CN118100914B - 基于人工智能的双频率合成器控制方法及系统 - Google Patents
基于人工智能的双频率合成器控制方法及系统 Download PDFInfo
- Publication number
- CN118100914B CN118100914B CN202410465091.XA CN202410465091A CN118100914B CN 118100914 B CN118100914 B CN 118100914B CN 202410465091 A CN202410465091 A CN 202410465091A CN 118100914 B CN118100914 B CN 118100914B
- Authority
- CN
- China
- Prior art keywords
- crystal oscillator
- oscillator signal
- signal vector
- filtering
- extreme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 239000013078 crystal Substances 0.000 claims abstract description 339
- 239000013598 vector Substances 0.000 claims abstract description 162
- 238000001914 filtration Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000009977 dual effect Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 abstract description 9
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 238000003786 synthesis reaction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03L—AUTOMATIC CONTROL, STARTING, SYNCHRONISATION OR STABILISATION OF GENERATORS OF ELECTRONIC OSCILLATIONS OR PULSES
- H03L7/00—Automatic control of frequency or phase; Synchronisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Oscillators With Electromechanical Resonators (AREA)
Abstract
本申请涉及频率合成技术领域,提出了基于人工智能的双频率合成器控制方法及系统,包括:获取晶振信号向量;根据晶振信号向量获取晶振信号多周期衰减权重;根据晶振信号多周期衰减权重获取晶振局部估计频率;根据晶振局部估计频率获取晶振滤波算子偏向斜率;根据晶振滤波算子偏向斜率获取晶振滤波自适应度;利用遗传算法基于晶振滤波自适应度获取最优个体;利用最优个体对晶振信号向量进行滤波计算获取控制频率生成信号;利用双频率合成器基于控制频率生成信号获取频率合成的输出信号结果。本申请通过优化算法搜索最优个体,提高了双频率合成器生成控制频率的质量。
Description
技术领域
本申请涉及频率合成技术领域,具体涉及基于人工智能的双频率合成器控制方法及系统。
背景技术
随着科学技术的发展,双频率合成器取得了巨大的进步。双频率合成器是将参考频率经过一系列变换从而合成多种频率的设备,作为电子设备的核心部分,其广泛应用于通信系统、雷达系统等高精尖端电子系统。双频率合成器的关键任务包括合成可靠的输出信号,用以确保频率的准确性和稳定性,以求适应不同场景的需求。
为了合成高精度和高稳定性的输出信号,将晶振信号作为频率合成器的参考频率,后续处理过程中往往需要利用滤波算法对晶振信号进行滤波,以求提高双频率合成器中控制频率的质量。比如,均值滤波算法作为一种常见的晶振滤波算法,对突发尖脉冲干扰等简单噪声的抑制效果较好。但是,对于电路产生的交流干扰所引起的相位偏移的噪声波形,传统均值滤波算法的抑制效果较差,导致双频率合成器生成的控制频率的质量较差,从而影响双频率合成器输出信号的质量。
发明内容
本申请提供基于人工智能的双频率合成器控制方法及系统,以解决双频率合成器生成的控制频率质量较差的问题,所采用的技术方案具体如下:
第一方面,本申请一个实施例提供了基于人工智能的双频率合成器控制方法,该方法包括以下步骤:
对晶振输入信号进行采样得到晶振信号,利用晶振信号构建晶振信号向量;
根据晶振信号向量获取每类极值点内每个极值点的所处时刻及晶振信号强度;根据每类极值点内两个极值点的所处时刻及晶振信号强度获取每类极值点内两个极值点之间的晶振信号多周期衰减权重;根据每类极值点内两个极值点之间的晶振信号多周期衰减权重获取晶振信号向量内每个元素的晶振局部估计频率;
根据晶振信号向量内每个元素的晶振局部估计频率获取晶振信号向量内每个元素的晶振滤波算子偏向斜率;根据晶振信号向量内每个元素的晶振滤波算子偏向斜率获取晶振信号向量内每个元素的每个个体的晶振滤波自适应度;利用优化算法基于所述晶振滤波自适应度获取晶振信号向量内每个元素的最优个体;
利用所述最优个体获取晶振信号向量的滤波计算结果,将晶振信号向量的滤波计算结果作为双频率合成器中的控制频率生成信号。
优选的,所述根据晶振信号向量获取每类极值点内每个极值点的所处时刻及晶振信号强度的方法为:
将晶振信号向量内晶振信号强度值作为极值点检测算法的输入,利用极值点检测算法得到晶振极值点的时刻,所述极值点包括两类极值点,分别为极大值点和极小值点;
采用统计的方式得到每类极值点内每个极值点的所处时刻及晶振信号强度。
优选的,所述根据每类极值点内两个极值点的所处时刻及晶振信号强度获取每类极值点内两个极值点之间的晶振信号多周期衰减权重的方法为:
式中,是第b类极值点内第k个和第m个极值点之间的强度距离因子,是第b类极值点内第k个和第m个极值点之间的周期重复可能性权重,是第b类极值点内第k个和第m个极值点之间的晶振信号多周期衰减权重,、分别是第b类极值点内第k个、第m个晶振极值点处的晶振信号强度,为误差参数,是第b类极值点内第个与第m个极值点之间的强度距离因子,为极小值函数,K是预设极值点数量。
优选的,所述根据每类极值点内两个极值点之间的晶振信号多周期衰减权重获取晶振信号向量内每个元素的晶振局部估计频率的方法为:
对于每类极值点内任意两个极值点,计算两个极值点所处时刻之差的倒数,将所述倒数与两个极值点之间的晶振信号多周期衰减权重的乘积在预设极值点数量上的累加和作为两个极值点内任意一个极值点的晶振局部估计频率;
将晶振信号向量内所有极值点的晶振局部估计频率和所有相邻极值点之间的晶振信号采样点数量作为均值插值算法的输入,利用均值插值算法进行缺失值补全得到晶振信号向量内每个元素的晶振局部估计频率。
优选的,所述根据晶振信号向量内每个元素的晶振局部估计频率获取晶振信号向量内每个元素的晶振滤波算子偏向斜率的方法为:
将晶振信号向量内所有极小值点组成的集合作为极小值点集合,将晶振信号向量内所有极大值点组成的集合作为极大值点集合;
将晶振信号向量内每个元素位置作为标记元素位置,将距离每个元素位置最近的极值点作为标记极值点,将标记元素位置与标记极值点所处位置之间的所有元素组成的集合作为晶振信号向量内每个元素的斜率度量集合;
将晶振信号向量内每个元素作为目标元素,若距离目标元素位置最近的极值点属于极大值点集合,将目标元素的斜率方向判断系数置为1;若距离目标元素位置最近的极值点属于极小值点集合,将目标元素的斜率方向判断系数置为-1;
将目标元素的晶振局部估计频率与预设晶振固定频率的差值作为分子;计算目标元素位置与目标元素的斜率度量集合中每个元素位置之间的度量距离,将所述度量距离与预设晶振固定频率的乘积作为分母;
计算分子与分母的比值在所述斜率度量集合上的累加和,将所述累加和与目标元素的斜率方向判断系数的乘积作为晶振信号向量内每个元素的晶振滤波算子偏向斜率。
优选的,所述根据晶振信号向量内每个元素的晶振滤波算子偏向斜率获取晶振信号向量内每个元素的每个个体的晶振滤波自适应度的方法为:
构建预设参数个预设长度的归一化的滤波向量,所述滤波向量内中间位置的元素数值为预设长度的倒数,滤波向量内其他位置的元素数值取随机值;
将每个滤波向量作为种群中的每个个体,计算每个滤波向量内每个元素位置处的向量梯度,将每个滤波向量内所有元素位置处向量梯度的均值作为每个个体的滤波个体偏向斜率;
对于晶振信号向量中每个元素,提取以元素为中心的局部向量,将每个个体与局部向量之间所有对应元素乘积的和作为每个个体对晶振信号向量中每个元素处信号进行滤波后的滤波值;
根据晶振信号向量中每个元素的晶振局部估计频率获取晶振信号向量中每个元素的先验波形正弦值;
将每个个体的滤波个体偏向斜率与每个元素的晶振滤波算子偏向斜率之差的绝对值作为第一绝对值,将每个元素的先验波形正弦值与所述滤波值之差的绝对值作为第二绝对值;
将第一绝对值与第二绝对值的乘积作为晶振信号向量内每个元素的每个个体的晶振滤波自适应度。
优选的,所述根据晶振信号向量中每个元素的晶振局部估计频率获取晶振信号向量中每个元素的先验波形正弦值的方法为:
式中,是晶振信号向量中第t个元素的先验波形正弦值,是正弦函数,、分别是第t个元素最近的极值点位置上的晶振信号强度、极值点所处时刻,是第t个元素的晶振局部估计频率,是第t个元素的所处时刻,、分别是用于计算相位的弧度制常数,是第t个元素的斜率方向判断系数。
优选的,所述利用优化算法基于所述晶振滤波自适应度获取晶振信号向量内每个元素的最优个体的方法为:
将晶振信号向量内每个元素的所有个体以及个体的晶振滤波自适应度作为优化算法的输入,利用优化算法得到晶振信号向量内每个元素的最优个体。
优选的,所述利用所述最优个体获取晶振信号向量的滤波计算结果的方法为:
对于晶振信号向量内的每个元素,将元素的最优个体与元素的局部向量之间所有对应元素乘积的和作为最优个体对晶振信号向量中每个元素处信号进行滤波后的滤波值,将所有所述滤波值组成的向量作为晶振信号向量的滤波计算结果。
第二方面,本申请实施例还提供了基于人工智能的双频率合成器控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本申请的有益效果是:本申请采用极值点检测算法获得极值点所处时刻和晶振信号强度值,并计算出晶振信号多周期衰减权重,利用晶振信号多周期衰减权重计算晶振局部估计频率,避免了在进行晶振信号局部频率估计时,由于多周期衰减权重不确定,导致晶振局部估计频率准确性较差的问题;利用晶振局部估计频率,并结合计算位置的信号上升下降情况,计算晶振滤波算子偏向斜率,用以提高晶振信号局部位置的相位偏移度量的准确性;通过晶振局部估计频率计算局部的正弦函数,并结合晶振滤波算子偏向斜率,构建晶振滤波自适应度,将晶振滤波自适应度作为遗传算法的自适应度函数进行计算得到最优个体;利用最优个体得到滤波计算结果,将滤波计算结果作为双频率合成器中的控制频率生成信号。本申请通过遗传算法,搜索得到能对交流干扰噪音进行有效过滤的最优个体,使得双频率合成器生成的控制频率更加稳定,提高了双频率合成器生成的控制频率质量。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例所提供的基于人工智能的双频率合成器控制方法的流程示意图;
图2为本申请一个实施例所提供的晶振信号周期示意图;
图3为本申请一个实施例所提供的基于人工智能的双频率合成器控制方法的实施流程图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,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例,都属于本申请保护的范围。
请参阅图1,其示出了本申请一个实施例提供的基于人工智能的双频率合成器控制方法的流程图,该方法包括以下步骤:
步骤S001,采样双频率合成器的晶振输入信号获取晶振信号,对晶振信号进行预处理获取晶振信号向量。
频率合成器的单片机通过外部通信接口接受输入的晶振输入信号,对晶振输入信号进行采样得到晶振信号,本申请中采样频率为50Hz,实施者可以根据场景需要自行决定采样频率的取值。对晶振信号进行预处理,将采样得到所有晶振信号的强度值按照时间的先后顺序组成的向量作为晶振信号向量,其中每个元素代表对应采样时刻的晶振信号强度值。
至此,得到晶振信号向量。
步骤S002,根据晶振信号向量获取晶振极值点,根据晶振极值点获取周期重复可能性权重,根据周期重复可能性权重获取晶振信号多周期衰减权重,根据晶振信号多周期衰减权重获取晶振局部估计频率。
晶振信号有其固定频率,而其它非固体频率得到信号成分都是噪声,噪声成分极为影响双频率合成器的控制频率生成质量。为了控制双频率合成器得到质量更高的控制频率,需要晶振信号进行滤波处理,以求通过提高双频率合成器生成的控制频率的质量,进而提高双频率合成器输出信号的质量。
具体地,将晶振信号向量内晶振信号强度值作为极值点检测算法的输入,将极值点检测算法的输出作为晶振极值点的时刻,所述极值点包括两类极值点,分别为极大值点和极小值点,其中极值点检测算法为公知技术,具体过程不再赘述。
进一步地,将晶振极值点的时刻作为矩阵的第一行元素,将晶振极值点处的晶振信号强度值作为矩阵的第二行元素,将构建的矩阵作为晶振极值点时刻矩阵,晶振极值点时刻矩阵中第1行第m个元素代表第m个晶振极值点所处时刻,其下标b为1代表该极值点为极大值点,b为2代表该极值点为极小值点,第二行第m个元素代表第m个晶振极值点处的晶振信号强度。
基于上述分析,计算晶振频率估计时的晶振信号多周期衰减权重:
式中,是第b类极值点内第k个和第m个极值点之间的强度距离因子,是第b类极值点内第k个和第m个极值点之间的周期重复可能性权重,是第b类极值点内第k个和第m个极值点之间的晶振信号多周期衰减权重,、分别是第b类极值点内第k个、第m个晶振极值点处的晶振信号强度,为误差参数,避免分母取值为0,误差参数取经验值1,是第b类极值点内第个与第m个极值点之间的强度距离因子,为极小值函数,K是预设极值点数量,预设极值点数量是人为预设的阈值,K取经验值100,其中。
需要说明的是,将两个同类极值点之间的间隔时间作为一个周期的,而在考虑第m个极值点时,将其前K个极值点纳入计算范围内,将第k个极值点的晶振信号强度值与第m个极值点的晶振信号强度值相减得到晶振信号强度值的差值,差值越小代表两个极值点的峰值越像,则代表两个极值点越可能是晶振信号中同一个频率成分的信号,因此将其求倒数作为强度距离因子;
在计算第m个极值点处的频率时参考了其之前K个极值点的强度值,这可能会导致第k个极值点和第m个极值点之间相隔的并非一个周期而是多个周期,这会导致第m个极值点的局部频率估计错误。因此,将第k个和第m个极值点的晶振信号强度值之差的倒数与第个和第m个极值点的晶振信号强度值之差的倒数之间做差值得到周期重复可能性权重。由于第个极值点是第k个和第m个极值点之间的极值点,如果当第k个极值点与第m个极值点之间相隔了两个及以上的周期,则两者之间必然至少存在一个极值点,此时第个与第m个极值点的晶振信号强度值之差的倒数、第k个与第m个极值点之间的信号强度值之差的倒数之间十分接近,此时周期重复可能性权重十分小甚至接近于0,表征第k个极值点既有可能与第m个极值点之间的间隔并非一个周期,所以将其作为周期重复可能性权重,能够更好的估计晶圆信号的局部频率大小;
同时,晶振信号周期示意图如图2所示,其中1,2,3,m分别表示第1个极值点、第2个极值点、第3个极值点、第m个极值点,第1个极值点与第m个极值点的晶振信号强度值差异较大,其第1个极值点与第m个极值点的时间差对估计第m个极值点的频率时的权重较低;第2个极值点与第m个极值点的晶振信号强度值之间的差异较小,其第2个极值点对应的权重较高;第3个极值点与第m个极值点的晶振信号强度值之间的差异较小,但是两者之间已经有了第2个极值点,第2个极值点第m个极值点的晶振信号强度值之间的差异和第3个极值点与第m个极值点的晶振信号强度值之间的差异相似,所以第3个极值点的权重较低;
最终将两种权重值相乘并归一化处理得到晶振信号多周期衰减权重,其值越大代表第k个极值点对第m个极值点的频率进行估计时权重值越大。
进一步地,计算晶振局部估计频率:
式中,是第b类极值点内第m个极值点处的晶振局部估计频率,K是预设极值点数量,、分别是第b类极值点内第m个、第k个极值点所处的时刻,是第b类极值点内第k个和第m个极值点的晶振信号多周期衰减权重。
需要说明的是,在估计第m个极值点的晶振信号频率大小时,将第k个和第m个极值点之间的时间差作为一个周期,来估计第m个极值点的晶振信号频率大小,然后将第k个极值点与第m个极值点之间的晶振信号多周期衰减权重和时间差的倒数之间的乘积进行累加,得到晶振局部估计频率,其值的大小代表了对第m个极值点所处时刻的频率估计大小,越接近晶振固定频率,代表越是晶振所产生的非噪音频率信号极值点,在滤波时越应该保留该极值点所代表的频率形状。
进一步地,利用均值插值算法进行缺失值补全,将晶振信号向量内所有极值点的晶振局部估计频率和所有相邻极值点之间的晶振信号采样点数量作为均值插值算法的输入,将均值插值算法的输出作为晶振信号向量内每个元素的晶振局部估计频率,其中均值插值算法为公知技术,具体过程不再赘述。
至此,得到晶振信号向量内每个元素的晶振局部估计频率。
步骤S003,根据晶振局部估计频率获取晶振滤波算子偏向斜率,根据晶振滤波算子偏向斜率获取晶振滤波自适应度。
进一步地,晶振信号中的交流干扰,主要由单片机电路回路中的交流电流因电磁感应产生的交流信号导致的系统噪声,相比与晶振信号本身的白噪声,系统噪声的频率较为固定,当其频率与晶振信号成整数倍相似时,会导致晶振信号出现相位偏移,且这种相位偏移难以通过均值滤波进行消除。因此,需要对均值滤波算法进行改进,以消除相位偏移对控制频率产生的干扰。
具体地,为了对晶振信号向量内每个元素的升降状态进行分析,将晶振信号向量内所有极小值点组成的集合作为极小值点集合,将晶振信号向量内所有极大值点组成的集合作为极大值点集合。为了提高偏向斜率计算的准确性,将晶振信号向量内每个元素位置作为标记元素位置,将距离每个元素位置最近的极值点作为标记极值点,将标记元素位置与标记极值点所处位置之间的所有元素组成的集合作为晶振信号向量内每个元素的斜率度量集合。
基于晶振信号向量内的元素分布特点,计算晶振滤波算子偏向斜率:
式中,是晶振信号向量内第t个元素的斜率方向判断系数,是晶振信号向量内距离第t个元素位置最近的极值点,和分别是极大指点集合、极小值点集合;是晶振信号向量内第t个元素的晶振滤波算子偏向斜率,是晶振信号向量内第t个元素的斜率度量集合内的元素数目,是晶振信号向量内第t个元素的晶振局部估计频率,是预设晶振固定频率,预设晶振固定频率取经验值11,是欧氏距离函数,是晶振信号向量内第t个元素的斜率度量集合内第r个元素位置,是晶振信号向量内第t个元素位置,是晶振信号向量内第t个元素的斜率度量集合内第r个元素位置与晶振信号向量内第t个元素位置之间的欧氏距离。
斜率方向判断系数是为了判断第t个元素位置处在信号的上升处还是信号下降处,处在信号上升处其值为-1,下降处其值为1;在计算晶振滤波算子偏向斜率中,分式的累加和表示为元素位置上的累加频率差,当第t个元素位置信号在下降且累加频率差为负时,说明晶振信号波形相位后移或波形不够饱满,此时晶振滤波算子偏向斜率应该为负,使计算后的波形上凸且相位前移;当第t个元素位置信号在下降且累加频率差为正时,说明晶振信号波形相位前移或波形上凸,此时晶振滤波算子偏向斜率应该为正,使计算后的波形下凹且相位后移;
最终获得晶振滤波算子偏向斜率,其值为正,代表其左侧数值整体小于右侧;其值为负,代表其左侧数值整体大于右侧,其绝对值大小代表算子两侧的数值差异,以求完成对该元素位置的相位调整。
进一步地,由于第t个元素位置处附近的晶振信号强度值可能较为复杂,直接使用晶振滤波算子偏向斜率可能并不能使滤波后的晶振信号在波形上与标准的正弦波形有较高的相似度。为了控制双频率合成器得到质量更高的控制频率,需要提高对晶振信号进行滤波处理的效果。
具体地,构建预设参数L个滤波向量,每个滤波向量的长度为B,所述滤波向量为归一化的向量,因此每个滤波向量中所有元素的之和为1,每个滤波向量内中间位置的元素数值为,每个滤波向量内其他位置的元素随机取值,其中L取经验值50,B取经验值19。
为了利用遗传算法得到每个元素位置的最优滤波向量,将每个滤波向量作为种群中的每个个体,计算每个滤波向量内每个元素位置处的向量梯度,将每个滤波向量内所有元素位置处的向量梯度的均值作为每个个体的滤波个体偏向斜率,其中向量梯度的计算为公知技术,具体过程不在赘述。
同时,利用每个个体对晶振信号向量中每个元素进行滤波,比如第n个个体为,以第t个元素为中心的局部向量为,其中个体的长度与局部向量的长度均为L,将第n个个体与局部向量之间所有对应元素乘积的和作为第n个个体对第t元素处的信号进行滤波后的滤波值。
基于上述分析,计算晶振滤波自适应度:
式中,是第t个元素的第n个个体的晶振滤波自适应度,是第t个元素的先验波形正弦值,是第n个个体的滤波个体偏向斜率,第t个元素的晶振滤波算子偏向斜率,是正弦函数,、分别是第t个元素最近的极值点位置上的晶振信号强度、所处时刻,是第t个元素的晶振局部估计频率,是第t个元素的所处时刻,、分别是用于计算相位的弧度制常数,是第t个元素的斜率方向判断系数,是第n个个体对第t元素处的信号进行滤波后的滤波值。
滤波个体偏向斜率和晶振滤波算子偏向斜率的差值越小,说明第n个个体的整体数值分布与晶振滤波算子偏向斜率所要求的数值分布更相似,其对晶振信号的滤波效果能够使得晶振信号的相位更偏向于理想信号的相位,对应的晶振滤波自适应度值越低;
同时,将距离第t个元素最近的极值点作为判断波形是否符合正弦函数波形的极值点,以第t个元素最近的极值点的信号强度值作为正弦函数的幅度,构建了第t个元素的正弦函数;进一步,通过第t个元素的晶振局部估计频率以及时刻之差,计算出第t个元素处与距离其最近的极值点处的相位差,并结合第t个元素处的斜率方向判断系数,计算出第t个元素处的参考正弦函数相位角,从而计算出第t个元素处的先验波形正弦值;
先验波形正弦值代表元素位置处不受噪声成分影响的预测正弦值,该值与个体对第t个元素处的信号进行滤波后的滤波值之间差异越小,代表第n个个体对晶振信号的滤波结果使得晶振信号越偏向于正弦函数,使其波形的质量越好;
最终,晶振滤波自适应度值越小,代表个体越优,通过其对晶振信号进行滤波其会使晶振信号的质量越高。
至此,得到晶振信号向量内每个元素的每个个体的晶振滤波自适应度。
步骤S004,利用遗传算法基于晶振滤波自适应度获取最优个体,利用最优个体对晶振信号向量进行滤波计算获取控制频率生成信号,利用双频率合成器基于控制频率生成信号获取频率合成的输出信号结果。
进一步地,对晶振信号的滤波算子采用遗传算法进行优化,晶振滤波自适应度的值越小,代表个体的适应性越好。将晶振信号向量内每个元素的所有个体以及个体的晶振滤波自适应度作为遗传算法的输入,将遗传算法的输出作为晶振信号向量内每个元素的最优个体,其中遗传算法为公知技术,具体过程不再赘述。本申请的实施流程图如图3所示。
需要说明的是,晶振信号向量内每个元素的最优个体,代表信号向量内每个元素的最优滤波向量。
进一步地,利用最优个体对晶振信号向量内每个元素进行滤波计算,将晶振信号向量内每个元素的最优个体与晶振信号向量内每个元素的局部向量之间所有对应元素乘积的和作为最优个体对晶振信号向量中每个元素处信号进行滤波后的滤波值,将所有所述滤波值组成的向量作为晶振信号向量的滤波计算结果。
将滤波计算结果作为双频率合成器中的控制频率生成信号,并通过双频率合成器得到频率合成的输出信号结果。
由于对晶振信号的相位进行了修正的同时,保证了晶振信号经过滤波后的信号形状更加符合正弦函数形状,有效地消除均值滤波算法难以处理的交流干扰,使得双频率合成器生成的控制频率更加稳定,从而提高双频率合成器的输出信号质量。
基于与上述方法相同的发明构思,本申请实施例还提供了基于人工智能的双频率合成器控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的双频率合成器控制方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于人工智能的双频率合成器控制方法,其特征在于,该方法包括以下步骤:
对晶振输入信号进行采样得到晶振信号,利用晶振信号构建晶振信号向量;
根据晶振信号向量获取每类极值点内每个极值点的所处时刻及晶振信号强度;根据每类极值点内两个极值点的所处时刻及晶振信号强度获取每类极值点内两个极值点之间的晶振信号多周期衰减权重;根据每类极值点内两个极值点之间的晶振信号多周期衰减权重获取晶振信号向量内每个元素的晶振局部估计频率;
根据晶振信号向量内每个元素的晶振局部估计频率获取晶振信号向量内每个元素的晶振滤波算子偏向斜率;根据晶振信号向量内每个元素的晶振滤波算子偏向斜率获取晶振信号向量内每个元素的每个个体的晶振滤波自适应度;利用优化算法基于所述晶振滤波自适应度获取晶振信号向量内每个元素的最优个体;
利用所述最优个体获取晶振信号向量的滤波计算结果,将晶振信号向量的滤波计算结果作为双频率合成器中的控制频率生成信号;
所述根据每类极值点内两个极值点的所处时刻及晶振信号强度获取每类极值点内两个极值点之间的晶振信号多周期衰减权重的方法为:
式中,是第b类极值点内第k个和第m个极值点之间的强度距离因子,是第b类极值点内第k个和第m个极值点之间的周期重复可能性权重,是第b类极值点内第k个和第m个极值点之间的晶振信号多周期衰减权重,、分别是第b类极值点内第k个、第m个晶振极值点处的晶振信号强度,为误差参数,是第b类极值点内第个与第m个极值点之间的强度距离因子,为极小值函数,K是预设极值点数量。
2.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述根据晶振信号向量获取每类极值点内每个极值点的所处时刻及晶振信号强度的方法为:
将晶振信号向量内晶振信号强度值作为极值点检测算法的输入,利用极值点检测算法得到晶振极值点的时刻,所述极值点包括两类极值点,分别为极大值点和极小值点;
采用统计的方式得到每类极值点内每个极值点的所处时刻及晶振信号强度。
3.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述根据每类极值点内两个极值点之间的晶振信号多周期衰减权重获取晶振信号向量内每个元素的晶振局部估计频率的方法为:
对于每类极值点内任意两个极值点,计算两个极值点所处时刻之差的倒数,将所述倒数与两个极值点之间的晶振信号多周期衰减权重的乘积在预设极值点数量上的累加和作为两个极值点内任意一个极值点的晶振局部估计频率;
将晶振信号向量内所有极值点的晶振局部估计频率和所有相邻极值点之间的晶振信号采样点数量作为均值插值算法的输入,利用均值插值算法进行缺失值补全得到晶振信号向量内每个元素的晶振局部估计频率。
4.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述根据晶振信号向量内每个元素的晶振局部估计频率获取晶振信号向量内每个元素的晶振滤波算子偏向斜率的方法为:
将晶振信号向量内所有极小值点组成的集合作为极小值点集合,将晶振信号向量内所有极大值点组成的集合作为极大值点集合;
将晶振信号向量内每个元素位置作为标记元素位置,将距离每个元素位置最近的极值点作为标记极值点,将标记元素位置与标记极值点所处位置之间的所有元素组成的集合作为晶振信号向量内每个元素的斜率度量集合;
将晶振信号向量内每个元素作为目标元素,若距离目标元素位置最近的极值点属于极大值点集合,将目标元素的斜率方向判断系数置为1;若距离目标元素位置最近的极值点属于极小值点集合,将目标元素的斜率方向判断系数置为-1;
将目标元素的晶振局部估计频率与预设晶振固定频率的差值作为分子;计算目标元素位置与目标元素的斜率度量集合中每个元素位置之间的度量距离,将所述度量距离与预设晶振固定频率的乘积作为分母;
计算分子与分母的比值在所述斜率度量集合上的累加和,将所述累加和与目标元素的斜率方向判断系数的乘积作为晶振信号向量内每个元素的晶振滤波算子偏向斜率。
5.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述根据晶振信号向量内每个元素的晶振滤波算子偏向斜率获取晶振信号向量内每个元素的每个个体的晶振滤波自适应度的方法为:
构建预设参数个预设长度的归一化的滤波向量,所述滤波向量内中间位置的元素数值为预设长度的倒数,滤波向量内其他位置的元素数值取随机值;
将每个滤波向量作为种群中的每个个体,计算每个滤波向量内每个元素位置处的向量梯度,将每个滤波向量内所有元素位置处向量梯度的均值作为每个个体的滤波个体偏向斜率;
对于晶振信号向量中每个元素,提取以元素为中心的局部向量,将每个个体与局部向量之间所有对应元素乘积的和作为每个个体对晶振信号向量中每个元素处信号进行滤波后的滤波值;
根据晶振信号向量中每个元素的晶振局部估计频率获取晶振信号向量中每个元素的先验波形正弦值;
将每个个体的滤波个体偏向斜率与每个元素的晶振滤波算子偏向斜率之差的绝对值作为第一绝对值,将每个元素的先验波形正弦值与所述滤波值之差的绝对值作为第二绝对值;
将第一绝对值与第二绝对值的乘积作为晶振信号向量内每个元素的每个个体的晶振滤波自适应度。
6.根据权利要求5所述的基于人工智能的双频率合成器控制方法,其特征在于,所述根据晶振信号向量中每个元素的晶振局部估计频率获取晶振信号向量中每个元素的先验波形正弦值的方法为:
式中,是晶振信号向量中第t个元素的先验波形正弦值,是正弦函数,、分别是第t个元素最近的极值点位置上的晶振信号强度、极值点所处时刻,是第t个元素的晶振局部估计频率,是第t个元素的所处时刻,、分别是用于计算相位的弧度制常数,是第t个元素的斜率方向判断系数。
7.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述利用优化算法基于所述晶振滤波自适应度获取晶振信号向量内每个元素的最优个体的方法为:
将晶振信号向量内每个元素的所有个体以及个体的晶振滤波自适应度作为优化算法的输入,利用优化算法得到晶振信号向量内每个元素的最优个体。
8.根据权利要求1所述的基于人工智能的双频率合成器控制方法,其特征在于,所述利用所述最优个体获取晶振信号向量的滤波计算结果的方法为:
对于晶振信号向量内的每个元素,将元素的最优个体与元素的局部向量之间所有对应元素乘积的和作为最优个体对晶振信号向量中每个元素处信号进行滤波后的滤波值,将所有所述滤波值组成的向量作为晶振信号向量的滤波计算结果。
9.基于人工智能的双频率合成器控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述基于人工智能的双频率合成器控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410465091.XA CN118100914B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的双频率合成器控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410465091.XA CN118100914B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的双频率合成器控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118100914A CN118100914A (zh) | 2024-05-28 |
CN118100914B true CN118100914B (zh) | 2024-07-05 |
Family
ID=91153517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410465091.XA Active CN118100914B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的双频率合成器控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118100914B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650617A (zh) * | 2020-06-10 | 2020-09-11 | 国网湖南省电力有限公司 | 基于新息加权自适应不敏卡尔曼滤波的晶振频率驯服方法、系统及介质 |
CN112485520A (zh) * | 2020-12-03 | 2021-03-12 | 成都市精准时空科技有限公司 | 基于电压采样的绝对频差测量方法及系统及装置及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0772193A (ja) * | 1993-07-09 | 1995-03-17 | Yokogawa Hewlett Packard Ltd | 回路網測定装置及び方法 |
DE69534953T2 (de) * | 1995-12-25 | 2006-08-31 | Matsushita Electric Industrial Co., Ltd., Kadoma | Hochfrequenzvorrichtung |
CN113556201B (zh) * | 2021-08-03 | 2022-09-02 | 中国科学院国家授时中心 | 一种基于差拍数字化频率测量的多参考钟切换装置及方法 |
-
2024
- 2024-04-18 CN CN202410465091.XA patent/CN118100914B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650617A (zh) * | 2020-06-10 | 2020-09-11 | 国网湖南省电力有限公司 | 基于新息加权自适应不敏卡尔曼滤波的晶振频率驯服方法、系统及介质 |
CN112485520A (zh) * | 2020-12-03 | 2021-03-12 | 成都市精准时空科技有限公司 | 基于电压采样的绝对频差测量方法及系统及装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118100914A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101910540B1 (ko) | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 | |
CN111985361A (zh) | 小波降噪和emd-arima的电力系统负荷预测方法及系统 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
US9430688B1 (en) | Overlapping multi-signal classification | |
CN109919229A (zh) | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
CN112765550A (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN115828085A (zh) | 联合迁移学习和监督学习的电磁谱辐射源智能识别方法 | |
CN111510109B (zh) | 一种信号滤波的方法、装置、设备和介质 | |
CN118100914B (zh) | 基于人工智能的双频率合成器控制方法及系统 | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
CN110111275B (zh) | 一种信号降噪的方法、系统及计算机存储介质 | |
CN106683001B (zh) | 基于历史运行数据的火电机组辨识数据的选取方法 | |
CN116055340B (zh) | 分布式网络未知参数估计方法、装置及电子设备 | |
CN117112996A (zh) | 一种基于自适应尺度分解的海洋气象数据同化方法 | |
CN112883787B (zh) | 一种基于频谱匹配的短样本低频正弦信号参数估计方法 | |
CN113255541B (zh) | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 | |
CN114675088B (zh) | 一种无监督学习的辐射源快速近场扫描方法 | |
CN111738965A (zh) | 一种脉冲信号分选方法、系统、计算机设备及存储介质 | |
CN118503808B (zh) | 一种海洋传感器监测数据漂移检测方法 | |
CN114124033B (zh) | 卡尔曼滤波器的实现方法、装置、存储介质和设备 | |
CN118262248B (zh) | 一种顾及遥感影像空间信息的GeosotNet深度学习模型 | |
CN113514810B (zh) | Mimo雷达观测噪声优化方法及装置 | |
CN118303876A (zh) | 一种多尺度特征融合呼吸运动预测方法及系统 |
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 |