一种自适应线谱增强器和随机共振联合的线谱检测方法技术

本发明专利技术涉及一种自适应线谱增强器和随机共振联合的线谱检测方法，1)设立一个经典的随机共振系统模型，该随机共振系统通过非线性Langevin方程进行描述，针对实际工程应用，引用尺度变换方法对模型进行改进；2)对输入的含噪信号利用聚焦方法和粒子群算法设定系统的参数，使系统处于随机共振状态；3)利用四阶龙格‑库塔数值计算方法对系统方程进行求解，得到随机共振系统的输出信号；4)将得到的信号输入到基于LMS算法的自适应线谱增强器中，最终求得的解即为整个系统的输出信号。本发明专利技术采用的联合线谱检测方法对低信噪比的信号有良好的检测效果，能够实现未知大频率下的微弱信号检测。

【技术实现步骤摘要】
一种自适应线谱增强器和随机共振联合的线谱检测方法
本专利技术属于信号检测
，涉及一种自适应线谱增强器和随机共振联合的线谱检测方法，研究自适应线谱增强器和经典随机共振系统，可以检测低信噪比的微弱周期信号。
技术介绍
信号检测在机械、航天、舰船、建筑以及生物医学工程等领域发挥着重要的作用。而在传统的微弱信号检测研究中，使用的方法主要有自适应线谱增强器和时频分析法等。但是这些技术在抑制噪声的同时，有用信号也受到了不同程度的损害，而且在信噪比较低时，检测效果不佳。因此，研究强噪声背景下的弱信号检测技术变得尤为重要。随机共振理论由Benzi等人在研究地球冰川期与暖气候期交替问题时提出。随机共振打破了传统信号检测方法中噪声无用的思想，并给出噪声也可以是一种有益信号的结论。随机共振指的是，系统、信号和噪声三者达到一个协同效应，噪声中一部分低频的能量转化为信号能量使得信号能量大大提高，以此优化信噪比的一种手段。随着随机共振技术的不断发展，随机共振在信号线谱检测领域得到了广泛的研究和发展。虽然它可以精确地提取到较低信号比信号的线谱特征信息，但其适应性较差、操作较复杂、算法的复杂度较高等。传统的基于LMS算法的自适应线谱增强器虽然在低信噪比条件下检测效果不佳，但其操作简单，运算复杂度较低，对于不同状态信号的适应性较强。鉴于此，本专利技术提出一种联合的线谱检测方案，对二者互相“取长补短”，从而保证了线谱特征提取工作的高效性。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种自适应线谱增强器和随机共振联合的线谱检测方法，以基于LMS算法的自适应线谱增强器和经典的双稳态随机共振系统为基础，提出了一种联合线谱检测方法，该方法可对较低信噪比的信号进行线谱检测工作。技术方案一种自适应线谱增强器和随机共振联合的线谱检测方法，其特征在于步骤如下：步骤1：以非线性Langevin方程描述一个随机共振模型，对共振模型进行尺度变换方法以适应高频信号的检测；随机共振模型方程为：式中：K为随机共振系统的阻尼系数，a、b分别为线性和非线性项系数，Acos(ωt)为周期信号，D为噪声强度，ξ(t)是均值为0、方差为1的高斯白噪声，x为输出信号；步骤2：给定噪声强度D，将幅度为A和频率为ω的待测微弱信号Acos(ωt)输入随机共振系统；调整改变随机共振系统的阻尼系数K，使得系统达到随机共振；过程为：将阻尼系数K进行“指数级”分割；将阻尼系数K进行“整数级”分割；将阻尼系数K进行“分数级”分割；再利用粒子群算法对聚焦后的参数范围进行参数最优值的选取，得到阻尼系数K的最优值；步骤3：利用四阶龙格-库塔数值计算方法对随机共振模型方程进行求解，得到随机共振系统的输出信号x；步骤4：将得到的信号输入到基于LMS算法的自适应线谱增强器中，求得的解即为整个系统的输出信号。所述粒子群算法对聚焦后的参数范围进行参数最优值的选取过程为：初始状态参数为随机共振系统参数a、b、K，设置粒子群的规模为N＝50，自我学习因子c1＝0.5，群体学习因子c2＝0.5，惯性权重ω＝0.9，最大迭代次数ger＝200。所述“指数级”分割包括但不限于：K＝10-4、10-3、10-2、10-1、100、101、102、103。所述“整数级”分割包括但不限于：K＝1、2、3、4、5、6。所述“分数级”分割括但不限于：K＝0.006、0.008、0.01、0.012。有益效果本专利技术提出的一种自适应线谱增强器和随机共振联合的线谱检测方法，1)设立一个经典的随机共振系统模型，该随机共振系统通过非线性Langevin方程进行描述，针对实际工程应用，引用尺度变换方法对模型进行改进；2)对输入的含噪信号利用聚焦方法和粒子群算法设定系统的参数，使系统处于随机共振状态；3)利用四阶龙格-库塔数值计算方法对系统方程进行求解，得到随机共振系统的输出信号；4)将得到的信号输入到基于LMS算法的自适应线谱增强器中，最终求得的解即为整个系统的输出信号。本专利技术采用的联合线谱检测方法对低信噪比的信号有良好的检测效果，能够实现未知大频率下的微弱信号检测。附图说明图1是本专利技术联合系统示意图。图2是本专利技术采用自适应线谱增强器原理示意图。图3和图4是本专利技术测试信号的时域图和频域图。图5、图6、图7、图8是本专利技术采用聚焦方法寻找参数范围过程的示意图。图9、图10是本专利技术实施例随机共振系统的输出信号图和频谱图。图11是本专利技术实施例经随机共振再自适应线谱增强的输出信号。具体实施方式现结合实施例、附图对本专利技术作进一步描述：本专利技术联合线谱检测方法，首先设立一个经典的随机共振系统，该随机共振系统通过非线性Langevin方程进行描述：其中，a、b分别为线性和非线性项系数。Acos(ωt)为周期信号，D为噪声强度，ξ(t)是均值为0、方差为1的高斯白噪声。已知Langevin方程中Brownian粒子跃迁的Kramers逃逸速率：其中a，b为Langevin方程参数，D为噪声强度。输出信噪比在线性响应理论与绝热近似理论的约束下微小信号作用后的计算公式可以近似表示为：其中，xm为经典双稳态势中最小点的轴坐标，A为待测信号的幅值，D为噪声强度，rk为粒子的逃逸速率。将Langevin方程的Kramers逃逸速率式和代入输出信噪比的表达式，得到系统的输出信噪比为：针对实际工程中的高频率问题，引入变尺度随机共振方法。由于噪声干扰并不影响系统输入和输出信号的周期成分的频率，因此先忽略噪声的作用，得到无噪声干扰的Langevin方程：于是，可以得到：由于y(ξ)＝x(t)，系统的输出幅值和动点的运动状态并没有发生变化，但输入信号的频率从f＝ω变成了f＝kω，也就是原始输入信号频率的k倍。因此，设计新的Langevin方程：式中，K为随机共振系统的阻尼系数。即K＝1/k。调整随机共振系统中阻尼系数K，相当于使用了变尺度随机共振方法，并且调整K的值相当于调整了k的值。本专利技术对于系统参数的调整，首先利用聚焦的方法对参数进行大致范围搜索，聚焦步骤如下：(1)大范围系统参数粗调整，将阻尼系数K进行“指数级”分割；(2)系统参数粗聚焦，将阻尼系数K进行“整数级”分割；(3)系统参数精确聚焦，将阻尼系数K进行“分数级”分割；本专利技术再利用粒子群算法对聚焦后的参数范围进行参数最优值的选取，减少了大范围参数寻优过程中易陷入局部最优值的可能性。设置粒子群的规模为N＝50，自我学习因子c1＝0.5，群体学习因子c2＝0.5，惯性权重ω＝0.9，最大迭代次数ger＝200。以输出信噪比作为其目标优化函数，同时也作为算法的适应度函数本文档来自技高网...

【技术保护点】
1.一种自适应线谱增强器和随机共振联合的线谱检测方法，其特征在于步骤如下：/n步骤1：以非线性Langevin方程描述一个随机共振模型，对共振模型进行尺度变换方法以适应高频信号的检测；/n随机共振模型方程为：

【技术特征摘要】
1.一种自适应线谱增强器和随机共振联合的线谱检测方法，其特征在于步骤如下：
步骤1：以非线性Langevin方程描述一个随机共振模型，对共振模型进行尺度变换方法以适应高频信号的检测；
随机共振模型方程为：
式中：K为随机共振系统的阻尼系数，a、b分别为线性和非线性项系数，Acos(ωt)为周期信号，D为噪声强度，ξ(t)是均值为0、方差为1的高斯白噪声，x为输出信号；
步骤2：给定噪声强度D，将幅度为A和频率为ω的待测微弱信号Acos(ωt)输入随机共振系统；调整改变随机共振系统的阻尼系数K，使得系统达到随机共振；
过程为：
将阻尼系数K进行“指数级”分割；
将阻尼系数K进行“整数级”分割；
将阻尼系数K进行“分数级”分割；
再利用粒子群算法对聚焦后的参数范围进行参数最优值的选取，得到阻尼系数K的最优值；
步骤3：利用四阶龙格-库塔数值计算方法对随机共振模型方程进行求解，得到随机共振系统的输出信号x；
步骤4：将得到的信号输入到基于LMS算法的自适应线谱增...

【专利技术属性】
技术研发人员：韩鹏，白园园，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61