理技术领域，尤其是涉及一种滤波器参数的数据处理方法、装置、电子设备及存储介质。
背景技术
随着无线通信产品在生产、生活中的广泛发展与应用，使得无线通信成为人们生活工作中重要的组成部分，人们对于无线通信的传输质量和通信速率也提出了越来越高的要求，这也推进这无线通信理论与技术的发展。信号处理技术是通信领域中不可或缺的关键技术，而数字滤波技术因广泛应用在数字信号处理的多个领域而成为无线通信不可或缺的技术之一，其性能的好坏直接影响着无线通信的性能。
由于有限长单位冲激响应滤波器（Finite Impulse Response，FIR）具有系统稳定性、可靠性、可重构性等特点，且容易实现线性相位，硬件实现容易等特点，使得其在数字信号处理等重要领域中有着广泛的应用。然而，随着无线通信技术的发展及其对性能的严格要求，这也使得对FIR滤波器的性能设计以及硬件实现提出了更为苛刻的要求。传统的FIR低通滤波器设计方法有等波纹法、频率采样法以及窗函数。等纹波法的设计在于滤波器的整个采样率内的误差最小，并不能按照通带或阻带的要求灵活设计。频率采样法在设计时从信号的频域着手，计算量小，然而很难准确的把握通带及其阻带的边缘频率，且难以做到系统的最优设计。窗函数法在计算滤波器的系数时简单，但很难做到通带衰减尽量少、阻带衰减尽可能多，最终很难设计系统最优的滤波器。
发明内容
有鉴于此，本申请的目的在于提供一种滤波器参数的数据处理方法、装置、电子设备及存储介质，通过引入鸟群觅食方法对滤波器的待调节参数项的系数进行确定，提高了滤波器的通带和阻带性能，从而使得最终设计的滤波器的性能更优。
本申请实施例提供了一种滤波器参数的数据处理方法，所述数据处理方法包括：
S1、针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值；其中，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应；
S2、根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；
S3、确定是否满足结束条件，若为是，执行步骤S6；若为否，执行步骤S4；
S4、更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
S5、根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行步骤S3；
S6、结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数。
可选的，所述针对每个鸟群，根据该鸟群中每个飞鸟的初始位置和初始速度、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值，包括：
针对每个鸟群，根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值；
将所述滤波器的实际频域响应值和滤波器的设定指标值带入适应度函数中的误差计算公式中，确定所述滤波器的通带误差和阻带误差；
将所述滤波器的通带误差和阻带误差的和值，确定为该鸟群的初始适应度值。
可选的，所述根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值，包括：
根据该鸟群中所有飞鸟的初始位置和预先确定的位置-时域对应关系，确定所述滤波器的实际时域响应值；
将所述滤波器的实际时域响应值带入所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
可选的，所述根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组：
针对每个鸟群，将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，并将此时该鸟群中所有飞鸟的初始位置确定为该鸟群的当前最优位置；
根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置；
使用所述最优值替换初始适应度值组中每个元素，得到全局最优适应度值组，并使用所述最优值对应的位置替换初始位置组中每个元素，得到全局最优位置组；其中，所述初始适应度值组中包括多个元素。
可选的，所述更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置，包括：
针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量；
对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置；
根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值。
可选的，所述根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，包括：
针对每个鸟群，确定该鸟群的当前适应度值是否小于该鸟群的种群最优适应度值；
若为是，使用所述当前适应度值更新所述种群最优适应度值，并使用该鸟群的当前位置更新所述当前最优位置；若为否，保持该鸟群的种群最优适应度值和当前最优位置不变；
确定本次确定出的所有鸟群的当前适应度值中的最小值是否小于全局最优适应度值组的适应度均值；
若是，使用本次确定出的所有鸟群的当前适应度值中的最小值更新全局最优适应度值组中的最大值，并对应更新全局最优位置组中的位置；若为否，保持全局最优适应度值组和全局最优位置组不变。
可选的，通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第个飞鸟与后第/>个对应相同的滤波器的待调节参数项，/>。
本申请实施例还提供了一种滤波器参数的数据处理装置，所述数据处理装置包括：
第一确定模块，用于针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值；其中，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应；
第二确定模块，用于根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；
判断模块，用于确定是否满足结束条件，若为是，结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数；若为否，更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
第一更新模块，用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
第二更新模块，用于根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行确定是否满足结束条件；
结束模块，用于根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数。
可选的，所述第一确定模块在用于针对每个鸟群，根据该鸟群中每个飞鸟的初始位置和初始速度、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值时，所述第一确定模块用于：
针对每个鸟群，根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值；
将所述滤波器的实际频域响应值和滤波器的设定指标值带入适应度函数中的误差计算公式中，确定所述滤波器的通带误差和阻带误差；
将所述滤波器的通带误差和阻带误差的和值，确定为该鸟群的初始适应度值。
可选的，所述第一确定模块在用于根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值时，所述第一确定模块用于：
根据该鸟群中所有飞鸟的初始位置和预先确定的位置-时域对应关系，确定所述滤波器的实际时域响应值；
将所述滤波器的实际时域响应值带入所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
可选的，所述第二确定模块在用于根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组时，所述第二确定模块用于：
针对每个鸟群，将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，并将此时该鸟群中所有飞鸟的初始位置确定为该鸟群的当前最优位置；
根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置；
使用所述最优值替换初始适应度值组中每个元素，得到全局最优适应度值组，并使用所述最优值对应的位置替换初始位置组中每个元素，得到全局最优位置组；其中，所述初始适应度值组中包括多个元素。
可选的，所述第一更新模块在用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置时，所述第一更新模块用于：
针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量；
对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置；
根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值。
可选的，所述第二更新模块在用于根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新时，所述第二更新模块用于：
针对每个鸟群，确定该鸟群的当前适应度值是否小于该鸟群的种群最优适应度值；
若为是，使用所述当前适应度值更新所述种群最优适应度值，并使用该鸟群的当前位置更新所述当前最优位置；若为否，保持该鸟群的种群最优适应度值和当前最优位置不变；
确定本次确定出的所有鸟群的当前适应度值中的最小值是否小于全局最优适应度值组的适应度均值；
若是，使用本次确定出的所有鸟群的当前适应度值中的最小值更新全局最优适应度值组中的最大值，并对应更新全局最优位置组中的位置；若为否，保持全局最优适应度值组和全局最优位置组不变。
可选的，所述数据处理装置还用于通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第个飞鸟与后第/>个对应相同的滤波器的待调节参数项，/>。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的数据处理方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的数据处理方法的步骤。
这样，本申请通过利用改进鸟群方法的全局搜索特性，能够设计得到经过定点的全局最优的滤波器的待调节参数项的系数，不仅避免了量化性能损失，又能够提高滤波器的通带和阻带性能，使得滤波器性能更优。此外，本发明充分利用了鸟群间的相互信息以及所加入的记忆特性来调整各鸟群自身的状态，与传统粒子群算法相比，其收敛速度更快，搜索精度更高。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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为本申请实施例所提供的一种滤波器参数的数据处理方法的流程图；
图2为本申请实施例所提供的一种滤波器参数的数据处理过程示意图；
图3为本申请实施例所提供的一种滤波器参数的数据处理装置的结构示意图；
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
随着无线通信产品在生产、生活中的广泛发展与应用，使得无线通信成为人们生活工作中重要的组成部分，人们对于无线通信的传输质量和通信速率也提出了越来越高的要求，这也推进这无线通信理论与技术的发展。信号处理技术是通信领域中不可或缺的关键技术，而数字滤波技术因广泛应用在数字信号处理的多个领域而成为无线通信不可或缺的技术之一，其性能的好坏直接影响着无线通信的性能。
由于有限长单位冲激响应滤波器（Finite Impulse Response，FIR）具有系统稳定性、可靠性、可重构性等特点，且容易实现线性相位，硬件实现容易等特点，使得其在数字信号处理等重要领域中有着广泛的应用。然而，随着无线通信技术的发展及其对性能的严格要求，这也使得对FIR滤波器的性能设计以及硬件实现提出了更为苛刻的要求。传统的FIR低通滤波器数据处理方法有等波纹法、频率采样法以及窗函数。等纹波法的设计在于滤波器的整个采样率内的误差最小，并不能按照通带或阻带的要求灵活设计。频率采样法在设计时从信号的频域着手，计算量小，然而很难准确的把握通带及其阻带的边缘频率，且难以做到系统的最优设计。窗函数法在计算滤波器的系数时简单，但很难做到通带衰减尽量少、阻带衰减尽可能多，最终很难设计系统最优的滤波器。
基于此，本申请实施例提供了一种滤波器参数的数据处理方法、装置、电子设备及存储介质，提高滤波器的通带和阻带性能。
请参阅图1，图1为本申请实施例所提供的一种滤波器参数的数据处理方法的流程图。如图1中所示，本申请实施例提供的数据处理方法，包括：
S1、针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值。
需要说明的是，鸟群的相关参数是根据所要设计的滤波器的目标参数确定的。波器的目标参数包括滤波器的设定指标值、滤波器的待调节参数项等。
这里，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应。示例的，所述滤波器可以为低通FIR滤波器。
本方案中可设置多个鸟群，每个鸟群中的飞鸟个数相同，不同鸟群中同一编号飞鸟所对应的待调节参数项相同。
其中，在确定每个鸟群中每个飞鸟的初始位置时，同时也确定了每个飞鸟的初始速度。飞鸟的初始位置和初始速度可以为在预设范围内的随机值。
在本申请提供的一种实施方式中，通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
（1）
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第x个飞鸟与后第x个对应相同的滤波器的待调节参数项，1≤x≤K。
需要说明的是，之所以按式（1）设置飞鸟个数，是根据具有线性相位的FIR低通滤波器的性能所确定。
在本申请提供的另一种实施方式中，所述针对每个鸟群，根据该鸟群中每个飞鸟的初始位置和初始速度、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值，包括：
S11、针对每个鸟群，根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
S12、将所述滤波器的实际频域响应值和滤波器的设定指标值带入适应度函数中的误差计算公式中，确定所述滤波器的通带误差和阻带误差。
S13、将所述滤波器的通带误差和阻带误差的和值，确定为该鸟群的初始适应度值。
针对步骤S11，在本申请提供的一种实施方式中，所述根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值，包括：
S111、根据该鸟群中所有飞鸟的初始位置和预先确定的位置-时域对应关系，确定所述滤波器的实际时域响应值。
S112、将所述滤波器的实际时域响应值带入所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
针对步骤S111中所述的位置-时域对应关系具体如式（2）所示：
（2）
其中，为第i个鸟群所确定出的滤波器的实际时域响应值，/>为第i个鸟群中第j个飞鸟的位置，/>，/>，M为鸟群数量。
需要说明的，j为飞鸟个体的索引，也是滤波器的半边索引。示例的，的可为之间的数值。
针对步骤S112中所述的频域计算公式，具体可为式（3）所示：
（3）
其中，为第i个鸟群确定出的滤波器的实际频域响应值，这样，根据每个鸟群的位置均可以确定出一个滤波器的实际频域响应值。
针对步骤S12中所述的滤波器的设定指标值，具体包括通带截止频率、阻带截止频率/>、通带纹波/>和阻带纹波/>，该步骤中的误差计算公式，具体可以为式（4）所示：
（4）
其中，为第i个鸟群确定出的滤波器的通带误差，/>为第i个鸟群确定出的滤波器的通带误差。
S2、根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组。
在本申请提供的一种实施方式中，所述根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组，包括：
S21、针对每个鸟群，将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，并将此时该鸟群中所有飞鸟的初始位置确定为该鸟群的当前最优位置。
S22、根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置。
S23、使用所述最优值替换初始适应度值组中每个元素，得到全局最优适应度值组，并使用所述最优值对应的位置替换初始位置组中每个元素，得到全局最优位置组；其中，所述初始适应度值组中包括多个元素。
针对步骤S21，首次时，针对每个鸟群，可直接将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，根据该鸟群的所有飞鸟的初始位置可确定该鸟群的初始位置，将该鸟群的初始位置确定为该鸟群的当前最优位置。
针对步骤S22，所述根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置，具体可以为：从所有鸟群的初始适应度值中选取一个最小初始适应度值，并确定最小初始适应度值所对应的鸟群位置。
针对步骤S23，初始适应度值组中的元素个数预先设定。这里，通过以下示例，对全局最优适应度值组和全局最优位置组的确定过程进行说明。假设初始适应度值组中包括5个元素，对应的鸟群有5个，5个鸟群确定出的初始适应度值分别为F1、F2、F3、F4、F5，5个值中最小值为F5，则确定的全局最优适应度值组为{ F5、F5、F5、F5、F5}，对应的全局最优位置组为{ P5、P5、P5、P5、P5}。
S3、确定是否满足结束条件，若为是，执行步骤S6；若为否，执行步骤S4。
这里，是否满足结束条件可为确定迭代次数是否达到最大阈值次数，或者可确定全局最优适应度值中的最优值是否小于阈值。也可以为其他预设条件，在此不做限定。
S4、更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置。
在本申请提供的一种实施方式中，所述更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置，包括：
S41、针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量。
S42、根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量。
S43、对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置。
S44、根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值。
针对步骤S41，全局最优位置组中的最优位置值为根据全局最优适应度值组中的最优值确定，全局最优适应度值组中的最优值具体可以为全局最优适应度值组中的最小值，该步骤中的速度更新公式，具体可以为式（5）所示：
（5）
其中，，/>，L1、L2为学习因子，/>为更新后的速度矢量，/>为该鸟群的当前最优位置，/>为全局最优位置组中的最优位置值，为未更新前的速度矢量，/>为未更新前的位置。
这里，确定出该鸟群的速度矢量，也就是确定出该鸟群中每个飞鸟的速度矢量。
针对步骤S42，根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量，具体为：针对该鸟群中的每个飞鸟，根据该飞鸟更新后的速度矢量对该飞鸟的位置进行更新，确定出该飞鸟的位置矢量，根据更新后的该鸟群中所有飞鸟的位置矢量，确定该鸟群的位置矢量。
示例的，具体可通过式（6）使用速度矢量对位置进行更新：
（6）
针对步骤S43，对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置，具体可以为：
若定点的有符号数的量化位宽为b，则小数位的量化位宽为b-1，则量化后的位置矢量为，其中，/>(⋅)表示四舍五入操心，该步骤实际是对滤波器进行定点量化。
针对步骤S44中确定鸟群的当前适应度值的方式同步骤S1相同，在此不再赘述。
S5、根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行步骤S3。
在本申请提供的一种实施方式中，所述根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，包括：
S51、针对每个鸟群，确定该鸟群的当前适应度值是否小于该鸟群的种群最优适应度值。
S52、若为是，使用所述当前适应度值更新所述种群最优适应度值，并使用该鸟群的当前位置更新所述当前最优位置；若为否，保持该鸟群的种群最优适应度值和当前最优位置不变。
S53、确定本次确定出的所有鸟群的当前适应度值中的最小值是否小于全局最优适应度值组的适应度均值。
S54、若是，使用本次确定出的所有鸟群的当前适应度值中的最小值更新全局最优适应度值组中的最大值，并对应更新全局最优位置组中的为；若为否，保持全局最优适应度值组和全局最优位置组不变。
S6，结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数。
其中，全局最优适应度值组中最优值具体可为全局最优适应度值中的最小值。
这样，根据全局最优位置组中的最优位置即可确定出滤波器的每个待调节参数项的具体系数，从而得到能达到滤波器的设定指标值的滤波器。其中，获取的滤波器的待调节参数项的目标系数，为经过量化定点后的目标系数。
此外，为了进一步清楚对滤波器的参数确定过程，请参阅图2，图2为本申请实施例所提供的一种滤波器参数的数据处理过程示意图，如图2所示，S201，开始；S202，确定滤波器的设定指标值；S203，根据滤波器的设定指标值，设定改进的鸟群觅食方法的鸟群相关参数；S204，初始化鸟群中每个鸟的位置和速度，并确定鸟群的初始适应度值；S205，评估每个鸟群，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；S206，判断是否到达结束条件；若为否，执行步骤S207，若为是，执行步骤S209；S207，更新鸟群中每个鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；S208，更新每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；S209，结束，获取量化定点后的滤波器的待调节参数项的目标系数。
这样，本申请通过利用改进鸟群方法的全局搜索特性，能够设计得到经过定点的全局最优的滤波器的待调节参数项的系数，不仅避免了量化性能损失，又能够提高滤波器的通带和阻带性能，使得滤波器性能更优。此外，本发明充分利用了鸟群间的相互信息以及所加入的记忆特性来调整各鸟群自身的状态，与传统粒子群算法相比，其收敛速度更快，搜索精度更高。
请参阅图3，图3为本申请实施例所提供的一种滤波器参数的数据处理装置的结构示意图，所述数据处理装置300包括：
第一确定模块310，用于针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值；其中，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应；
第二确定模块320，用于根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；
判断模块330，用于确定是否满足结束条件，若为是，结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数；若为否，更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
第一更新模块340，用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
第二更新模块350，用于根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行确定是否满足结束条件；
结束模块360，用于根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数。
可选的，所述第一确定模块310在用于针对每个鸟群，根据该鸟群中每个飞鸟的初始位置和初始速度、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值时，所述第一确定模块310用于：
针对每个鸟群，根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值；
将所述滤波器的实际频域响应值和滤波器的设定指标值带入适应度函数中的误差计算公式中，确定所述滤波器的通带误差和阻带误差；
将所述滤波器的通带误差和阻带误差的和值，确定为该鸟群的初始适应度值。
可选的，所述第一确定模310块在用于根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值时，所述第一确定模块310用于：
根据该鸟群中所有飞鸟的初始位置和预先确定的位置-时域对应关系，确定所述滤波器的实际时域响应值；
将所述滤波器的实际时域响应值带入所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
可选的，所述第二确定模块320在用于根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组时，所述第二确定模块320用于：
针对每个鸟群，将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，并将此时该鸟群中所有飞鸟的初始位置确定为该鸟群的当前最优位置；
根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置；
使用所述最优值替换初始适应度值组中每个元素，得到全局最优适应度值组，并使用所述最优值对应的位置替换初始位置组中每个元素，得到全局最优位置组；其中，所述初始适应度值组中包括多个元素。
可选的，所述第一更新模块340在用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置时，所述第一更新模块340用于：
针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量；
对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置；
根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值。
可选的，所述第二更新模块350在用于根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新时，所述第二更新模块350用于：
针对每个鸟群，确定该鸟群的当前适应度值是否小于该鸟群的种群最优适应度值；
若为是，使用所述当前适应度值更新所述种群最优适应度值，并使用该鸟群的当前位置更新所述当前最优位置；若为否，保持该鸟群的种群最优适应度值和当前最优位置不变；
确定本次确定出的所有鸟群的当前适应度值中的最小值是否小于全局最优适应度值组的适应度均值；
若是，使用本次确定出的所有鸟群的当前适应度值中的最小值更新全局最优适应度值组中的最大值，并对应更新全局最优位置组中的位置；若为否，保持全局最优适应度值组和全局最优位置组不变。
可选的，所述数据处理装置300还用于通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第个飞鸟与后第/>个对应相同的滤波器的待调节参数项，/>。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1以及图2所示方法实施例中的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种滤波器参数的数据处理方法，其特征在于，所述数据处理方法包括：
S1、针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值；其中，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应；其中，所述滤波器的设定指标值包括通带截止频率、阻带截止频率、通带纹波和阻带纹波；
S2、根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；其中，所述全局最优适应度值组中包括预设数量个元素；
S3、确定是否满足结束条件，若为是，执行步骤S6；若为否，执行步骤S4；
S4、更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；其中，所述当前位置为使用定点量化处理后得到的位置；
S5、根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行步骤S3；
S6、结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数；
其中通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
N=(K+1)/2
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第x个飞鸟与后第x个对应相同的滤波器的待调节参数项，1≤x≤K；
所述更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置，包括：
针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量；
对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置；
根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值；
所述速度更新公式为：
其中，，/>，L1、L2为学习因子，/>为更新后的速度矢量，/>为该鸟群的当前最优位置，/>为全局最优位置组中的最优位置值，/>为未更新前的速度矢量，/>为未更新前的位置；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，所对应的公式为：
所述对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置，包括：
若定点的有符号数的量化位宽为b，则小数位的量化位宽为b-1，则量化后的位置矢量为，其中，round(/>)表示四舍五入操作。
2.根据权利要求1所述的数据处理方法，其特征在于，所述针对每个鸟群，根据该鸟群中每个飞鸟的初始位置和初始速度、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值，包括：
针对每个鸟群，根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值；
将所述滤波器的实际频域响应值和滤波器的设定指标值带入适应度函数中的误差计算公式中，确定所述滤波器的通带误差和阻带误差；
将所述滤波器的通带误差和阻带误差的和值，确定为该鸟群的初始适应度值。
3.根据权利要求2所述的数据处理方法，其特征在于，所述根据该鸟群中所有飞鸟的初始位置和所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值，包括：
根据该鸟群中所有飞鸟的初始位置和预先确定的位置-时域对应关系，确定所述滤波器的实际时域响应值；
将所述滤波器的实际时域响应值带入所述适应度函数中的频域计算公式中，确定所述滤波器的实际频域响应值。
4.根据权利要求1所述的数据处理方法，其特征在于，所述根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组，包括：
针对每个鸟群，将该鸟群的初始适应度值确定为该鸟群的种群最优适应度值，并将此时该鸟群中所有飞鸟的初始位置确定为该鸟群的当前最优位置；
根据预设最优确定规则，从所有鸟群的初始适应度值中选取一个最优值，并确定所述最优值对应的位置；
使用所述最优值替换初始适应度值组中每个元素，得到全局最优适应度值组，并使用所述最优值对应的位置替换初始位置组中每个元素，得到全局最优位置组；其中，所述初始适应度值组中包括多个元素。
5.根据权利要求1所述的数据处理方法，其特征在于，所述根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，包括：
针对每个鸟群，确定该鸟群的当前适应度值是否小于该鸟群的种群最优适应度值；
若为是，使用所述当前适应度值更新所述种群最优适应度值，并使用该鸟群的当前位置更新所述当前最优位置；若为否，保持该鸟群的种群最优适应度值和当前最优位置不变；
确定本次确定出的所有鸟群的当前适应度值中的最小值是否小于全局最优适应度值组的适应度均值；
若是，使用本次确定出的所有鸟群的当前适应度值中的最小值更新全局最优适应度值组中的最大值，并对应更新全局最优位置组中的位置；若为否，保持全局最优适应度值组和全局最优位置组不变。
6.一种滤波器参数的数据处理装置，其特征在于，所述数据处理装置包括：
第一确定模块，用于针对每个鸟群，根据该鸟群中每个飞鸟的初始位置、适应度函数以及滤波器的设定指标值，确定该鸟群的初始适应度值；其中，鸟群中的飞鸟个数根据滤波器的待调节参数项的数量确定，滤波器的待调节参数项的系数与飞鸟位置对应；其中，所述滤波器的设定指标值包括通带截止频率、阻带截止频率、通带纹波和阻带纹波；
第二确定模块，用于根据每个鸟群的初始适应度值和鸟群中每个飞鸟的初始位置，确定每个鸟群的种群最优适应度值、每个鸟群的当前最优位置，以及全局最优适应度值组和全局最优位置组；其中，所述全局最优适应度值组中包括预设数量个元素；
判断模块，用于确定是否满足结束条件，若为是，结束，根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数；若为否，更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；
第一更新模块，用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置；其中，所述当前位置为使用定点量化处理后得到的位置；
第二更新模块，用于根据预设更新规则，对每个鸟群的种群最优适应度值、每个种群的当前最优位置进行更新，以及全局最优适应度值组和全局最优位置组进行更新，并返回执行确定是否满足结束条件；
结束模块，用于根据全局最优适应度值组中最优值对应的位置，确定滤波器的待调节参数项的目标系数；
所述数据处理装置还用于通过以下公式根据滤波器的待调节参数项的数量确定鸟群中的飞鸟个数：
N=(K+1)/2
其中，N为飞鸟个数，K为滤波器的待调节参数项的数量；前第x个飞鸟与后第x个对应相同的滤波器的待调节参数项，1≤x≤K；
所述第一更新模块在用于更新每个鸟群中每个飞鸟的位置和速度，并确定每个鸟群的当前适应度值和当前位置时，所述第一更新模块用于：
针对每个鸟群，根据该鸟群的当前最优位置、全局最优位置组中的最优位置值以及速度更新公式对该鸟群中每个飞鸟的速度进行更新，确定更新后的该鸟群的速度矢量；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，确定更新后的该鸟群的位置矢量；
对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置；
根据该鸟群的当前位置、适应度函数以及滤波器的设定指标值，确定该鸟群的当前适应度值；
所述速度更新公式为：
其中，，/>，L1、L2为学习因子，/>为更新后的速度矢量，/>为该鸟群的当前最优位置，/>为全局最优位置组中的最优位置值，/>为未更新前的速度矢量，/>为未更新前的位置；
根据更新后的该鸟群的速度矢量对该鸟群中每个飞鸟的位置进行更新，所对应的公式为：
所述对该鸟群的位置矢量进行定点量化处理，确定出该鸟群的当前位置，包括：
若定点的有符号数的量化位宽为b，则小数位的量化位宽为b-1，则量化后的位置矢量为，其中，round(/>)表示四舍五入操作。
7.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的数据处理方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机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运行时执行如权利要求1至5任一所述的数据处理方法的步骤。
CN202311507933.5A 2023-11-14 2023-11-14 滤波器参数的数据处理方法、装置、电子设备及存储介质 Active CN117252136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311507933.5A CN117252136B (zh) 2023-11-14 2023-11-14 滤波器参数的数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311507933.5A CN117252136B (zh) 2023-11-14 2023-11-14 滤波器参数的数据处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117252136A CN117252136A (zh) 2023-12-19
CN117252136B true CN117252136B (zh) 2024-02-27

Family

ID=89126602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311507933.5A Active CN117252136B (zh) 2023-11-14 2023-11-14 滤波器参数的数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117252136B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102025344A (zh) * 2009-09-11 2011-04-20 上海贝尔股份有限公司 Fir滤波器设计方法及其设备
CN106921365A (zh) * 2017-02-28 2017-07-04 西安电子科技大学 一种设计有限长脉冲响应数字低通滤波器的方法
CN109376329A (zh) * 2018-09-05 2019-02-22 哈尔滨工程大学 一种基于量子鸟群演化机制的阵列幅相误差校正方法
CN114818509A (zh) * 2022-05-17 2022-07-29 中国南方电网有限责任公司超高压输电公司检修试验中心 滤波器参数设计方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150106323A1 (en) * 2013-10-10 2015-04-16 Abeeb Adebowale Awotunde PSOAF System Parameter Estimator (PSOAF)

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102025344A (zh) * 2009-09-11 2011-04-20 上海贝尔股份有限公司 Fir滤波器设计方法及其设备
CN106921365A (zh) * 2017-02-28 2017-07-04 西安电子科技大学 一种设计有限长脉冲响应数字低通滤波器的方法
CN109376329A (zh) * 2018-09-05 2019-02-22 哈尔滨工程大学 一种基于量子鸟群演化机制的阵列幅相误差校正方法
CN114818509A (zh) * 2022-05-17 2022-07-29 中国南方电网有限责任公司超高压输电公司检修试验中心 滤波器参数设计方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
粒子群优化算法在FIR数字滤波器设计中的应用;李辉 等;电子学报;第33卷(第7期);第1338页摘要，第1338页正文第2节到第1340页第4节 *

Also Published As

Publication number Publication date
CN117252136A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
Ng et al. The genetic search approach. A new learning algorithm for adaptive IIR filtering
Zou et al. A recursive least M-estimate (RLM) adaptive filter for robust filtering in impulse noise
Liu et al. Online convolutional dictionary learning
Kalinli et al. A new method for adaptive IIR filter design based on tabu search algorithm
Du et al. Indirect identification of continuous-time delay systems from step responses
Mandal et al. Optimal linear phase finite impulse response band pass filter design using craziness based particle swarm optimization algorithm
CN115455745B (zh) 自适应频点采样的扫频方法、系统及相关设备
Asif et al. Estimation and dynamic updating of time-varying signals with sparse variations
CN110782030A (zh) 深度学习权值更新方法、系统、计算机设备及存储介质
CN108011615A (zh) 一种信号处理的方法和装置
Bertrand Utility metrics for assessment and subset selection of input variables for linear estimation [tips & tricks]
CN117252136B (zh) 滤波器参数的数据处理方法、装置、电子设备及存储介质
Mitra et al. A simple method of computing the input quantization and multiplication roundoff errors in a digital filter
WO2019051841A1 (zh) 确定滤波器系数的方法及其装置、终端
CN113267676B (zh) 格策尔算法下的频谱确定方法、系统、设备及存储介质
Singh et al. Optimization of IIR digital filters using Particle Swarm Optimization
CN114614797B (zh) 基于广义最大非对称相关熵准则的自适应滤波方法和系统
Skidmore et al. The KaGE RLS algorithm
CN117236276B (zh) 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备
CN113267675B (zh) 基于格策尔算法的频谱确定方法、系统、设备及存储介质
Boukis et al. A generalised mixed norm stochastic gradient algorithm
JP6343585B2 (ja) 未知伝達系推定装置、未知伝達系推定方法、およびプログラム
Tang et al. A Fast Kernel Least Mean Square Algorithm
JP5860383B2 (ja) 伝達系パラメータ推定装置、伝達系パラメータ推定方法、伝達系パラメータ推定プログラム
Hu et al. Multi-innovation stochastic gradient identification algorithm for Hammerstein controlled autoregressive autoregressive systems based on the key term separation principle and on the model decomposition

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