基于自適應(yīng)分?jǐn)?shù)階隨機(jī)共振系統(tǒng)的微弱信號(hào)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種信號(hào)檢測(cè)方法，尤其設(shè)及微弱信號(hào)被高頻噪聲信號(hào)淹沒(méi)時(shí)使用的 檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著時(shí)代發(fā)展，在各行各業(yè)的現(xiàn)場(chǎng)應(yīng)用中，都會(huì)存在微弱信號(hào)，如光學(xué)測(cè)量中的弱 光，電磁行業(yè)中的弱磁，流量檢測(cè)中的微流量，溫度測(cè)量中的微溫差等。目前檢測(cè)微弱信號(hào) 的方法，一般為使用相對(duì)應(yīng)的傳感器對(duì)該檢測(cè)量轉(zhuǎn)化為微弱的電流或電壓，然后進(jìn)行放大 W便測(cè)量。然而，因?yàn)楸粰z測(cè)信號(hào)較弱，電路中的固有噪聲、測(cè)量?jī)x表夾雜的固有噪聲、傳感 器的本底噪聲W及外界環(huán)境帶來(lái)的干擾噪聲都會(huì)比目標(biāo)信號(hào)的幅值大得多。因此在放大被 測(cè)信號(hào)的過(guò)程中，同時(shí)也放大了噪聲，所W單靠放大無(wú)法檢測(cè)出微弱信號(hào)。
[0003] 隨機(jī)共振是基于非線性系統(tǒng)在輸入微弱周期信號(hào)和噪聲信號(hào)時(shí)的一種非線性現(xiàn) 象。在信號(hào)的研究中，噪聲常常被認(rèn)為是有害的，但在隨機(jī)共振的概念里，噪聲卻可W為微 弱信號(hào)的檢測(cè)提供能量，使其成為隨機(jī)共振的推動(dòng)作用。分?jǐn)?shù)階微積分運(yùn)算已經(jīng)是數(shù)學(xué)中 的重要分支，具有了完善的理論體系，分?jǐn)?shù)階微積分的空間特性為長(zhǎng)程空間相關(guān)性，時(shí)間特 性為時(shí)間記憶性?，F(xiàn)階段研究較為成熟、應(yīng)用較為廣泛的整數(shù)階傳統(tǒng)雙穩(wěn)態(tài)系統(tǒng)，對(duì)微弱信 號(hào)W及噪聲信號(hào)等輸入，具有較大的局限性，運(yùn)就意味著應(yīng)用場(chǎng)合將受到限制。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于自適應(yīng)分?jǐn)?shù)階隨機(jī)共振系 統(tǒng)的微弱信號(hào)檢測(cè)方法。
[0005] 本發(fā)明所采用的技術(shù)方案，包括如下步驟：
[0006] 1)對(duì)分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)進(jìn)行預(yù)處理，得到該系統(tǒng)的先驗(yàn)知識(shí)；
[0007] 2)利用信號(hào)采集裝置，對(duì)包含噪聲的微弱信號(hào)進(jìn)行采集；
[000引3)將步驟2中采集到的混合信號(hào)，作為分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)的輸入，W信噪比為適應(yīng) 度函數(shù)，在從步驟1得到的先驗(yàn)知識(shí)中提取疫苗。利用免疫算法動(dòng)態(tài)地調(diào)節(jié)分?jǐn)?shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)e，a，b，c，k使其產(chǎn)生隨機(jī)共振，尋找使信噪比最大時(shí)的分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，3， b，c，k的值；
[0009] 4)將步驟3優(yōu)化得到的分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，a，b，C，k的值設(shè)為雙穩(wěn)態(tài)系統(tǒng)參 數(shù)，對(duì)步驟2處理后的信號(hào)做隨機(jī)共振處理，實(shí)現(xiàn)微弱信號(hào)的檢測(cè)。
[0010] 本發(fā)明的有益效果:選用了相較于傳統(tǒng)整數(shù)階雙穩(wěn)態(tài)系統(tǒng)適用范圍更加廣泛的分 數(shù)階雙穩(wěn)態(tài)系統(tǒng)，并且針對(duì)不同的輸入信號(hào)，利用免疫算法自適應(yīng)地調(diào)節(jié)分?jǐn)?shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)，探尋信噪比最大時(shí)的最優(yōu)參數(shù)，從而產(chǎn)生隨機(jī)共振或使隨機(jī)共振效應(yīng)更明顯，實(shí)現(xiàn) 微弱信號(hào)的自適應(yīng)檢測(cè)。該方法適用于設(shè)及強(qiáng)噪聲中的微弱信號(hào)檢測(cè)的各個(gè)領(lǐng)域，具有良 好的應(yīng)用前景。
【附圖說(shuō)明】
[0011] 圖1為本發(fā)明的整體實(shí)現(xiàn)過(guò)程框圖。
[0012] 圖2為免疫算法的分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)擇優(yōu)過(guò)程框圖。
[0013] 圖3為模擬理想環(huán)境中收集的包含噪聲的微弱信號(hào)。
[0014] 圖4為免疫算法優(yōu)化后隨機(jī)共振系統(tǒng)輸出的時(shí)域圖。
[0015] 圖5為免疫算法優(yōu)化后隨機(jī)共振系統(tǒng)輸出的功率譜圖。
【具體實(shí)施方式】
[0016] 傳統(tǒng)的整數(shù)階隨機(jī)共振模型是雙穩(wěn)隨機(jī)共振，其勢(shì)函數(shù)為
[0017]
(1)
[0018] 在傳統(tǒng)雙穩(wěn)態(tài)系統(tǒng)中，只有a,b兩個(gè)參數(shù)，其結(jié)構(gòu)較為簡(jiǎn)單，所W不能很有效地應(yīng) 用到各種微弱信號(hào)的檢測(cè)當(dāng)中，具有局限性，即對(duì)微弱信號(hào)W及噪聲信號(hào)等客觀條件具有 較大的限制。本發(fā)明使用的是結(jié)構(gòu)較復(fù)雜的分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)，其勢(shì)函數(shù)為
[0019]
[0020] 根據(jù)分?jǐn)?shù)階理論中的化puto定義，該系統(tǒng)的Langevin方程可W表示如下：
[0021]
[0022] 其中，'。'如Λ-(/)是對(duì)x(t)的郎介分?jǐn)?shù)階導(dǎo)數(shù)，并且0處<1。曰，6，(3^，9為系統(tǒng)結(jié)構(gòu)參 數(shù)。C(t)是噪聲信號(hào)，s(t)為目標(biāo)微弱信號(hào)。
[0023] 由于該系統(tǒng)結(jié)構(gòu)可變性較好，且分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)在參數(shù)改變影響系統(tǒng)結(jié)構(gòu)運(yùn)方 面，具有較好的特性，所W應(yīng)用場(chǎng)合更加廣泛。
[0024] 下面結(jié)合圖1與系統(tǒng)對(duì)該方法進(jìn)行詳細(xì)描述。
[0025] 1)對(duì)分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)進(jìn)行預(yù)處理，得到該系統(tǒng)的先驗(yàn)知識(shí)；
[0026] 具體為:對(duì)上述的雙穩(wěn)態(tài)系統(tǒng)的參數(shù)進(jìn)行單個(gè)變化，得到對(duì)應(yīng)的系統(tǒng)勢(shì)能圖，得到 該參數(shù)與系統(tǒng)結(jié)構(gòu)(主要為勢(shì)壘高度，勢(shì)阱位置)的關(guān)系。把得到的參數(shù)與結(jié)構(gòu)關(guān)系作為先 驗(yàn)知識(shí)。
[0027] 2)利用信號(hào)采集裝置，對(duì)包含噪聲的微弱信號(hào)進(jìn)行采集，并進(jìn)行預(yù)處理；
[0028] 具體為:將信號(hào)接收裝置放置到信號(hào)源附近，利用信號(hào)采集系統(tǒng)采集數(shù)據(jù)，并進(jìn)行 放大、濾波等預(yù)處理。
[0029] 3)將步驟2中采集到的混合信號(hào)，作為分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)的輸入，W信噪比為適應(yīng) 度函數(shù)，在從步驟1得到的先驗(yàn)知識(shí)中提取疫苗。利用免疫算法動(dòng)態(tài)地調(diào)節(jié)分?jǐn)?shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)e，a，b，c，k使其產(chǎn)生隨機(jī)共振，尋找使信噪比最大時(shí)的分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，3， b，c，k的值；
[0030] 具體為：隨機(jī)共振的強(qiáng)度通?？蒞用信噪比的大小來(lái)衡量，當(dāng)信噪比達(dá)到最大值 時(shí)，系統(tǒng)處于最佳隨機(jī)共振狀態(tài)。免疫算法是由遺傳算法變化而來(lái)的，是一種通過(guò)模擬自然 免疫過(guò)程捜索最優(yōu)解的方法，是人工智能的一個(gè)具體應(yīng)用。仿真結(jié)果表明免疫算法不僅是 有效的而且也是可行的，并較好地解決了遺傳算法中的退化問(wèn)題，并且具有較快的收斂速 度、對(duì)捜索空間具有較強(qiáng)的自適應(yīng)能力和跳出局部極值的能力。利用免疫算子自適應(yīng)地調(diào) 節(jié)雙穩(wěn)態(tài)系統(tǒng)參數(shù)，產(chǎn)生隨機(jī)共振和使隨機(jī)共振效應(yīng)增強(qiáng)，將人工智能與自適應(yīng)控制結(jié)合 在一起，實(shí)現(xiàn)隨機(jī)共振的智能控制。選取信噪比作為采用免疫算法雙穩(wěn)態(tài)參數(shù)優(yōu)化過(guò)程的 效果評(píng)價(jià)函數(shù)，將隨機(jī)共振與免疫算法兩者聯(lián)系起來(lái)，充分利用免疫算法在參數(shù)尋優(yōu)時(shí)的 優(yōu)勢(shì)，實(shí)現(xiàn)雙穩(wěn)態(tài)系統(tǒng)參數(shù)的自適應(yīng)尋優(yōu)。
[0031] 本發(fā)明使用的模型為分?jǐn)?shù)階雙穩(wěn)態(tài)系統(tǒng)，其勢(shì)函數(shù)如公式2所示，其中，i3，a，b，c，k 為系統(tǒng)參數(shù)，對(duì)隨機(jī)共振情況起了決定性作用。通過(guò)檢測(cè)輸出信號(hào)信噪比的實(shí)時(shí)數(shù)據(jù)，采用 免疫算法，動(dòng)態(tài)地調(diào)節(jié)雙穩(wěn)態(tài)系統(tǒng)參數(shù)e，a，b，c，k自適應(yīng)地實(shí)現(xiàn)隨機(jī)共振的產(chǎn)生與增強(qiáng)。實(shí) 現(xiàn)步驟如下，參見(jiàn)圖2:
[0032] 3.1、設(shè)置免疫算法的參數(shù):群體規(guī)模為S，最大循環(huán)次數(shù)為N，群體中每個(gè)個(gè)體染色 體使用浮點(diǎn)數(shù)編碼方式編碼，基因變異的概率為K，基因變異的步長(zhǎng)為P等。
[00